論文の概要: Will Large Language Models Transform Clinical Prediction?

• arxiv url: http://arxiv.org/abs/2505.18246v1
• Date: Fri, 23 May 2025 17:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.302826
• Title: Will Large Language Models Transform Clinical Prediction?
• Title（参考訳）: 大規模言語モデルは臨床予測を変えるか?
• Authors: Yusuf Yildiz, Goran Nenadic, Meghna Jani, David A. Jenkins,
• Abstract要約: 大規模言語モデル(LLM)は、医療への関心が高まっている。 大規模なデータセットを効果的に要約し、質問に正確に答え、合成されたテキストを生成する能力は広く認識されている。
• 参考スコア（独自算出の注目度）: 3.5700883813789472
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Large language models (LLMs) are attracting increasing interest in healthcare. Their ability to summarise large datasets effectively, answer questions accurately, and generate synthesised text is widely recognised. These capabilities are already finding applications in healthcare. Body: This commentary discusses LLMs usage in the clinical prediction context and highlight potential benefits and existing challenges. In these early stages, the focus should be on extending the methodology, specifically on validation, fairness and bias evaluation, survival analysis and development of regulations. Conclusion: We conclude that further work and domain-specific considerations need to be made for full integration into the clinical prediction workflows.
• Abstract（参考訳）: 背景: 大規模言語モデル(LLM)は、医療への関心が高まっている。 大規模なデータセットを効果的に要約し、質問に正確に答え、合成されたテキストを生成する能力は広く認識されている。 これらの機能は、すでに医療分野に応用されている。 身体: 本解説では, 臨床予測におけるLCMの使用状況について論じ, 潜在的なメリットと既存の課題を明らかにする。 初期の段階では、方法論の拡張、特に検証、公正性、バイアス評価、生存分析、規制の開発に焦点を当てるべきである。 結論: 臨床予測ワークフローへの完全統合には、さらなる作業とドメイン固有の考慮が必要であると結論づける。

関連論文リスト

• Hallucinations and Key Information Extraction in Medical Texts: A Comprehensive Assessment of Open-Source Large Language Models [3.1406146587437904]
  大規模言語モデル(LLM)は、このような要約の精度を自動化し改善する大きな可能性を示している。 放電報告から重要な事象を抽出するオープンソースLCMの有効性について検討する。 また,これらのモデルが生成した要約において,様々な種類の幻覚の出現率を評価する。
  論文  参考訳（メタデータ） (2025-04-27T00:39:12Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• The Role of Language Models in Modern Healthcare: A Comprehensive Review [2.048226951354646]
  医療における大規模言語モデル(LLM)の適用は注目されている。 本稿では,言語モデルの初期から現在までの軌跡を概観する。
  論文  参考訳（メタデータ） (2024-09-25T12:15:15Z)
• Large language models in healthcare and medical domain: A review [4.456243157307507]
  大規模言語モデル(LLM)は、自由テキストクエリに対する熟練した応答を提供する。 このレビューでは、多様な医療応用の効率性と効果を増幅するLLMの可能性について考察する。
  論文  参考訳（メタデータ） (2023-12-12T20:54:51Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。