論文の概要: Enhancing Clinical Decision Support and EHR Insights through LLMs and the Model Context Protocol: An Open-Source MCP-FHIR Framework

• arxiv url: http://arxiv.org/abs/2506.13800v1
• Date: Fri, 13 Jun 2025 04:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.151235
• Title: Enhancing Clinical Decision Support and EHR Insights through LLMs and the Model Context Protocol: An Open-Source MCP-FHIR Framework
• Title（参考訳）: LLM と Model Context Protocol による臨床診断支援と EHR Insights の強化:オープンソース MCP-FHIR フレームワーク
• Authors: Abul Ehtesham, Aditi Singh, Saket Kumar,
• Abstract要約: 本稿では,Large Language Models (LLM) と HL7 FHIR データをモデルコンテキストプロトコル (MCP) を介して統合するオープンソースフレームワークを提案する。 提案手法は、スケーラブルで説明可能な、相互運用可能なAIベースのEHRアプリケーションを提供する。
• 参考スコア（独自算出の注目度）: 0.9246281666115259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhancing clinical decision support (CDS), reducing documentation burdens, and improving patient health literacy remain persistent challenges in digital health. This paper presents an open-source, agent-based framework that integrates Large Language Models (LLMs) with HL7 FHIR data via the Model Context Protocol (MCP) for dynamic extraction and reasoning over electronic health records (EHRs). Built on the established MCP-FHIR implementation, the framework enables declarative access to diverse FHIR resources through JSON-based configurations, supporting real-time summarization, interpretation, and personalized communication across multiple user personas, including clinicians, caregivers, and patients. To ensure privacy and reproducibility, the framework is evaluated using synthetic EHR data from the SMART Health IT sandbox (https://r4.smarthealthit.org/), which conforms to the FHIR R4 standard. Unlike traditional approaches that rely on hardcoded retrieval and static workflows, the proposed method delivers scalable, explainable, and interoperable AI-powered EHR applications. The agentic architecture further supports multiple FHIR formats, laying a robust foundation for advancing personalized digital health solutions.
• Abstract（参考訳）: 臨床意思決定支援(CDS)の強化、文書化の負担軽減、患者の健康リテラシーの向上は、デジタルヘルスにおいて永続的な課題である。 本稿では,大規模言語モデル(LLM)とHL7 FHIRデータをMCP(Model Context Protocol)を介して統合し,電子健康記録(EHR)の動的抽出と推論を行うオープンソースエージェントベースのフレームワークを提案する。 確立されたMPP-FHIR実装に基づいて構築されたこのフレームワークは、JSONベースのコンフィギュレーションを通じて、さまざまなFHIRリソースへの宣言的アクセスを可能にし、クリニック、介護者、患者を含む複数のユーザペルソナ間でのリアルタイムの要約、解釈、パーソナライズされたコミュニケーションをサポートする。 プライバシーと再現性を確保するため、このフレームワークはFHIR R4規格に準拠したSMART Health IT Sandbox(https://r4.smarthealthit.org/)から合成EHRデータを用いて評価される。 ハードコードされた検索と静的ワークフローに依存する従来のアプローチとは異なり、提案手法はスケーラブルで説明可能な、相互運用可能なAIベースのEHRアプリケーションを提供する。 エージェントアーキテクチャは、さらに複数のFHIRフォーマットをサポートし、パーソナライズされたデジタルヘルスソリューションを進めるための堅牢な基盤を構築している。

関連論文リスト

• Structured Semantics from Unstructured Notes: Language Model Approaches to EHR-Based Decision Support [11.927390747231588]
  本稿では,臨床診断支援のための多種多様なデータソースを活用するための先進言語モデルの適用について検討する。 従来の高次元のEHR分析では見過ごされがちなテキストベースの特徴が意味的に豊かな表現を提供する方法について論じる。
  論文  参考訳（メタデータ） (2025-06-01T05:07:51Z)
• ColaCare: Enhancing Electronic Health Record Modeling through Large Language Model-Driven Multi-Agent Collaboration [14.180987429395584]
  ColaCareは、大規模言語モデル(LLM)によって駆動されるマルチエージェントコラボレーションを通じて電子健康記録(EHR)モデリングを強化するフレームワークである。 我々のアプローチは、構造化されたEHRデータとテキストベースの推論の間のギャップを埋めるために、ドメイン固有のエキスパートモデルとLLMをシームレスに統合する。
  論文  参考訳（メタデータ） (2024-10-03T14:55:22Z)
• FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
  本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。 FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。 7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-17T15:42:29Z)
• Multimodal Fusion of EHR in Structures and Semantics: Integrating Clinical Records and Notes with Hypergraph and LLM [39.25272553560425]
  本稿では,EHRにおける構造と意味を効果的に統合するMINGLEという新しいフレームワークを提案する。 本フレームワークでは,医療概念のセマンティクスと臨床ノートのセマンティクスをハイパーグラフニューラルネットワークに組み合わせるために,2段階の注入戦略を採用している。 2つのEHRデータセット(パブリックMIMIC-IIIとプライベートCRADLE)の実験結果から、MINGLEは予測性能を11.83%向上できることが示された。
  論文  参考訳（メタデータ） (2024-02-19T23:48:40Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions [48.0590120095748]
  本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。 我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-20T15:14:14Z)
• Multi-Site Clinical Federated Learning using Recursive and Attentive Models and NVFlare [13.176351544342735]
  本稿では、データプライバシと規制コンプライアンスの課題に対処する統合フレームワークを開発する。 これには、データのプライバシと規制コンプライアンスの課題に対処し、高い精度を維持し、提案されたアプローチの有効性を実証する統合フレームワークの開発が含まれている。
  論文  参考訳（メタデータ） (2023-06-28T17:00:32Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)

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。