論文の概要: CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records

• arxiv url: http://arxiv.org/abs/2507.22533v1
• Date: Wed, 30 Jul 2025 10:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.13261
• Title: CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records
• Title（参考訳）: CliCARE: 長期がん電子健康記録の意思決定支援のための臨床ガイドラインにおける大規模言語モデルの構築
• Authors: Dongchen Li, Jitao Liang, Wei Li, Xiaoyu Wang, Longbing Cao, Kun Yu,
• Abstract要約: 大規模言語モデル(LLMs)は、臨床診断支援の改善と医師のバーンアウトの低減に大きく貢献する。 CliCARE(CliCARE)を提案する。CliCAREは、長期がん電子健康記録に対する臨床ガイドラインにおける大規模言語モデル構築のためのフレームワークである。 我々は,中国の民間がんデータセットと英語MIMIC-IVデータセットを用いた大規模縦長データを用いて,我々の枠組みを検証した。
• 参考スコア（独自算出の注目度）: 30.100759175769454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) hold significant promise for improving clinical decision support and reducing physician burnout by synthesizing complex, longitudinal cancer Electronic Health Records (EHRs). However, their implementation in this critical field faces three primary challenges: the inability to effectively process the extensive length and multilingual nature of patient records for accurate temporal analysis; a heightened risk of clinical hallucination, as conventional grounding techniques such as Retrieval-Augmented Generation (RAG) do not adequately incorporate process-oriented clinical guidelines; and unreliable evaluation metrics that hinder the validation of AI systems in oncology. To address these issues, we propose CliCARE, a framework for Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records. The framework operates by transforming unstructured, longitudinal EHRs into patient-specific Temporal Knowledge Graphs (TKGs) to capture long-range dependencies, and then grounding the decision support process by aligning these real-world patient trajectories with a normative guideline knowledge graph. This approach provides oncologists with evidence-grounded decision support by generating a high-fidelity clinical summary and an actionable recommendation. We validated our framework using large-scale, longitudinal data from a private Chinese cancer dataset and the public English MIMIC-IV dataset. In these diverse settings, CliCARE significantly outperforms strong baselines, including leading long-context LLMs and Knowledge Graph-enhanced RAG methods. The clinical validity of our results is supported by a robust evaluation protocol, which demonstrates a high correlation with assessments made by expert oncologists.
• Abstract（参考訳）: 大言語モデル (LLMs) は, 臨床診断支援の改善と, 複雑で縦長ながんの電子健康記録 (EHRs) の合成による医師のバーンアウトの低減に大きく貢献する。 しかし、この重要な分野におけるそれらの実装は、正確な時間的分析のために、患者レコードの幅広い長さと多言語の性質を効果的に処理できないこと、検索・拡張生成(RAG)のような従来の基礎技術がプロセス指向の臨床ガイドラインを適切に取り入れていないこと、オンカロジーにおけるAIシステムの検証を妨げる信頼性の低い評価指標である、という3つの大きな課題に直面している。 これらの課題に対処するため,CliCAREを提案する。CliCAREは,長期がん電子健康記録に対する臨床ガイドラインにおける大規模言語モデル構築のためのフレームワークである。 このフレームワークは、構造化されていない縦方向のERHを患者固有の時間的知識グラフ(TKG)に変換して、長距離依存関係をキャプチャし、これらの現実世界の患者軌道を規範的なガイドライン的知識グラフと整合させることで意思決定支援プロセスを構築する。 このアプローチは,高忠実度クリニカルサマリーと行動可能なレコメンデーションを生成することによって,エビデンスに基づく意思決定支援を提供する。 我々は,中国の民間がんデータセットと英語MIMIC-IVデータセットを用いた大規模縦長データを用いて,我々の枠組みを検証した。 これらの多様な設定において、CliCAREは、長文LLMや知識グラフ強化RAGメソッドなど、強力なベースラインを著しく上回る。 本研究の臨床的妥当性は, 専門腫瘍学者による評価と高い相関性を示すロバストな評価プロトコルによって裏付けられている。

関連論文リスト

• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
  GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。 従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。 高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
  論文  参考訳（メタデータ） (2025-06-22T11:31:13Z)
• A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning [8.431488361911754]
  肺がんは世界中で最も流行し、致命的な疾患の1つである。 大規模AIモデルの最近の進歩は、医療画像理解と臨床的意思決定を大幅に強化した。 本稿では, 肺がん検診, 診断, 予後, 治療における大規模AIモデルの適用状況について, 系統的に検討する。
  論文  参考訳（メタデータ） (2025-06-08T17:42:24Z)
• Expertise Is What We Want [0.0]
  アプリケーションアーキテクチャ、LLE(Large Language Expert)は、LLM(Large Language Models)の柔軟性とパワーと、Expert Systemsの解釈可能性、説明可能性、信頼性を組み合わせたものです。 LLE(Large Language Expert)システムのパワーを強調するために,新たに癌と診断された患者の作業を支援するLLEを構築した。
  論文  参考訳（メタデータ） (2025-02-27T18:05:15Z)
• A Lung Nodule Dataset with Histopathology-based Cancer Type Annotation [12.617587827105496]
  本研究は,医療診断用データセットと信頼性ツールを提供することにより,このギャップを埋めることを目的としている。 330個の注記結節(結節は束縛箱とラベル付けされている)を95名の別患者から抽出し,CT画像の多彩なデータセットを収集した。 これらの有望な結果は、データセットが実現可能であり、さらにインテリジェントな補助診断を容易にすることを証明している。
  論文  参考訳（メタデータ） (2024-06-26T06:39:11Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。