論文の概要: Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications

• arxiv url: http://arxiv.org/abs/2508.06145v1
• Date: Fri, 08 Aug 2025 09:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.162757
• Title: Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications
• Title（参考訳）: 包括的薬物拘束のための検索型大規模言語モデルシステム
• Authors: Byeonghun Bang, Jongsuk Yoon, Dong-Jin Chang, Seho Park, Yong Oh Lee,
• Abstract要約: 大規模言語モデル(LLM)の汎用性は、様々な分野にわたって検討されてきたが、医療への応用には課題がある。 本研究では,レトリーバル拡張生成(RAG)パイプラインを実装することにより,LLMの対位法に効果的に対応する能力を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The versatility of large language models (LLMs) has been explored across various sectors, but their application in healthcare poses challenges, particularly in the domain of pharmaceutical contraindications where accurate and reliable information is required. This study enhances the capability of LLMs to address contraindications effectively by implementing a Retrieval Augmented Generation (RAG) pipeline. Utilizing OpenAI's GPT-4o-mini as the base model, and the text-embedding-3-small model for embeddings, our approach integrates Langchain to orchestrate a hybrid retrieval system with re-ranking. This system leverages Drug Utilization Review (DUR) data from public databases, focusing on contraindications for specific age groups, pregnancy, and concomitant drug use. The dataset includes 300 question-answer pairs across three categories, with baseline model accuracy ranging from 0.49 to 0.57. Post-integration of the RAG pipeline, we observed a significant improvement in model accuracy, achieving rates of 0.94, 0.87, and 0.89 for contraindications related to age groups, pregnancy, and concomitant drug use, respectively. The results indicate that augmenting LLMs with a RAG framework can substantially reduce uncertainty in prescription and drug intake decisions by providing more precise and reliable drug contraindication information.
• Abstract（参考訳）: 大規模言語モデル(LLM)の汎用性は、様々な分野にわたって検討されてきたが、医療への応用は、特に正確で信頼性の高い情報を必要とする医薬禁忌の分野において、課題を提起している。 本研究では,レトリーバル拡張生成(RAG)パイプラインを実装することにより,LLMの対位法に効果的に対応する能力を高める。 OpenAIのGPT-4o-miniをベースモデルとし,組込み用テキスト埋め込み3-小モデルを用いてLangchainを統合し,ハイブリッド検索システムと再ランク付けを行った。 このシステムは、特定の年齢グループ、妊娠、および共同薬物使用の禁忌に焦点を当て、公共データベースからの薬物利用レビュー(DUR)データを活用する。 データセットには3つのカテゴリにわたる300の質問応答ペアが含まれており、ベースラインモデルの精度は0.49から0.57の範囲である。 RAGパイプライン統合後, 年齢群, 妊娠群, コンコニタント薬物使用群でそれぞれ0.94, 0.87, 0.89のモデル精度が有意に向上し, それぞれ0.94, 0.87, 0.89が達成された。 以上の結果から,RAGフレームワークによるLSMの増強は,より正確で信頼性の高い薬物禁忌情報を提供することにより,処方薬および薬物摂取決定の不確実性を著しく低下させることが示唆された。

関連論文リスト

• RAG-based Architectures for Drug Side Effect Retrieval in LLMs [0.0]
  大きな言語モデル(LLM)は、有望な対話インターフェースを提供するが、その固有の制限は、薬品の移動のような専門分野における信頼性を妨げている。 本稿では,Llama 3 8B言語モデルに薬物副作用の包括的知識を組み込んだ検索型RAG(Retrieval-Augmented Generation)とグラフRAG(GraphRAG)の2つのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-18T11:20:52Z)
• LLMs for Drug-Drug Interaction Prediction: A Comprehensive Comparison [3.2627279988912194]
  大規模言語モデル (LLM) は様々な領域に革命をもたらしたが、薬学研究におけるその可能性はほとんど解明されていない。 本研究は薬物と薬物の相互作用(DDI)を予測するLLMの機能について徹底的に研究する。 プロプライエタリモデル(GPT-4, Claude, Gemini)やオープンソースモデル(1.5Bから72Bパラメータ)を含む18種類のLCMを評価した。 微調整のLLMは優れた性能を示し、Phi-3.5 2.7BはDDI予測において0.978の感度を達成し、バランスの取れたデータセットでは0.919の精度を実現した。
  論文  参考訳（メタデータ） (2025-02-09T09:58:12Z)
• Rx Strategist: Prescription Verification using LLM Agents System [0.0]
  Rx Strategistは、知識グラフと異なる検索戦略を使用して、エージェントフレームワーク内のLarge Language Models(LLM)のパワーを強化する。 この多面的手法により、カスタム構築のアクティブ成分データベースから多段階のLCMパイプラインと信頼できる情報検索が可能になる。 以上の結果から,Rx Strategist が多くの LLM を上回り,高度臨床薬剤師に匹敵する成績を示した。
  論文  参考訳（メタデータ） (2024-09-05T11:42:26Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation [9.296433860766165]
  StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。 また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。 本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:59:32Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology [0.0]
  現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。 これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
  論文  参考訳（メタデータ） (2020-06-01T16:38:27Z)

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。