論文の概要: MedDCR: Learning to Design Agentic Workflows for Medical Coding

• arxiv url: http://arxiv.org/abs/2511.13361v1
• Date: Mon, 17 Nov 2025 13:30:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.233864
• Title: MedDCR: Learning to Design Agentic Workflows for Medical Coding
• Title（参考訳）: MedDCR:医療コーディングのためのエージェントワークフロー設計を学ぶ
• Authors: Jiyang Zheng, Islam Nassar, Thanh Vu, Xu Zhong, Yang Lin, Tongliang Liu, Long Duong, Yuan-Fang Li,
• Abstract要約: 医療符号化は、フリーテキスト臨床ノートを標準化された診断および手続きコードに変換する。 本稿では,設計を学習問題として扱うクローズドループフレームワークであるMedDCRを提案する。 ベンチマークデータセットでは、MedDCRは最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 55.51674334874892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical coding converts free-text clinical notes into standardized diagnostic and procedural codes, which are essential for billing, hospital operations, and medical research. Unlike ordinary text classification, it requires multi-step reasoning: extracting diagnostic concepts, applying guideline constraints, mapping to hierarchical codebooks, and ensuring cross-document consistency. Recent advances leverage agentic LLMs, but most rely on rigid, manually crafted workflows that fail to capture the nuance and variability of real-world documentation, leaving open the question of how to systematically learn effective workflows. We present MedDCR, a closed-loop framework that treats workflow design as a learning problem. A Designer proposes workflows, a Coder executes them, and a Reflector evaluates predictions and provides constructive feedback, while a memory archive preserves prior designs for reuse and iterative refinement. On benchmark datasets, MedDCR outperforms state-of-the-art baselines and produces interpretable, adaptable workflows that better reflect real coding practice, improving both the reliability and trustworthiness of automated systems.
• Abstract（参考訳）: 医療コーディングは、フリーテキストの臨床ノートを標準化された診断と手続きのコードに変換し、請求書、病院手術、医療研究に必須である。 通常のテキスト分類とは異なり、診断概念の抽出、ガイドライン制約の適用、階層的なコードブックへのマッピング、文書間の一貫性の確保など、多段階の推論が必要である。 最近の進歩はエージェントのLLMを活用しているが、ほとんどの場合、現実のドキュメントのニュアンスと可変性を捉えない厳密で手作業によるワークフローに依存しており、効果的なワークフローを体系的に学習する方法に関する疑問が残されている。 本稿では,ワークフロー設計を学習問題として扱うクローズドループフレームワークであるMedDCRを紹介する。 デザイナがワークフローを提案し、Coderがそれらを実行し、リフレクタが予測を評価し、建設的なフィードバックを提供する。 ベンチマークデータセットでは、MedDCRは最先端のベースラインを上回り、解釈可能な適応可能なワークフローを生成し、実際のコーディングプラクティスをより良く反映し、自動化システムの信頼性と信頼性を改善します。

関連論文リスト

• Expert Consensus-based Video-Based Assessment Tool for Workflow Analysis in Minimally Invasive Colorectal Surgery: Development and Validation of ColoWorkflow [4.2710633896098456]
  ビデオベースアセスメント(VBA)は、可変性を低減し、トレーニングを最適化し、外科的パフォーマンスを改善するために、データ駆動型インサイトを生成する機会を提供する。 ワークフロー分析のための既存のツールは、標準化と実装が難しいままです。 本研究の目的は,最小侵襲の大腸癌手術におけるワークフロー解析のためのVBAツールの開発と評価である。
  論文  参考訳（メタデータ） (2025-11-13T19:33:36Z)
• Toward Reliable Clinical Coding with Language Models: Verification and Lightweight Adaptation [3.952186976672079]
  本稿では,高速エンジニアリングや小型微調整を含む軽量な介入により,探索手法の計算オーバーヘッドを伴わずに精度を向上できることを示す。 階層的なニアミスエラーに対処するために,単体タスクとパイプラインコンポーネントの両方に臨床コード検証を導入する。
  論文  参考訳（メタデータ） (2025-10-08T23:50:58Z)
• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• Aligning AI Research with the Needs of Clinical Coding Workflows: Eight Recommendations Based on US Data Analysis and Critical Review [14.381199039813675]
  本研究の目的は,AIコーディング研究と臨床コーディングの実践的課題をより緊密に連携させることである。 分析の結果,8つの推奨事項が提示され,現在の評価方法を改善する方法が提案されている。
  論文  参考訳（メタデータ） (2024-12-23T23:39:05Z)
• Exploring LLM Multi-Agents for ICD Coding [15.730751450511333]
  ICD符号化のためのマルチエージェント方式は実世界の符号化プロセスを効果的に模倣し、一般的な符号と稀な符号の両方の性能を向上させる。 提案手法は, 事前学習や微調整を必要とする最先端のICD符号化手法に匹敵する結果を得るとともに, 稀なコード精度, 説明可能性で性能を向上する。
  論文  参考訳（メタデータ） (2024-04-01T15:17:39Z)
• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。