論文の概要: Multi-LLM Collaboration for Medication Recommendation

• arxiv url: http://arxiv.org/abs/2512.05066v1
• Date: Thu, 04 Dec 2025 18:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-05 21:11:46.316013
• Title: Multi-LLM Collaboration for Medication Recommendation
• Title（参考訳）: 医薬勧告のためのマルチLLMコラボレーション
• Authors: Huascar Sanchez, Briland Hitaj, Jules Bergmann, Linda Briesemeister,
• Abstract要約: 個々の大きな言語モデル (LLMs) は幻覚や矛盾に影響を受けやすい。 モデルの単純なアンサンブルは、安定的で信頼できるレコメンデーションを提供するのに失敗することが多い。 本枠組みは, 短時間臨床用ウィグレットによる薬剤推奨の信頼性向上に有効である。
• 参考スコア（独自算出の注目度）: 0.4697611383288171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As healthcare increasingly turns to AI for scalable and trustworthy clinical decision support, ensuring reliability in model reasoning remains a critical challenge. Individual large language models (LLMs) are susceptible to hallucinations and inconsistency, whereas naive ensembles of models often fail to deliver stable and credible recommendations. Building on our previous work on LLM Chemistry, which quantifies the collaborative compatibility among LLMs, we apply this framework to improve the reliability in medication recommendation from brief clinical vignettes. Our approach leverages multi-LLM collaboration guided by Chemistry-inspired interaction modeling, enabling ensembles that are effective (exploiting complementary strengths), stable (producing consistent quality), and calibrated (minimizing interference and error amplification). We evaluate our Chemistry-based Multi-LLM collaboration strategy on real-world clinical scenarios to investigate whether such interaction-aware ensembles can generate credible, patient-specific medication recommendations. Preliminary results are encouraging, suggesting that LLM Chemistry-guided collaboration may offer a promising path toward reliable and trustworthy AI assistants in clinical practice.
• Abstract（参考訳）: 医療は、スケーラブルで信頼性の高い臨床的意思決定支援のためにAIに変わりつつあるため、モデル推論の信頼性を確保することは、依然として重要な課題である。 個々の大きな言語モデル(LLM)は幻覚や一貫性に敏感であるのに対して、単純なモデルのアンサンブルは安定的で信頼性のあるレコメンデーションを提供するのに失敗する。 LLM間の協調的整合性を定量化するLCM化学に関するこれまでの研究に基づいて,本枠組みを適用し,簡単な臨床用ウィグレットから薬剤推奨の信頼性を向上させる。 提案手法は,ケミカルインスパイアされた相互作用モデリングによって導かれるマルチLLMコラボレーションを活用し,効果的(補完的強度の探索),安定(一貫した品質の生成),校正(干渉とエラー増幅の最小化)が可能なアンサンブルを実現する。 我々は,実際の臨床シナリオにおいて,化学をベースとしたマルチLLMコラボレーション戦略を評価し,このような相互作用を意識したアンサンブルが信頼性の高い患者特異的処方薬を作成できるかどうかを検討する。 LLM化学誘導型コラボレーションは、臨床実践において信頼できる信頼できるAIアシスタントへの有望な道を提供する可能性があることを示唆する予備的な結果が奨励されている。

関連論文リスト

• A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction [0.8602553195689512]
  薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 本稿では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, 文脈化学的特徴を学習する SMILES-BERT の2つの補完的な埋め込みを組み合わせる。
  論文  参考訳（メタデータ） (2025-10-08T09:55:18Z)
• Baichuan-M2: Scaling Medical Capability with Large Verifier System [40.86227022086866]
  静的解答検証を超越した,新しい動的検証フレームワークを提案する。 多段階強化学習戦略によって訓練された医療強化推論モデルBaichuan-M2を開発した。 HealthBenchでの評価では、Baichuan-M2は、他のすべてのオープンソースモデルや、最も高度なクローズドソースモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-09-02T11:23:35Z)
• Lessons Learned from Evaluation of LLM based Multi-agents in Safer Therapy Recommendation [9.84660526673816]
  本研究では,Large Language Model (LLM) を用いたマルチエージェントシステムの有用性と有用性について検討した。 我々は,MDT(Multidisciplinary Team)意思決定をシミュレーションする単一のエージェントとMASフレームワークを設計した。 我々はMAS性能を単エージェントアプローチと実世界のベンチマークと比較した。
  論文  参考訳（メタデータ） (2025-07-15T02:01:38Z)
• Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
  提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。 組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
  論文  参考訳（メタデータ） (2025-05-27T17:59:50Z)
• MedSyn: Enhancing Diagnostics with Human-AI Collaboration [19.23358929400838]
  大言語モデル(LLM)は、臨床意思決定を支援するためのツールとして有望であることを示している。 我々は、医師とLLMが多段階の対話を行い、診断と治療の決定を洗練するためのハイブリッドなヒューマンAIフレームワーク、MedSynを提案する。
  論文  参考訳（メタデータ） (2025-05-07T09:37:18Z)
• MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making [45.74980058831342]
  MDAgents(Medical Decision-making Agents)と呼ばれる新しいマルチエージェントフレームワークを導入する。 割り当てられた単独またはグループの共同作業構造は、実際の医療決定過程をエミュレートして、手元にある医療タスクに合わせて調整される。 MDAgentsは医療知識の理解を必要とするタスクに関する10のベンチマークのうち7つのベンチマークで最高のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-04-22T06:30:05Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• 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)

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。