論文の概要: ClinNoteAgents: An LLM Multi-Agent System for Predicting and Interpreting Heart Failure 30-Day Readmission from Clinical Notes

• arxiv url: http://arxiv.org/abs/2512.07081v1
• Date: Mon, 08 Dec 2025 01:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.671335
• Title: ClinNoteAgents: An LLM Multi-Agent System for Predicting and Interpreting Heart Failure 30-Day Readmission from Clinical Notes
• Title（参考訳）: ClinNoteAgents: 臨床ノートから30日間の心不全を予測・解釈するLLMマルチエージェントシステム
• Authors: Rongjia Zhou, Chengzhuo Li, Carl Yang, Jiaying Lu,
• Abstract要約: 心不全(Heart failure, HF)は、アメリカ合衆国における高齢者のリハビリテーションにおける主要な原因の1つである。 HFの可読性に関する伝統的な計算モデルは、しばしば専門家が作成した規則、医療論文、臨床論文の解釈に頼っている。 ClinNoteAgentsは、フリーテキスト臨床ノートを臨床および社会的リスク因子の構造的表現に変換するLLMベースのマルチエージェントフレームワークである。
• 参考スコア（独自算出の注目度）: 11.536463647565794
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Heart failure (HF) is one of the leading causes of rehospitalization among older adults in the United States. Although clinical notes contain rich, detailed patient information and make up a large portion of electronic health records (EHRs), they remain underutilized for HF readmission risk analysis. Traditional computational models for HF readmission often rely on expert-crafted rules, medical thesauri, and ontologies to interpret clinical notes, which are typically written under time pressure and may contain misspellings, abbreviations, and domain-specific jargon. We present ClinNoteAgents, an LLM-based multi-agent framework that transforms free-text clinical notes into (1) structured representations of clinical and social risk factors for association analysis and (2) clinician-style abstractions for HF 30-day readmission prediction. We evaluate ClinNoteAgents on 3,544 notes from 2,065 patients (readmission rate=35.16%), demonstrating strong performance in extracting risk factors from free-text, identifying key contributing factors, and predicting readmission risk. By reducing reliance on structured fields and minimizing manual annotation and model training, ClinNoteAgents provides a scalable and interpretable approach to note-based HF readmission risk modeling in data-limited healthcare systems.
• Abstract（参考訳）: 心不全(Heart failure, HF)は、アメリカ合衆国における高齢者のリハビリテーションにおける主要な原因の1つである。 臨床ノートには、豊富な詳細な患者情報が含まれており、電子健康記録(EHR)の大部分を構成しているが、HF寛解リスク分析には未使用のままである。 HFの可読性に関する伝統的な計算モデルは、しばしば専門的な規則、医学的テザウリ、オントロジーに頼って臨床ノートを解釈するが、これは典型的には時間的圧力で書かれ、誤記、略語、ドメイン固有の用語を含んでいる。 ClinNoteAgents, LLMをベースとしたマルチエージェントフレームワークで, フリーテキスト臨床ノートを(1) 関連分析のための臨床・社会リスク因子の構造的表現, (2) HF30日間の寛解予測のための臨床スタイルの抽象化に変換する。 ClinNoteAgents on 3,544 notes from 2,065 patients (readmission rate=35.16%)。 ClinNoteAgentsは、構造化されたフィールドへの依存を減らし、手動のアノテーションとモデルトレーニングを最小化することによって、データ制限型医療システムにおけるノートベースのHFリードミッションリスクモデリングに対するスケーラブルで解釈可能なアプローチを提供する。

関連論文リスト

• When Curiosity Signals Danger: Predicting Health Crises Through Online Medication Inquiries [40.12543056558646]
  本研究は,オンラインフォーラムから抽出した薬物関連質問の注釈付きデータセットについて紹介する。 各エントリは、臨床リスク要因に基づいた臨界度を手動でラベル付けする。 結果は、リアルタイムトリアージとアラートシステムをサポートする古典的および近代的な手法の可能性を強調している。
  論文  参考訳（メタデータ） (2025-09-15T11:31:25Z)
• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
  本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。 MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
  論文  参考訳（メタデータ） (2025-07-15T07:32:16Z)
• GEMA-Score: Granular Explainable Multi-Agent Scoring Framework for Radiology Report Evaluation [7.838068874909676]
  Granular Explainable Multi-Agent Score (GEMA-Score)は、大規模言語モデルに基づくマルチエージェントワークフローを通じて、客観的および主観的評価を行う。 GEMA-Scoreは、公開データセット上での人間の専門家評価と最も高い相関を達成している。
  論文  参考訳（メタデータ） (2025-03-07T11:42:22Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• HELIOT: LLM-Based CDSS for Adverse Drug Reaction Management [3.2627279988912194]
  ヘリオット(Heliot)は、薬物反応管理のための革新的な臨床診断支援システムである。 LLM(Large Language Models)と総合的な医薬データリポジトリを統合することで、フリーテキストの臨床情報を処理します。 Heliotは、過去の患者固有の薬剤耐性から学び、偽の警告を減らすことで、よりニュアンスで文脈的に有害な薬物イベント警告を可能にする。
  論文  参考訳（メタデータ） (2024-09-24T18:55:10Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Label-dependent and event-guided interpretable disease risk prediction using EHRs [8.854691034104071]
  本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。 我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。 臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
  論文  参考訳（メタデータ） (2022-01-18T07:24:28Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)

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。