論文の概要: Personalized Medication Planning via Direct Domain Modeling and LLM-Generated Heuristics

• arxiv url: http://arxiv.org/abs/2601.03687v1
• Date: Wed, 07 Jan 2026 08:19:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.374254
• Title: Personalized Medication Planning via Direct Domain Modeling and LLM-Generated Heuristics
• Title（参考訳）: 直接ドメインモデリングとLLM生成ヒューリスティックスによる個人化医療計画
• Authors: Yonatan Vernik, Alexander Tuisov, David Izhaki, Hana Weitman, Gal A. Kaminka, Alexander Shleyfman,
• Abstract要約: パーソナライズされた治療を生成するために使われる一般的なドメイン記述言語(pddlp)。 一般的な検索は、医師との密接な作業を可能にするレベルまで、医薬品計画のスケールアップに使用されていた。 その結果、カバー範囲と計画時間を大幅に改善し、医薬品の数を少なくとも28に増やし、医薬品計画が実用化に一歩近づいたことが示唆された。
• 参考スコア（独自算出の注目度）: 69.68947055238557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized medication planning involves selecting medications and determining a dosing schedule to achieve medical goals specific to each individual patient. Previous work successfully demonstrated that automated planners, using general domain-independent heuristics, are able to generate personalized treatments, when the domain and problems are modeled using a general domain description language (\pddlp). Unfortunately, this process was limited in practice to consider no more than seven medications. In clinical terms, this is a non-starter. In this paper, we explore the use of automatically-generated domain- and problem-specific heuristics to be used with general search, as a method of scaling up medication planning to levels allowing closer work with clinicians. Specifically, we specify the domain programmatically (specifying an initial state and a successor generation procedure), and use an LLM to generate a problem specific heuristic that can be used by a fixed search algorithm (GBFS). The results indicate dramatic improvements in coverage and planning time, scaling up the number of medications to at least 28, and bringing medication planning one step closer to practical applications.
• Abstract（参考訳）: パーソナライズド・メディカル・プランニング(Personalized Drug planning)は、各患者固有の医療目標を達成するために、薬の選択と投薬スケジュールの決定を含む。 これまでの研究は、ドメイン記述言語(\pddlp)を用いてドメインと問題がモデル化された場合、一般的なドメイン非依存のヒューリスティックを使って自動プランナーがパーソナライズされた治療を生成できることを示した。 残念なことに、このプロセスは実際には7薬しか考慮しないよう制限されていた。 臨床的には、これは出発点ではない。 本稿では,臨床医との密接な連携が可能なレベルまで薬剤計画のスケールアップ方法として,一般探索で使用されるドメインと問題固有のヒューリスティックの自動生成手法について検討する。 具体的には、ドメインをプログラム的に指定し(初期状態と後継生成手順を指定する)、固定探索アルゴリズム(GBFS)で使用可能な問題固有のヒューリスティックを生成するためにLLMを使用する。 その結果、カバー範囲と計画時間を大幅に改善し、医薬品の数を少なくとも28に増やし、医薬品計画が実用化に一歩近づいたことが示唆された。

関連論文リスト

• Demo: Generative AI helps Radiotherapy Planning with User Preference [8.699769678493807]
  本稿では,ユーザ定義の嗜好味のみに基づいて3次元線量分布を予測する新しい生成モデルを提案する。 これらの選好により、プランナーは、オルガン・アット・リスク(OAR)とプランニングターゲットボリューム(PTV)の間の特定のトレードオフを優先順位付けできる。
  論文  参考訳（メタデータ） (2025-12-08T16:49:21Z)
• Zero-Shot Large Language Model Agents for Fully Automated Radiotherapy Treatment Planning [14.814676057920067]
  大規模言語モデル(LLM)ベースのエージェントは、強度変調放射線治療(IMRT)のための逆処理計画を立てる エージェントの意思決定プロセスは、現在の観察と以前の最適化の試みと評価によって通知される。 本研究では、商用TPSにおける自動IMRT処理計画のためのゼロショットLLM駆動ワークフローの実現可能性を示す。
  論文  参考訳（メタデータ） (2025-10-12T19:21:21Z)
• Scaling Multi-Agent Epistemic Planning through GNN-Derived Heuristics [0.9786469751894747]
  マルチエージェント・エピステミック・プランニング(Multi-agent Epistemic Planning、MEP)は、物理的世界とエージェントの信念の両方を推論するための自律的な計画フレームワークである。 MEPでは、状態はKripke構造、すなわち有向ラベル付きグラフとして表現する必要がある。 我々は、グラフニューラルネットワーク(GNN)を用いて、てんかん状態のパターンや関係構造を学習し、計画プロセスの導出を行う。
  論文  参考訳（メタデータ） (2025-08-18T11:26:20Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• Learning adaptive planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• A feasibility study of a hyperparameter tuning approach to automated inverse planning in radiotherapy [68.8204255655161]
  本研究の目的は,計画品質を保ちながら,逆計画プロセスを自動化し,積極的な計画時間を短縮することである。 本研究では, 線量パラメータの選択, ランダムおよびベイズ探索法, ユーティリティ関数形式が計画時間と計画品質に及ぼす影響について検討した。 100個のサンプルを用いて良好な計画品質が得られ、平均計画時間は2.3時間であった。
  論文  参考訳（メタデータ） (2021-05-14T18:37:00Z)

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。