論文の概要: PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation

• arxiv url: http://arxiv.org/abs/2603.17356v1
• Date: Wed, 18 Mar 2026 04:40:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.512787
• Title: PACE-RAG: Patient-Aware Contextual and Evidence-based Policy RAG for Clinical Drug Recommendation
• Title（参考訳）: PACE-RAG : 臨床薬剤勧告のためのコンテキストとエビデンスに基づくポリシーRAG
• Authors: Chaeyoung Huh, Hyunmin Hwang, Jung Hwan Shin, Jinse Park, Jong Chul Ye,
• Abstract要約: PACE-RAG (Patient-Aware Contextual and Evidence-based Policy RAG) は、患者個別のコンテキストを類似事例の処方傾向で合成する新しいフレームワークである。 PACE-RAGは、特定の臨床信号に合わせた治療パターンを解析することにより、最適な処方薬を特定し、説明可能な臨床概要を生成する。
• 参考スコア（独自算出の注目度）: 40.19067516813213
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug recommendation requires a deep understanding of individual patient context, especially for complex conditions like Parkinson's disease. While LLMs possess broad medical knowledge, they fail to capture the subtle nuances of actual prescribing patterns. Existing RAG methods also struggle with these complexities because guideline-based retrieval remains too generic and similar-patient retrieval often replicates majority patterns without accounting for the unique clinical nuances of individual patients. To bridge this gap, we propose PACE-RAG (Patient-Aware Contextual and Evidence-based Policy RAG), a novel framework designed to synthesize individual patient context with the prescribing tendencies of similar cases. By analyzing treatment patterns tailored to specific clinical signals, PACE-RAG identifies optimal prescriptions and generates an explainable clinical summary. Evaluated on a Parkinson's cohort and the MIMIC-IV benchmark using Llama-3.1-8B and Qwen3-8B, PACE-RAG achieved state-of-the-art performance, reaching F1 scores of 80.84% and 47.22%, respectively. These results validate PACE-RAG as a robust, clinically grounded solution for personalized decision support. Our code is available at: https://github.com/ChaeYoungHuh/PACE-RAG.
• Abstract（参考訳）: 薬物推奨は、パーキンソン病のような複雑な疾患に対して、患者個人の文脈を深く理解する必要がある。 LLMは幅広い医学知識を持っているが、実際の処方パターンの微妙なニュアンスを捉えられなかった。 既存のRAG法は、ガイドラインに基づく検索があまりにも一般的であり、類似の患者検索は、個々の患者の特異な臨床的ニュアンスを考慮せずに、多数パターンを複製することが多いため、これらの複雑さにも苦慮している。 PACE-RAG(Patient-Aware Contextual and Evidence-based Policy RAG)を提案する。 PACE-RAGは、特定の臨床信号に合わせた治療パターンを解析することにより、最適な処方薬を特定し、説明可能な臨床概要を生成する。 パーキンソンのコホートとLlama-3.1-8BとQwen3-8Bを用いたMIMIC-IVベンチマークで評価され、PACE-RAGは、それぞれ80.84%と47.22%のF1スコアに達した。 これらの結果から, PACE-RAGはパーソナライズされた意思決定支援のための堅牢で臨床的根拠のあるソリューションであると考えられた。 私たちのコードは、https://github.com/ChaeYoungHuh/PACE-RAG.comで利用可能です。

関連論文リスト

• MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval [12.265116154395434]
  MED-COPILOTは,臨床医と研修医を対象としたインタラクティブな臨床意思決定支援システムである。 このシステムはWHOとNICEのガイドラインから構造化知識グラフを構築し、効率的な検索にコミュニティレベルの要約を適用し、36,000ケースの類似患者データベースを維持している。
  論文  参考訳（メタデータ） (2026-02-28T04:32:03Z)
• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines [0.0]
  がん治療には、患者の臨床状態、医療履歴、エビデンスに基づくガイドラインに基づくパーソナライズされたアプローチが必要である。 National Comprehensive Cancer Network (NCCN) は頻繁に更新され、フローチャートや図のようなビジュアルを通して複雑なガイドラインを提供する。 我々はエージェントRAG(Retrieval-Augmented Generation)とグラフRAG(Graph-RAG)の2つのAI駆動手法を提案した。
  論文  参考訳（メタデータ） (2025-01-06T02:16:20Z)
• Development and Testing of a Novel Large Language Model-Based Clinical Decision Support Systems for Medication Safety in 12 Clinical Specialties [3.963266190903893]
  本稿では, 安全な薬剤処方をサポートするために, 臨床診断支援システム (CDSS) として, 新規な検索言語モデル (LLM) フレームワークを導入する。 本研究は、12の異なる医療・外科専門分野の23の臨床ヴィグネットに61のプリスクリプティングエラーシナリオを組み込んだ。
  論文  参考訳（メタデータ） (2024-01-29T16:03:29Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)

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。