論文の概要: Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis
- arxiv url: http://arxiv.org/abs/2604.02678v1
- Date: Fri, 03 Apr 2026 03:18:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.299291
- Title: Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis
- Title（参考訳）: Eligibility-Aware Evidence Synthesis: A Agentic Framework for Clinical Trial Meta-Analysis
- Authors: Yao Zhao, Zhiyue Zhang, Yanxun Xu,
- Abstract要約: EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。
フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
- 参考スコア（独自算出の注目度）: 49.83108591873481
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical evidence synthesis requires identifying relevant trials from large registries and aggregating results that account for population differences. While recent LLM-based approaches have automated components of systematic review, they do not support end-to-end evidence synthesis. Moreover, conventional meta-analysis weights studies by statistical precision without considering clinical compatibility reflected in eligibility criteria. We propose EligMeta, an agentic framework that integrates automated trial discovery with eligibility-aware meta-analysis, translating natural-language queries into reproducible trial selection and incorporating eligibility alignment into study weighting to produce cohort-specific pooled estimates. EligMeta employs a hybrid architecture separating LLM-based reasoning from deterministic execution: LLMs generate interpretable rules from natural-language queries and perform schema-constrained parsing of trial metadata, while all logical operations, weight computations, and statistical pooling are executed deterministically to ensure reproducibility. The framework structures eligibility criteria and computes similarity-based study weights reflecting population alignment between target and comparator trials. In a gastric cancer landscape analysis, EligMeta reduced 4,044 candidate trials to 39 clinically relevant studies through rule-based filtering, recovering all 13 guideline-cited trials. In an olaparib adverse events meta-analysis across four trials, eligibility-aware weighting shifted the pooled risk ratio from 2.18 (95% CI: 1.71-2.79) under conventional Mantel-Haenszel estimation to 1.97 (95% CI: 1.76-2.20), demonstrating quantifiable impact of incorporating eligibility alignment. EligMeta bridges automated trial discovery with eligibility-aware meta-analysis, providing a scalable and reproducible framework for evidence synthesis in precision medicine.
- Abstract（参考訳）: 臨床的エビデンス合成には、大規模な登録から関連する臨床試験を特定し、人口差を考慮に入れた集計結果が必要である。
最近のLCMベースのアプローチでは、体系的なレビューの自動化されたコンポーネントがあるが、エンドツーエンドのエビデンス合成はサポートしていない。
さらに, 診断基準に反映される臨床適合性を考慮せずに, 統計的精度による従来のメタアナリシス重量測定を行った。
提案するエージェントフレームワークであるEligMetaは,自動試行発見とメタアナリシスを統合し,自然言語クエリを再現可能な試行選択に変換するとともに,学習重み付けに適応してコホート固有のプール推定値を生成する。
LLMは自然言語クエリから解釈可能なルールを生成し、トライアルメタデータのスキーマ制約付きパーシングを実行する一方、全ての論理演算、重み計算、統計プーリングは、再現性を確保するために決定的に実行される。
フレームワークは、目標とコンパレータ間の人口配置を反映した類似度に基づく研究重量を計算し、適性基準を構造化する。
胃癌のランドスケープ分析では、EligMetaは4,044の候補試験をルールベースのフィルタリングによって39の臨床的研究に減らし、13のガイドラインに刺激された治験をすべて回収した。
4回の試験において、オラパリブによるメタアナリシス(メタアナリシス)は、従来のマンテル・ヘンツェル推定では2.18 (95% CI: 1.71-2.79) から1.97 (95% CI: 1.76-2.20) にシフトした。
EligMetaは、資格を意識したメタ分析による自動トライアル発見を橋渡しし、精密医療におけるエビデンス合成のためのスケーラブルで再現可能なフレームワークを提供する。
関連論文リスト
- PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - A Multi-Agent Framework for Medical AI: Leveraging Fine-Tuned GPT, LLaMA, and DeepSeek R1 for Evidence-Based and Bias-Aware Clinical Query Processing [0.4349324020366305]
大規模言語モデル(LLM)は、医療問題に対する回答を約束するが、臨床的使用は、弱い検証、不十分な証拠の根拠、信頼できない信頼のシグナルによって制限される。
本稿では,補完的なLCMとエビデンス検索,不確実性推定,バイアスチェックを組み合わせて回答信頼性を向上させるマルチエージェント医療QAフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-15T14:17:27Z) - IV Co-Scientist: Multi-Agent LLM Framework for Causal Instrumental Variable Discovery [61.15184885636171]
内因性変数と結果との相同性の存在下では、インストゥルメンタル変数(IVs)を用いて内因性変数の因果効果を分離する。
大規模言語モデル(LLM)がこの課題に有効かどうかを検討する。
本稿では,多エージェントシステムであるIV Co-Scientistを紹介する。
論文 参考訳（メタデータ） (2026-02-08T12:28:29Z) - A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。
ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。
本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T18:48:21Z) - Impact of clinical decision support systems (cdss) on clinical outcomes and healthcare delivery in low- and middle-income countries: protocol for a systematic review and meta-analysis [0.269220799495636]
臨床診断支援システム (CDSS) は, 臨床およびサービス成績の改善に用いられているが, 低所得国 (LMIC) からの証拠は分散している。
本プロトコルは,CDSSがLMICの患者および医療提供成果に与える影響を定量化する手法を概説する。
論文 参考訳（メタデータ） (2025-10-27T06:38:30Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳（メタデータ） (2025-10-11T16:24:35Z) - TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。
微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。
現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
論文 参考訳（メタデータ） (2025-05-13T12:39:06Z) - Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。
本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。
このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
論文 参考訳（メタデータ） (2025-03-06T18:35:39Z) - Automatically Extracting Numerical Results from Randomized Controlled Trials with Large Language Models [19.72316842477808]
我々は,現代の大規模言語モデル (LLM) がこのタスクを確実に実行できるかを評価する。
長い入力を許容できる大規模なLSMは、完全に自動メタ分析を実現するために、微妙に近い。
論文 参考訳（メタデータ） (2024-05-02T19:20:11Z)
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。