論文の概要: Using reasoning LLMs to extract SDOH events from clinical notes

• arxiv url: http://arxiv.org/abs/2604.13502v1
• Date: Wed, 15 Apr 2026 05:40:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.399328
• Title: Using reasoning LLMs to extract SDOH events from clinical notes
• Title（参考訳）: LLMを用いた臨床ノートからのSDOHイベント抽出
• Authors: Ertan Doganl, Kunyu Yu, Yifan Peng,
• Abstract要約: 健康の社会的決定要因(英: Social Determinants of Health、SDOH)とは、個人の生活、労働、年齢に影響を及ぼす環境、行動、社会的条件のことである。 SDOH情報は、主に電子健康記録内の非構造化臨床ノートに記録されている。
• 参考スコア（独自算出の注目度）: 8.766591541265745
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social Determinants of Health (SDOH) refer to environmental, behavioral, and social conditions that influence how individuals live, work, and age. SDOH have a significant impact on personal health outcomes, and their systematic identification and management can yield substantial improvements in patient care. However, SDOH information is predominantly captured in unstructured clinical notes within electronic health records, which limits its direct use as machine-readable entities. To address this issue, researchers have employed Natural Language Processing (NLP) techniques using pre-trained BERT-based models, demonstrating promising performance but requiring sophisticated implementation and extensive computational resources. In this study, we investigated prompt engineering strategies for extracting structured SDOH events utilizing LLMs with advanced reasoning capabilities. Our method consisted of four modules: 1) developing concise and descriptive prompts integrated with established guidelines, 2) applying few-shot learning with carefully curated examples, 3) using a self-consistency mechanism to ensure robust outputs, and 4) post-processing for quality control. Our approach achieved a micro-F1 score of 0.866, demonstrating competitive performance compared to the leading models. The results demonstrated that LLMs with reasoning capabilities are effective solutions for SDOH event extraction, offering both implementation simplicity and strong performance.
• Abstract（参考訳）: 健康の社会的決定要因(英: Social Determinants of Health、SDOH)とは、個人の生活、労働、年齢に影響を及ぼす環境、行動、社会的条件のことである。 SDOHは、個人の健康上の結果に大きな影響を与え、その体系的な識別と管理は、患者のケアにおいて実質的な改善をもたらす可能性がある。 しかし、SDOH情報は、主に電子健康記録の非構造化臨床ノートに記録されており、機械可読性エンティティとしての使用を制限している。 この問題に対処するために、研究者は、事前訓練されたBERTベースのモデルを使用して自然言語処理(NLP)技術を採用し、有望な性能を示す一方で、高度な実装と広範な計算資源を必要としている。 本研究では,高度な推論能力を有するLSMを用いた構造化SDOHイベントの抽出手法について検討した。 我々の方法は4つのモジュールから構成されていた。 1)確立されたガイドラインと統合された簡潔かつ説明的なプロンプトの開発。 2 丁寧に校正した例で、少人数の学習を施すこと。 3 自己整合性機構を用いて、堅実な出力を確保すること。 4) 品質管理のための後処理。 提案手法はマイクロF1スコアの0.866を達成し,上位モデルと比較して競合性能を示した。 その結果,SDOHイベント抽出において,推論能力を持つLLMが有効な解であり,実装の単純さと性能の両立が実証された。

関連論文リスト

• Training LLMs for EHR-Based Reasoning Tasks via Reinforcement Learning [28.019558492081437]
  検証可能な報酬付き強化学習(RLVR)を用いて,大規模言語モデル(LLM)を複雑な臨床推論タスクに適用するための実践的レシピを提案する。 医療計算(MEDCALC)、患者と臨床の整合性(TREC CLINICAL TRIALS)、疾患診断(EHRSHOT)など,様々な臨床応用における本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-05-30T01:13:22Z)
• Case-Based Reasoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction [34.63988064222427]
  CBR-DDIは、歴史的事例から薬理学の原則を抽出し、DDIタスクを改善する新しい枠組みである。 CBR-DDIは、LLMを利用して薬理学的洞察とグラフニューラルネットワーク(GNN)を抽出し、薬物関連をモデル化する知識リポジトリを構築している。 大規模な実験により、CBR-DDIは最先端のパフォーマンスを実現し、精度は28.7%向上した。
  論文  参考訳（メタデータ） (2025-05-29T03:20:53Z)
• 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)
• Evaluating LLM Abilities to Understand Tabular Electronic Health Records: A Comprehensive Study of Patient Data Extraction and Retrieval [1.986227187900497]
  我々はMIMICデータセットを用いて実験を行い、素早い構造、命令、文脈、実演の影響を探索する。 その結果,最適特徴選択とシリアライズ手法はタスク性能を最大26.79%向上させることができた。 実例選択によるインコンテキスト学習では,データ抽出性能が5.95%向上した。
  論文  参考訳（メタデータ） (2025-01-16T08:52:50Z)
• Large Language Models Powered Multiagent Ensemble for Mitigating Hallucination and Efficient Atrial Fibrillation Annotation of ECG Reports [10.319249991495004]
  本研究では,LLMを用いたマルチエージェントアンサンブル法を導入し,幻覚とデータラベリングの課題に対処する。 アンサンブルLLMと自然言語処理を用いて、推定精度98.2%の623,566ECGのMIMIC-IV ECGデータセットをラベル付けした。 我々は,1,405EHR臨床ノートの社会史セクションからSDOHを同定するために,アンサンブルLLMs法を適用し,競争性能も向上した。
  論文  参考訳（メタデータ） (2024-10-21T22:12:00Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。