論文の概要: EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews
- arxiv url: http://arxiv.org/abs/2604.14165v1
- Date: Mon, 23 Mar 2026 22:36:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-19 19:09:11.69108
- Title: EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews
- Title（参考訳）: EviSearch: システムレビューのための臨床エビデンスを抽出・監査するループシステム
- Authors: Naman Ahuja, Saniya Mulla, Muhammad Ali Khan, Zaryab Bin Riaz, Kaneez Zahra Rubab Khakwani, Mohamad Bassam Sonbol, Irbaz Bin Riaz, Vivek Gupta,
- Abstract要約: EviSearchは臨床エビデンステーブルのためのマルチエージェント抽出システムである。
パイプラインはマルチモーダルエビデンスソース間の高精度抽出のために設計されている。
EviSearchは、生きた体系的なレビューを加速し、手作業によるキュレーションの負担を軽減し、LCMベースの抽出をエビデンス合成パイプラインに統合するための安全で監査可能なパスを提供することを目的としている。
- 参考スコア（独自算出の注目度）: 7.325762712182949
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present EviSearch, a multi-agent extraction system that automates the creation of ontology-aligned clinical evidence tables directly from native trial PDFs while guaranteeing per-cell provenance for audit and human verification. EviSearch pairs a PDF-query agent (which preserves rendered layout and figures) with a retrieval-guided search agent and a reconciliation module that forces page-level verification when agents disagree. The pipeline is designed for high-precision extraction across multimodal evidence sources (text, tables, figures) and for generating reviewer-actionable provenance that clinicians can inspect and correct. On a clinician-curated benchmark of oncology trial papers, EviSearch substantially improves extraction accuracy relative to strong parsed-text baselines while providing comprehensive attribution coverage. By logging reconciler decisions and reviewer edits, the system produces structured preference and supervision signals that bootstrap iterative model improvement. EviSearch is intended to accelerate living systematic review workflows, reduce manual curation burden, and provide a safe, auditable path for integrating LLM-based extraction into evidence synthesis pipelines.
- Abstract（参考訳）: EviSearchは,ネイティブトライアルPDFから直接オントロジーを基準とした臨床エビデンス表の作成を自動化するマルチエージェント抽出システムである。
EviSearchはPDFクエリエージェント(レイアウトと図形を保存する)と検索誘導検索エージェントと、エージェントが同意しない場合にページレベルの検証を強制する調整モジュールをペアにしている。
このパイプラインは、マルチモーダルなエビデンスソース(テキスト、表、図)にわたる高精度な抽出と、臨床医が検査し修正できるレビューアアクション可能な証明を生成するために設計されている。
EviSearchは,臨床医による腫瘍学試験論文のベンチマークにおいて,強い解析文ベースラインに対する抽出精度を著しく向上し,包括的属性カバレッジを提供する。
コンシラーの決定とレビュアーの編集をロギングすることで、システムは構造化された好みと監視信号を生成し、反復モデルの改善をブートストラップする。
EviSearchは、生きた体系的なレビューワークフローを加速し、手作業によるキュレーションの負担を軽減し、LCMベースの抽出をエビデンス合成パイプラインに統合するための安全で監査可能なパスを提供することを目的としている。
関連論文リスト
- Automated Auditing of Hospital Discharge Summaries for Care Transitions [2.1443570696048906]
大規模言語モデル(LLM)を用いた退院サマリーの大規模監査のためのフレームワークを提案する。
提案手法は, コア・オブ・ケア要件を, DISCHARGEDフレームワークに基づく質問の構造化された検証チェックリストとして運用する。
この研究は、スケーラブルで自動化された臨床監査の実現可能性を示し、電子健康記録文書の体系的な品質改善の基礎を提供する。
論文 参考訳（メタデータ） (2026-04-07T05:04:00Z) - UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。
メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。
サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。
メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
論文 参考訳（メタデータ） (2026-03-11T15:03:52Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - Inference-Time Scaling of Verification: Self-Evolving Deep Research Agents via Test-Time Rubric-Guided Verification [71.98473277917962]
近年のDeep Research Agents (DRA) の進歩は、自動知識発見と問題解決に変化をもたらしている。
本稿では,政策モデルのアウトプットを反復的に検証することで,エージェントの能力を自己進化させる手法を提案する。
検証の非対称性を生かしたルーブリックスに基づく結果報酬検証器であるDeepVerifierを提案する。
論文 参考訳（メタデータ） (2026-01-22T09:47:31Z) - From Chaos to Clarity: Schema-Constrained AI for Auditable Biomedical Evidence Extraction from Full-Text PDFs [2.136797327390818]
既存のドキュメントAIシステムは、OCRエラー、長期文書の断片化、制限されたスループット、ハイテイク合成のための監査性に制限されている。
本稿では,フルテキストのバイオメディカルPDFを構造化された解析可能なレコードに変換する,スキーマ制約付きAI抽出システムを提案する。
論文 参考訳（メタデータ） (2025-12-31T00:43:53Z) - Leveraging LLMs for Structured Data Extraction from Unstructured Patient Records [0.0]
手動チャートのレビューは、臨床研究において非常に時間がかかり、資源集約的な要素である。
局所展開型大規模言語モデル(LLM)を利用した臨床ノートからの自動特徴抽出のためのフレームワークを提案する。
このフレームワークは、手動のチャートレビューの負担を軽減し、データキャプチャの一貫性を向上させるLLMシステムの可能性を示す。
論文 参考訳（メタデータ） (2025-12-03T14:10:12Z) - Retrieval is Not Enough: Enhancing RAG Reasoning through Test-Time Critique and Optimization [58.390885294401066]
Retrieval-augmented Generation (RAG) は知識基底型大規模言語モデル(LLM)を実現するためのパラダイムとして広く採用されている。
RAGパイプラインは、モデル推論が得られた証拠と整合性を維持するのに失敗することが多く、事実上の矛盾や否定的な結論につながる。
批判駆動アライメント(CDA)に基づく新しい反復的枠組みであるAlignRAGを提案する。
AlignRAG-autoは、動的に洗練を終了し、批判的な反復回数を事前に指定する必要がなくなる自律的な変種である。
論文 参考訳（メタデータ） (2025-04-21T04:56:47Z) - 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) - Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳（メタデータ） (2023-05-23T08:38:33Z) - Sent2Span: Span Detection for PICO Extraction in the Biomedical Text
without Span Annotations [17.480599429324155]
臨床試験記事からの人口、介入、比較、アウトカム(PICO)情報は、体系的なレビューに自動的に治験を割り当てる効果的な方法であるかもしれない。
本稿では,クラウドソース型文レベルのアノテーションのみを用いたPICOスパン検出手法を提案する。
2つのデータセットの実験により、PICOのスパン検出結果が完全に教師付きされた手法よりもはるかに高いリコール結果が得られることが示された。
論文 参考訳（メタデータ） (2021-09-06T06:14:49Z)
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。