論文の概要: A Non-Destructive Methodological Framework for Modernizing Legacy Clinical Reporting Systems for AI-Driven Pharmacoinformatics: A SAS Case Study

• arxiv url: http://arxiv.org/abs/2605.13905v1
• Date: Wed, 13 May 2026 01:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.40803
• Title: A Non-Destructive Methodological Framework for Modernizing Legacy Clinical Reporting Systems for AI-Driven Pharmacoinformatics: A SAS Case Study
• Title（参考訳）: AI駆動薬理情報学のためのレガシー臨床報告システムの近代化のための非破壊的方法論的枠組み--SASの事例研究
• Authors: Jaime Yan,
• Abstract要約: 薬物開発と薬物移動は、レガシーな臨床報告パイプラインによってしばしばボトルネックとなる。 既存の近代化アプローチでは、完全な書き換えと漸進的な近代化を選択せざるを得ない。 我々は、レガシーソースコードを変更することなく、AI駆動の薬理情報処理の即応性を実現する非破壊的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug development and pharmacovigilance are frequently bottlenecked by legacy clinical reporting pipelines. These monolithic systems encode regulatory-grade logic but resist AI integration by producing opaque output with no machine-readable intermediate layer. Existing modernization approaches force a choice between full rewrites and incremental refactoring that preserves structural barriers. We present a non-destructive methodological framework achieving AI-driven pharmacoinformatics readiness without altering legacy source code. A metadata layer--comprising a bridge map, a typed Intermediate Representation (IR), and an orchestrator--wraps existing components and re-exposes their outputs as structured data consumable by LLMs. It enables optional incremental consolidation, replacing selected legacy components with metadata-configured core routines while the remainder operates unchanged. Validated on a 558-component SAS reporting library (373,000 lines of code), the framework demonstrated immediate AI-readiness under coexistence mode, yielding machine-readable output. Where consolidation was elected, the modernized core achieved a 92% reduction in proprietary code. Parity validation on 14 report types from a Phase III study achieved cell-level parity of 80% or above on 11 reports (mean 82.7%, best 99.2%). A benchmark using CDISC CDISCPilot01 data achieved 100% parity across 5 reports. LLM experiments confirmed the IR enables automated pharmacovigilance, table summarization, and trial configuration generation. The framework offers a regulation-aware path to AI-integrated clinical reporting, accelerating drug development without interrupting regulatory submissions.
• Abstract（参考訳）: 薬物開発と薬物移動は、レガシーな臨床報告パイプラインによってしばしばボトルネックとなる。 これらのモノリシックシステムは、規制グレードのロジックをエンコードするが、機械可読中間層を持たない不透明な出力を生成してAI統合に抵抗する。 既存の近代化アプローチは、完全な書き直しと、構造的な障壁を保存するインクリメンタルリファクタリングの選択肢を強制します。 本稿では,従来のソースコードを変更することなく,AIによる医薬情報処理の即応性を実現するための非破壊的方法論フレームワークを提案する。 ブリッジマップを構成するメタデータ層、型付き中間表現(IR)、およびオーケストレータが既存のコンポーネントをラップし、LLMが消費する構造化データとして出力を再出力する。 オプションでインクリメンタルな統合が可能になり、選択されたレガシーコンポーネントをメタデータ設定されたコアルーチンに置き換える。 558コンポーネントのSASレポートライブラリ(373,000行のコード)で検証されたこのフレームワークは、共存モード下で即時AI対応性を示し、マシン可読出力を得た。 統合が選ばれた際、近代化されたコアはプロプライエタリコードの92%の削減を達成した。 第III相調査による14種類の報告のパリティ検証は、11回の報告(平均82.7%、最高99.2%)で80%以上の細胞レベルのパリティを達成した。 CDISC CDISCPilot01データを用いたベンチマークは、5つのレポートで100%パリティを達成した。 LLM実験により、IRは自動薬物移動、テーブル要約、試薬構成生成を可能にした。 このフレームワークは、AI統合された臨床報告への規制を意識したパスを提供し、規制申請を中断することなく、薬物開発を加速する。

関連論文リスト

• STaR-DRO: Stateful Tsallis Reweighting for Group-Robust Structured Prediction [0.20165644958637055]
  制御可能な推論と堅牢な微調整のための2部フレームワークを提案する。 まず、フォーマットのドリフト、ラベルの曖昧さ、エビデンス幻覚、メタデータ条件の混乱に対処するためのタスクに依存しないプロンプト戦略を導入する。 第2に,グループ不均一性のステートフルなロバスト最適化手法STaR-DROを導入する。
  論文  参考訳（メタデータ） (2026-04-09T21:58:42Z)
• DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
  DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。 私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。 以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
  論文  参考訳（メタデータ） (2026-04-01T23:37:58Z)
• Needle in the Repo: A Benchmark for Maintainability in AI-Generated Repository Edits [3.9532936038777144]
  Needle in the Repo (NITR) は、リポジトリの動作的に正しい編集が維持可能な構造を保存するかどうかを評価するためのフレームワークである。 NITRは、ソフトウェアエンジニアリングの知恵を、小さな、現実的なマルチファイルに埋め込まれた制御されたプローブに蒸留する。 GPT、Claude、Gemini、Qwenの各ファミリーの23のコーディング構成を、直接推論とエージェントベースの設定の両方で評価する。
  論文  参考訳（メタデータ） (2026-03-29T15:56:05Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Architecture-Aware Multi-Design Generation for Repository-Level Feature Addition [53.50448142467294]
  RAIMは、リポジトリレベルの機能追加のための、多設計およびアーキテクチャ対応のフレームワークである。 複数の多様な実装設計を生成することで、線形パッチから切り離される。 NoCode-bench Verifiedデータセットの実験では、RAIMが新しい最先端のパフォーマンスを確立することが示されている。
  論文  参考訳（メタデータ） (2026-03-02T12:50:40Z)
• MedVerse: Efficient and Reliable Medical Reasoning via DAG-Structured Parallel Execution [63.128360383691295]
  複雑な医学推論のための推論フレームワークであるMedVerseを提案する。 データ作成には、知識に基づく医学推論経路を合成するMedVerse Curatorを導入する。 我々は、追加のオーバーヘッドを伴わずに並列実行をサポートするカスタマイズされた推論エンジンを開発した。
  論文  参考訳（メタデータ） (2026-02-07T12:54:01Z)
• From Completion to Editing: Unlocking Context-Aware Code Infilling via Search-and-Replace Instruction Tuning [81.97788535387286]
  本稿では,エージェントによる検証・編集機構を統一された単一パス推論プロセスに内部化するフレームワークを提案する。 最小限のデータで、SRI-Coderは、ChatモデルがBaseモデルの完了性能を上回ることができる。 FIMスタイルのチューニングとは異なり、SRIは一般的なコーディング能力を保持し、標準のFIMに匹敵する推論遅延を維持する。
  論文  参考訳（メタデータ） (2026-01-19T20:33:53Z)
• QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
  大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。 本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。 LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T03:20:26Z)

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。