論文の概要: SafeRx-Agent: A Knowledge-Grounded Multi-Agent Framework for Safe and Explainable Medication Recommendation
- arxiv url: http://arxiv.org/abs/2605.29146v1
- Date: Wed, 27 May 2026 22:15:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:55.542973
- Title: SafeRx-Agent: A Knowledge-Grounded Multi-Agent Framework for Safe and Explainable Medication Recommendation
- Title（参考訳）: SafeRx-Agent: 安全で説明可能な医療勧告のための知識集約型マルチエージェントフレームワーク
- Authors: Xinyu Wang, Hanwei Wu, Zhenghan Tai, Sicheng Lyu, Qincheng Lu, Ziyu Zhao, Jijun Chi, Jingrui Tian, Xiao-Wen Chang, Ziyang Song,
- Abstract要約: 患者コンテキスト,外部臨床知識,安全性検証を用いて,追跡可能な薬剤セットを推奨する知識基盤型マルチエージェントフレームワークであるSafeRx-Agentを提案する。
MIMIC-IIIおよびMIMIC-IVデータセットによる実験結果から、SafeRx-Agentは薬物相互作用、禁忌、医薬品セットサイズを制御しながら、きめ細かい薬物の予測精度を向上させることが示された。
- 参考スコア（独自算出の注目度）: 12.70587762578296
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medication recommendation predicts medications for patient visits, but existing methods still face two key challenges. At the model level, traditional drug recommendation methods only predict structured drug codes with limited evidence grounding, while LLM agents can use richer clinical context but may lack safety verification and traceability. At the task level, existing benchmarks often use broad medication categories, which ignore subgroup-level safety differences and can lead to risk overestimation. We introduce the first fine-grained medication recommendation setting based on fourth-level ATC code generation. We propose Safe Prescription Agent (SafeRx-Agent), a knowledge-grounded multi-agent framework that uses patient context, external clinical knowledge, and safety verification to recommend traceable medication sets. Experimental results on MIMIC-III and MIMIC-IV datasets show that SafeRx-Agent improves fine-grained medication prediction accuracy while controlling drug interactions, contraindications, and medication set size.
- Abstract（参考訳）: 治療勧告は、患者訪問のための薬剤を予測するが、既存の方法は2つの重要な課題に直面している。
モデルレベルでは、従来の薬物レコメンデーション法は、限られた証拠を根拠とした構造化された薬物コードのみを予測するが、LSMエージェントはよりリッチな臨床コンテキストを使用することができるが、安全性の検証やトレーサビリティに欠ける可能性がある。
タスクレベルでは、既存のベンチマークでは、サブグループレベルの安全性の違いを無視し、リスク過大評価につながるような、広範囲な薬物カテゴリが使用されることが多い。
本研究では,第4レベルのATCコード生成に基づく医薬推奨設定について紹介する。
患者コンテキスト,外部臨床知識,安全性検証を用いて,追跡可能な薬剤セットを推薦する知識基盤型マルチエージェントフレームワークであるSafeRx-Agentを提案する。
MIMIC-IIIおよびMIMIC-IVデータセットによる実験結果から、SafeRx-Agentは薬物相互作用、禁忌、医薬品セットサイズを制御しながら、きめ細かい薬物の予測精度を向上させることが示された。
関連論文リスト
- RxSafeBench: Identifying Medication Safety Issues of Large Language Models in Simulated Consultation [19.41567007880886]
大規模言語モデル(LLM)は多様な医療タスクにおいて顕著な進歩を遂げた。
しかし、それらの医薬品の安全性に関する研究は、現実世界のデータセットが不足しているため、依然として限られている。
臨床相談をシミュレートし,評価し,LSMの薬剤安全性を体系的に評価する枠組みを提案する。
論文 参考訳（メタデータ） (2025-11-06T12:56:34Z) - Lessons Learned from Evaluation of LLM based Multi-agents in Safer Therapy Recommendation [9.84660526673816]
本研究では,Large Language Model (LLM) を用いたマルチエージェントシステムの有用性と有用性について検討した。
我々は,MDT(Multidisciplinary Team)意思決定をシミュレーションする単一のエージェントとMASフレームワークを設計した。
我々はMAS性能を単エージェントアプローチと実世界のベンチマークと比較した。
論文 参考訳（メタデータ） (2025-07-15T02:01:38Z) - SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes [18.881967326672456]
動的治療体制(DTR)のためのリスク対応型リコメンデーションフレームワークSAFERを紹介する。
SAFER は構造化 EHR と臨床ノートを統合し、互いに学習し、ラベルの不確実性に対処できるようにする。
実験により、SAFERは複数のレコメンデーション指標と対実死亡率で最先端のベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2025-06-07T04:05:43Z) - Fine-grained List-wise Alignment for Generative Medication Recommendation [30.397147691681607]
大規模言語モデル(LLM)のための細粒度リストワイドアライメントフレームワークであるFLAMEを提案する。
FLAMEはレコメンデーションをシーケンシャルな決定プロセスとして定式化し、各ステップが1つの薬を添加または除去する。
ベンチマークデータセットの実験では、FLAMEが最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2025-05-26T16:59:23Z) - 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) - HELIOT: LLM-Based CDSS for Adverse Drug Reaction Management [3.2627279988912194]
ヘリオット(Heliot)は、薬物反応管理のための革新的な臨床診断支援システムである。
LLM(Large Language Models)と総合的な医薬データリポジトリを統合することで、フリーテキストの臨床情報を処理します。
Heliotは、過去の患者固有の薬剤耐性から学び、偽の警告を減らすことで、よりニュアンスで文脈的に有害な薬物イベント警告を可能にする。
論文 参考訳（メタデータ） (2024-09-24T18:55:10Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳（メタデータ） (2021-05-05T00:20:48Z) - SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with
Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。
SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。
合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
論文 参考訳（メタデータ） (2021-01-26T18:59:26Z)
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。