論文の概要: ChatHealthAI: Aligning Electronic Health Record Representations with Large Language Models for Grounded Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2606.02802v1
• Date: Mon, 01 Jun 2026 19:21:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.559685
• Title: ChatHealthAI: Aligning Electronic Health Record Representations with Large Language Models for Grounded Clinical Reasoning
• Title（参考訳）: ChatHealthAI:接地型臨床推論のための大規模言語モデルによる電子健康記録の調整
• Authors: Bo-Hong Wang, Baicheng Peng, Ruilin Wang, Jun Bai, Ziyang Song, Yue Li,
• Abstract要約: 大規模言語モデル (LLMs) は、臨床診断支援のための強力な自然言語推論能力を示す。 本稿では,構造化EHR表現と凍結LDMの意味空間を整合させるマルチモーダル推論フレームワークChatHealthAIを提案する。 その結果,ChatHealthAIは,競争予測性能を維持しつつ,推論品質と解釈可能性を向上させることがわかった。
• 参考スコア（独自算出の注目度）: 13.970166588273946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) exhibit strong natural-language reasoning abilities for clinical decision support, but struggle to effectively model structured longitudinal electronic health records (EHRs). In contrast, EHR foundation models can learn predictive patient representations, yet lack interpretable language-based reasoning. To bridge this gap, we propose ChatHealthAI, a multimodal reasoning framework that aligns structured EHR representations from a pretrained EHR foundation model with the semantic space of a frozen LLM through a task-aware resampler. By integrating longitudinal patient representations with refined clinical event descriptions, ChatHealthAI enables clinically grounded natural-language reasoning while maintaining accurate patient prediction. We evaluated ChatHealthAI on three clinical predictive tasks from the EHRSHOT benchmark. Results show that ChatHealthAI improves reasoning quality and interpretability while preserving competitive predictive performance. These findings highlight the potential of integrating EHR foundation models with pretrained LLMs for interpretable clinical prediction.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は, 臨床診断支援のための強力な自然言語推論能力を示すが, 構造化された経時的電子健康記録 (EHRs) を効果的にモデル化することは困難である。 対照的に、EHRファウンデーションモデルは予測的な患者表現を学習することができるが、言語に基づく推論が欠如している。 このギャップを埋めるためにChatHealthAIを提案する。ChatHealthAIは、事前訓練されたERH基盤モデルから、タスク認識リサンプラーを介して凍結LDMのセマンティック空間に構造化されたERH表現を整列するマルチモーダル推論フレームワークである。 ChatHealthAIは, 経時的患者表現と詳細な臨床イベント記述を組み合わせることで, 正確な患者予測を維持しつつ, 臨床に根ざした自然言語推論を可能にする。 EHRSHOTベンチマークを用いてChatHealthAIを3つの臨床予測課題で評価した。 その結果,ChatHealthAIは,競争予測性能を維持しつつ,推論品質と解釈可能性を向上させることがわかった。 以上より, EHRファンデーションモデルと予めトレーニングしたLCMを併用した臨床診断の可能性が示唆された。

関連論文リスト

• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• ReToP: Learning to Rewrite Electronic Health Records for Clinical Prediction [1.0874597293913013]
  大言語モデル(LLM)は、臨床予測タスクのためのパラメトリック医療知識データによって、この問題に対処するための進歩を可能にした。 既存のアプローチの多くは、予測タスクからの信号を完全に統合することなく、ELHエンコーダやERHコンプリートモジュールとしてLLMをデプロイするという意味で、基本的にタスクに依存しない。 本稿では,この制限に対処するLLMベースのフレームワークであるRewrite-To-Predict(ReToP)を提案する。
  論文  参考訳（メタデータ） (2026-01-27T07:20:46Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• From EHRs to Patient Pathways: Scalable Modeling of Longitudinal Health Trajectories with LLMs [38.49879425944787]
  本稿では,多様な電子健康記録(EHR)データを構造化表現に変換することで,患者経路モデリングの新しい手法を提案する。 本稿では,長期的文脈をトピック固有の要約トークンに組み込む新しい要約機構を導入し,テキストのみの性能を向上させる。
  論文  参考訳（メタデータ） (2025-06-05T09:54:01Z)
• Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
  臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。 本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
  論文  参考訳（メタデータ） (2025-04-25T07:30:38Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Rationale production to support clinical decision-making [31.66739991129112]
  本稿では,病院の退院予測にInfoCalを適用した。 選択された解釈可能性を持つ各提示モデルや特徴重要度法は,それぞれ異なる結果をもたらす。
  論文  参考訳（メタデータ） (2021-11-15T09:02:10Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。