論文の概要: AeroSpectra Sentinel: An Auditable LLM Prompt-Chaining Decision-Support Workflow for Acute Asthma Risk Assessment from Respiratory Sounds and Clinical Signals

• arxiv url: http://arxiv.org/abs/2606.08247v1
• Date: Sat, 06 Jun 2026 16:11:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.99295
• Title: AeroSpectra Sentinel: An Auditable LLM Prompt-Chaining Decision-Support Workflow for Acute Asthma Risk Assessment from Respiratory Sounds and Clinical Signals
• Title（参考訳）: AeroSpectra Sentinel: 呼吸音と臨床信号による急性喘息リスク評価のための聴取型LCMプロンプト切開ワークフロー
• Authors: Aueaphum Aueawatthanaphisut,
• Abstract要約: 本稿では,クライアント側の研究プロトタイプと意思決定支援ワークフローであるAeroSpectra Sentinelについて述べる。 短時間のフーリエ変換 (STFT) 呼吸音解析、軽量機械学習スクリーニング、臨床特徴融合、および5段階の大規模言語モデル (LLM) のプロンプトチェインプロセスを組み合わせる。 研究のプロトタイプとして意図されており、診断医療機器や臨床的に検証されたリスク評価製品としてではない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acute asthma risk assessment requires rapid interpretation of respiratory sounds, oxygenation, airflow limitation, speech ability, work of breathing, mental status, and response to reliever therapy. Conventional audio-only classifiers can detect wheeze-like patterns but often lack transparent clinical reasoning and safe escalation logic. This paper presents AeroSpectra Sentinel, a client-side research prototype and decision-support workflow that combines short-time Fourier transform (STFT) respiratory sound analysis, lightweight machine-learning screening, clinical feature fusion, and a five-stage large language model (LLM) prompt-chaining process. The workflow separates signal acquisition, preprocessing, acoustic feature extraction, ML screening, clinical guardrails, and FHIR-ready reporting. We evaluated the audio screening component on a public respiratory sound dataset containing 1,211 WAV recordings from five labels. Using a stratified subset of 584 recordings, a random forest achieved 91.10% binary accuracy and 78.69% F1-score for asthma-vs-non-asthma screening, while a feature-based multilayer perceptron achieved 89.73% accuracy and 78.26% F1-score. A compact log-spectrogram CNN achieved 73.29% accuracy and 55.17% F1-score. Multiclass classification achieved 77.40% accuracy and 77.23% macro-F1. To evaluate the LLM workflow, we conducted a scenario-based audit on 40 simulated clinical vignettes comparing one-shot prompting, prompt chaining, prompt chaining with guardrails, and prompt chaining with guardrails plus FHIR schema validation. The guardrail-plus-schema variant achieved the strongest simulated safety and documentation consistency. AeroSpectra Sentinel is intended as a research prototype, not as a diagnostic medical device or clinically validated risk-assessment product.
• Abstract（参考訳）: 急性喘息リスク評価には、呼吸音、酸素、気流制限、発話能力、呼吸の働き、精神状態、緩和療法に対する反応の迅速な解釈が必要である。 従来の音声のみの分類器は、鯨のようなパターンを検出できるが、透明な臨床推論と安全なエスカレーションロジックを欠いていることが多い。 本稿では,短時間のフーリエ変換 (STFT) 呼吸音解析, 軽量な機械学習スクリーニング, 臨床機能融合, および5段階の大規模言語モデル (LLM) のプロンプトチェインプロセスを組み合わせたクライアントサイド研究プロトタイプおよび意思決定支援ワークフローであるAeroSpectra Sentinelを提案する。 このワークフローは、信号取得、前処理、音響特徴抽出、MLスクリーニング、臨床ガードレール、FHIR対応レポートを分離する。 5つのラベルから1,211個のWAV記録を収録した公衆呼吸音響データセットの音声スクリーニング成分について検討した。 584レコードの階層化されたサブセットを用いて、ランダムフォレストは91.10%のバイナリ精度と78.69%のF1スコアを獲得し、特徴ベースのマルチ層パーセプトロンは89.73%の精度と78.26%のF1スコアを達成した。 コンパクトなログ・スペクトログラムCNNは73.29%の精度と55.17%のF1スコアを達成した。 多クラス分類は77.40%の精度と77.23%のマクロF1を達成した。 LLMワークフローを評価するために,1ショットプロンプト,プロンプトチェイン,ガードレールとのプロンプトチェイン,ガードレールとプロンプトチェインとFHIRスキーマの検証を行った。 ガードレール+スキーマの派生型は、最も強力なシミュレートされた安全性とドキュメントの整合性を達成した。 AeroSpectra Sentinelは、診断医療機器や臨床的に検証されたリスク評価製品としてではなく、研究のプロトタイプとして意図されている。

関連論文リスト

• Investigation into respiratory sound classification for an imbalanced data set using hybrid LSTM-KAN architectures [0.0]
  本研究では,階級不均衡の緩和に着目した呼吸音分類について検討した。 本稿では,Long Short-Term Memory (LSTM) ネットワークとKolmogorov-Arnold Network (KAN) を組み合わせたハイブリッドディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-07T05:37:57Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• Explainable Multi-Modal Deep Learning for Automatic Detection of Lung Diseases from Respiratory Audio Signals [0.49581497240446293]
  本研究では,呼吸音信号を用いた自動肺不全検出のためのマルチモーダル深層学習フレームワークを提案する。 このフレームワークにはGrad-CAM、Integrated Gradients、SHAPが含まれており、解釈可能なスペクトル、時間、特徴レベルの説明を生成する。 この結果は、遠隔医療、ポイント・オブ・ケアの診断、および実際の呼吸スクリーニングに対するフレームワークの可能性を示している。
  論文  参考訳（メタデータ） (2025-11-29T17:15:58Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• Pediatric Asthma Detection with Googles HeAR Model: An AI-Driven Respiratory Sound Classifier [0.8463972278020965]
  この研究は、小児の呼吸音から喘息の早期徴候を検出するために、AIを利用した診断パイプラインを提供する。 SPRSoundデータセットは、ホイーズ、クラックル、ロンチ、ストリドール、ノーマルとラベル付けされた2秒のオーディオセグメントを抽出するために使用される。 このシステムは91%以上の精度を達成し、正の場合の精度・リコールの指標に対して高い性能を発揮する。
  論文  参考訳（メタデータ） (2025-04-28T12:52:17Z)
• Respiratory Inhaler Sound Event Classification Using Self-Supervised Learning [43.83039192442981]
  喘息は世界中の何百万人もの人に影響を及ぼす慢性呼吸器疾患である。 我々は,このモデルを吸入音の事前学習と微調整により,吸入音分類のためのwav2vec 2.0自己教師学習モデルを適用した。 提案モデルでは、ドライパウダー吸入器とスマートウォッチデバイスを用いて収集したデータセットに対して、バランスの取れた精度が98%であることを示す。
  論文  参考訳（メタデータ） (2025-04-15T14:44:47Z)
• Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
  本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。 健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。 ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
  論文  参考訳（メタデータ） (2024-09-05T02:14:31Z)
• COVID-19 Detection System: A Comparative Analysis of System Performance Based on Acoustic Features of Cough Audio Signals [0.6963971634605796]
  本研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能向上を図ることを目的としている。 MFCC(Mel Frequency Cepstral Coefficients)、クロマ(Chroma)、スペクトルコントラスト(Spectral Contrast)の3つの特徴抽出手法の有効性について検討し、2つの機械学習アルゴリズム、SVM(Support Vector Machine)とMLP(Multilayer Perceptron)に適用した。 提案システムでは,COUGHVIDデータセットでは0.843,Virufyでは0.953,最先端の分類性能を示す。
  論文  参考訳（メタデータ） (2023-09-08T08:33:24Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Benchmarking of eight recurrent neural network variants for breath phase and adventitious sound detection on a self-developed open-access lung sound database-HF_Lung_V1 [0.35775620736088914]
  頑健なコンピュータ化された呼吸音解析アルゴリズムは、まだ実用化には至っていない。 我々は,9,765個の肺音の音声ファイルからなる肺音データベース(HF_Lung_V1)を開発した。 その結果,これらのモデルは肺の音像解析において十分な性能を示した。
  論文  参考訳（メタデータ） (2021-02-05T08:21:28Z)
• Bulbar ALS Detection Based on Analysis of Voice Perturbation and Vibrato [68.97335984455059]
  本研究の目的は,ALS患者の自動検出のための持続母音発声テストの有用性を検証することである。 そこで我々は,音声信号から測定値の計算に必要な基本周期への分離手順の強化を提案した。
  論文  参考訳（メタデータ） (2020-03-24T12:49:25Z)

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。