論文の概要: Beyond Prediction: Longitudinal Reasoning in EHR-Integrated Clinical AI
- arxiv url: http://arxiv.org/abs/2606.08413v1
- Date: Sun, 07 Jun 2026 02:26:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.093956
- Title: Beyond Prediction: Longitudinal Reasoning in EHR-Integrated Clinical AI
- Title（参考訳）: 予測を超えて: EHR統合臨床AIにおける縦断的推論
- Authors: Irene Yi, Grace Brown, Sufian Aldogom, Nathan Roll, Eric J. Basile, Pamela M. Resnikoff, Isaac Gutterman, Oscar Schiff, Keira Salata, Benjamin Mujkic, Ammar Ahmed,
- Abstract要約: 我々は、技術的統合戦略と推論関連表現機能をキャプチャするコーディングフレームワークを開発する。
分析の結果,多くのシステムがERHデータを組み込んでいるが,主に遭遇レベルや集約された表現で運用されていることがわかった。
本研究は,現在進行中の臨床推論の基盤としてではなく,静的な入力としてERHデータを扱うアプローチである,と論じる。
- 参考スコア（独自算出の注目度）: 0.79827881560134
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a structured analysis of how contemporary clinical AI systems integrate electronic health record (EHR) data and the extent to which they support longitudinal clinical reasoning. Drawing on a curated corpus of clinical natural language processing (NLP) and EHR-integrated systems, we develop a coding framework that captures both technical integration strategies and reasoning-relevant representational features, such as trajectory modeling, cross-encounter synthesis, longitudinal analysis, and absence reasoning. We also elicited the experiences of three physicians in their EHR use, including what strengths and weaknesses they found with their institution's current EHR system(s). Our analysis shows that while many systems incorporate EHR data, they predominantly operate on encounter-level or aggregated representations, with limited support for explicit temporal reasoning across patient histories. Reasoning-relevant structures are inconsistently represented, and evaluation paradigms remain largely focused on predictive performance instead of longitudinal interpretability. We argue that current approaches treat EHR data as a static input rather than a substrate for ongoing clinical reasoning, and we outline a framework for understanding how future systems might more effectively align with the temporal and interpretive structure of clinical practice.
- Abstract（参考訳）: 本稿では、現代臨床AIシステムが電子健康記録(EHR)データをどのように統合しているか、そして、彼らが縦断的臨床推論をサポートする範囲について、構造化された分析を行う。
臨床自然言語処理 (NLP) と EHR 統合システム (EHR) のキュレートされたコーパスに基づいて, 軌跡モデリング, クロスエンカウンタ合成, 縦断解析, 欠測推論といった, 技術的統合戦略と推論関連表現特徴の両方を捉えるコーディングフレームワークを開発した。
また,現行の EHR システムの強みや弱みなどを含む,3人の医師の EHR 使用経験を取り入れた。
分析の結果,多くのシステムではERHデータを取り入れているが,主に出会うレベルや集約された表現で運用されており,患者履歴を横断する明確な時間的推論のサポートが限られていることがわかった。
推論関連構造は矛盾なく表現され、評価パラダイムは縦断的解釈性ではなく予測性能に重点を置いている。
今後の臨床実践の時間的構造と解釈的構造をより効果的に整合させるための枠組みを概説する。
関連論文リスト
- From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。
3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。
本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-16T10:45:26Z) - Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。
このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。
このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文 参考訳（メタデータ） (2025-10-24T15:56:40Z) - Retrieval-Augmented Framework for LLM-Based Clinical Decision Support [0.19999259391104388]
本稿では,大言語モデル(LLM)を用いた臨床意思決定支援システムを提案する。
このフレームワークは自然言語処理と構造化された臨床入力を統合し、文脈に関連のあるレコメンデーションを生成する。
本稿では,表現表現のアライメントや生成戦略など,システムの技術的コンポーネントについて概説する。
論文 参考訳（メタデータ） (2025-10-01T18:45:25Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - CliCARE: Grounding Large Language Models in Clinical Guidelines for Decision Support over Longitudinal Cancer Electronic Health Records [30.100759175769454]
大規模言語モデル(LLMs)は、臨床診断支援の改善と医師のバーンアウトの低減に大きく貢献する。
CliCARE(CliCARE)を提案する。CliCAREは、長期がん電子健康記録に対する臨床ガイドラインにおける大規模言語モデル構築のためのフレームワークである。
我々は,中国の民間がんデータセットと英語MIMIC-IVデータセットを用いた大規模縦長データを用いて,我々の枠組みを検証した。
論文 参考訳（メタデータ） (2025-07-30T10:02:16Z) - 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) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - 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。