論文の概要: VISTA Architect: A graph database-oriented health AI system demonstrated in multidisciplinary tumor boards
- arxiv url: http://arxiv.org/abs/2606.22692v1
- Date: Sun, 21 Jun 2026 22:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 07:34:34.185648
- Title: VISTA Architect: A graph database-oriented health AI system demonstrated in multidisciplinary tumor boards
- Title（参考訳）: VISTA Architect: 多分野の腫瘍ボードで実証されたグラフデータベース指向の健康AIシステム
- Authors: Tuomo Kiiskinen, Jason Fries, Philip Adamson, David Wu, Timothy John Ellis-Caleo, Aaron Fanous, Balasubramanian Narasimhan, Joel Neal, Sylvia Plevritis, Manuel A. Rivas,
- Abstract要約: 本稿では,データベース指向のAIアーキテクチャであるVISTA Architectを紹介した。
摂取時に、複雑な臨床文書を永続的で前立腺にリンクした知識グラフに変換する。
1,180人以上の患者で、VISTA Architectは15の腫瘍基板型変数に対して96.4%の精度を達成した。
- 参考スコア（独自算出の注目度）: 1.5504500166769226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce VISTA Architect, a database-oriented AI architecture for integrating large language models (LLMs) with longitudinal electronic health records (EHRs). At ingestion, it transforms complex clinical documentation into a persistent, provenance-linked knowledge graph, eliminating repeated reprocessing of raw records at query time. The architecture has two layers: a source-faithful MEDS Graph preserving granular EHR structure with full provenance, and a clinically abstracted Timeline Object Architecture (TOA) that uses graph-guided LLM extraction to synthesize a concise timeline of deduplicated, temporally coherent clinical events. This addresses key limitations of direct long-context prompting and retrieval-augmented generation (RAG), which often miss temporal relationships and incur high cost and latency from repeated raw-text processing. By precomputing clinical synthesis once, downstream queries access an organized patient state and traverse to source documentation only when detailed verification is needed. We demonstrate the system in multidisciplinary thoracic oncology tumor boards at Stanford Medicine, where precise reconstruction of patient histories is critical. Across 1,180 patients, VISTA Architect achieved 96.4% accuracy (mean 9.75/10) on 15 tumor board-salient variables (17,700 evaluations; 95% CI 96.1-96.7%), surpassing a matched BM25 RAG baseline and recent benchmarks for LLM-based clinical extraction. An agentic interface reduced preparation for a 30-patient held-out cohort to about 2.2 minutes without sacrificing accuracy. While configured here for thoracic oncology, the modular design adapts to other specialties through customizable event definitions, episode structures, and agentic tools; validation beyond thoracic oncology remains future work.
- Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)と縦型電子健康記録(EHR)を統合するデータベース指向AIアーキテクチャであるVISTA Architectを紹介する。
摂取時に、複雑な臨床文書を永続的で証明に結びついた知識グラフに変換し、クエリ時に生記録の再処理を繰り返すことをなくす。
このアーキテクチャには2つのレイヤがある: 出典に忠実なMEDSグラフで、完全な実績を持つ粒度のERH構造を保存し、また、グラフ誘導LSM抽出を使用して、分解された、時間的に整合した臨床イベントの簡潔なタイムラインを合成する、臨床的に抽象化されたタイムラインオブジェクトアーキテクチャ(TOA)である。
これは、しばしば時間的関係を見逃し、繰り返し生のテキスト処理から高いコストと遅延を生じる、直接の長文プロンプトと検索拡張生成(RAG)の鍵となる制限に対処する。
臨床合成を一度プリ計算することで、ダウンストリームクエリは、組織化された患者の状態にアクセスし、詳細な検証が必要な場合にのみ、ソースドキュメンテーションに渡る。
患者組織を正確に再現することが重要であるStanford Medicineにて, 胸部腫瘍学多分野の腫瘍ボードで本システムを実証した。
1,180人以上の患者で、VISTA Architect は15の腫瘍ボードサリエント変数 (17,700評価:95% CI 96.1-96.7%) に対して96.4%の精度(平均9.75/10)を達成した。
エージェントインタフェースは、30人の患者用ホールトアウトコホートの準備を、精度を犠牲にすることなく約2.2分に短縮した。
ここでは、胸部腫瘍学のために構成されているが、モジュラーデザインは、カスタマイズ可能なイベント定義、エピソード構造、エージェントツールを通じて他の特殊性に適応する。
関連論文リスト
- Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning [29.777694695551606]
EHR(DT-BEHRT)用疾患軌跡認識変換器
本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。
複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
論文 参考訳（メタデータ） (2026-03-10T19:21:40Z) - PathoScribe: Transforming Pathology Data into a Living Library with a Unified LLM-Driven Framework for Semantic Retrieval and Clinical Integration [2.867720204474286]
PathoScribeは静的な病理資料を検索可能なライビングライブラリに変換するために設計されたフレームワークである。
PathoScribeは、自然言語のケース検索に完璧なRecall@10を達成し、高品質な検索地上推論を実証した。
この研究は、パッシブストレージシステムからデジタル病理資料をアクティブな臨床知能プラットフォームに変換するためのスケーラブルな基盤を確立する。
論文 参考訳（メタデータ） (2026-03-09T21:09:24Z) - Unlocking Electronic Health Records: A Hybrid Graph RAG Approach to Safe Clinical AI for Patient QA [1.9615061725959186]
大規模言語モデルは、データ処理の変換可能性を提供するが、臨床環境では制限に直面している。
現在のソリューションは通常、構造化データ(Text2Cypher)や非構造化セマンティックサーチに焦点を当てた検索方法を分離するが、両方を同時に統合することができない。
この研究は、このギャップを埋める新しいハイブリッドグラフRAGシステムであるMediGRAFを提示する。
論文 参考訳（メタデータ） (2025-11-27T16:08:22Z) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。
我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。
本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
論文 参考訳（メタデータ） (2025-08-14T07:55:03Z) - HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。
システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
論文 参考訳（メタデータ） (2025-08-01T20:30:42Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。