論文の概要: RecallRisk-BERT: A Multi-Task Framework for Post-Report Medical Device Recall Triage

• arxiv url: http://arxiv.org/abs/2606.27174v1
• Date: Thu, 25 Jun 2026 15:41:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.335891
• Title: RecallRisk-BERT: A Multi-Task Framework for Post-Report Medical Device Recall Triage
• Title（参考訳）: RecallRisk-BERT: Recall Triageのマルチタスクフレームワーク
• Abstract要約: 54,165個のFDA医療機器のリコール記録を用いた自動リコールトリアージフレームワークを開発した。 RecallRisk-BERTは, PubMedBERTをベースとしたリコール物語のテキスト表現と, 階層的特徴の埋め込みに基づく表現を組み合わせたマルチタスクモデルである。
• 参考スコア（独自算出の注目度）: 0.10312968200748114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical device recalls are a critical regulatory mechanism for protecting patient safety. The growing volume of FDA recall records presents challenges in post-report recall triage, severity assessment, and root-cause interpretation. Existing studies mostly address recall occurrence prediction or root-cause analysis separately, while joint modeling of recall severity and root-cause categories has received limited attention. We develop an automated recall triage framework using 54,165 FDA medical device recall records from openFDA, covering the period from 2002 to October 2025. We first evaluate classical machine learning and boosting-based models for recall severity and root-cause category prediction. We then develop RecallRisk-BERT, a multi-task model that combines PubMedBERT-based textual representations of recall narratives with embedding-based representations of structured categorical features, including product code, regulation number, and medical specialty. The model simultaneously predicts recall severity (Class I/II/III) and a consolidated root-cause category (9 classes). Performance was evaluated using accuracy, macro-averaged precision, recall, F1-score, and ROC-AUC. In single-task severity prediction, our LightGBM-based text--tabular configuration achieved the strongest performance, with an accuracy of 0.963, macro-F1 of 0.856, and ROC-AUC of 0.974. In the multi-task setting, RecallRisk-BERT substantially outperformed the single-task PubMedBERT baseline. Model-derived risk rankings were strongly consistent with observed root-cause severity patterns (rho = 0.983, p = 1.936e-6). These findings indicate that text--tabular learning can support scalable post-report recall triage, regulatory decision support, and model-based root-cause risk analysis.
• Abstract（参考訳）: 医療機器のリコールは患者の安全を守るための重要な規制機構である。 FDAのリコール記録の量の増加は、リコール後のトリアージ、重度評価、根本原因解釈の課題を示している。 既往の研究は、リコール発生予測や根因分析を別々に扱うが、リコール重症度と根因分類の合同モデリングは、あまり注目されていない。 2002年から2025年10月までの54,165個のFDA医療機器のリコール記録を用いた自動リコールトリアージフレームワークを開発した。 まず,古典的機械学習とブースティングベースモデルを用いて,リコール重大度と根本原因カテゴリー予測を行った。 RecallRisk-BERT は PubMedBERT によるリコール物語のテキスト表現と,製品コード,レギュレーション番号,医療専門といった構造化カテゴリー特徴の埋め込みに基づく表現を組み合わせたマルチタスクモデルである。 このモデルは、リコール重大度(Class I/II/III)と統合根起カテゴリー(9クラス)を同時に予測する。 評価は,精度,マクロ平均精度,リコール,F1スコア,ROC-AUCを用いて行った。 単一タスクの重大度予測では、LightGBMベースのテキストタブラル構成が0.963の精度、0.856のマクロF1、0.974のROC-AUCで最強のパフォーマンスを達成した。 マルチタスク設定では、RecallRisk-BERTはシングルタスクのPubMedBERTベースラインを大幅に上回った。 モデル由来のリスクランキングは、観測された根本原因の重症度パターン(rho = 0.983, p = 1.936e-6)と強く一致していた。 これらの結果から,テキストタブラリ学習は,スケーラブルなリコールトリアージ,規制決定支援,モデルに基づく根本原因リスク分析をサポートできることが示唆された。

関連論文リスト

• Multimodal Attention-based Deep Learning for Emergency Triage with Electronic Health Records [3.359092200221619]
  本研究の目的は,表層データとテキストデータの両方を効果的に扱えるマルチモーダルディープラーニングアーキテクチャを提案することである。 マレーシア大学病院の救急部門から収集された11,102件のトリアージデータからなるデータセットは、モデルの開発と検証に使用される。 提案モデルでは, ベースラインモデルと比較して精度1.95%, F1スコア2.49%, ROC AUC1.41%の増加を示した。
  論文  参考訳（メタデータ） (2026-07-18T06:35:23Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Agent-Based Uncertainty Awareness Improves Automated Radiology Report Labeling with an Open-Source Large Language Model [1.7064514726335305]
  クローン病患者のヘブライ語9,683例について検討した。 我々は不確実性を認識したプロンプトアンサンブルとエージェントに基づく決定モデルを導入した。
  論文  参考訳（メタデータ） (2025-02-02T16:57:03Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
  我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。 本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。 我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-24T14:52:14Z)
• Deep Learning Models to Automate the Scoring of Hand Radiographs for Rheumatoid Arthritis [0.0]
  シャープスコア(シャープスコア、英: Sharp score、SvdH)は、慢性関節リウマチ(RA)の臨床治験における損傷の定量化に広く用いられている放射線検査法である。 まず,手指のX線写真からSvdHのスコアとRAの重症度を推定できる自動パイプラインを開発した。
  論文  参考訳（メタデータ） (2024-06-14T12:43:16Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil [3.0711362702464675]
  新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。 本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。 開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
  論文  参考訳（メタデータ） (2020-07-21T17:58:58Z)

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。