論文の概要: Teaching LLMs to Recommend and Defer in Underrepresented Epilepsy Care
- arxiv url: http://arxiv.org/abs/2606.31036v1
- Date: Tue, 30 Jun 2026 02:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.040647
- Title: Teaching LLMs to Recommend and Defer in Underrepresented Epilepsy Care
- Title（参考訳）: 軽度てんかん治療におけるLLMの指導
- Abstract要約: 我々は,小患者レベルのトレーニングセットから局所的な処方指導を学習する,非自明なプロンプト学習フレームワークであるMANANAを紹介する。
Mananaは、観察された処方のエラーを監査可能なプロンプトメモリに変換し、単一のエージェントとマルチエージェントのバリエーションでインスタンス化し、古典的なMLモデルよりも改善する。
- 参考スコア（独自算出の注目度）: 5.027305497521
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Specialist epilepsy expertise is scarce in resource-constrained settings, making LLM-based decision support attractive for frontline clinicians managing longitudinal treatment. Such systems must adapt to local prescribing practice and know when to defer. We study this problem in Ugandan pediatric epilepsy care, predicting anti-seizure medication regimens from longitudinal unstructured clinic notes. Standard prompting achieves non-trivial agreement with physician prescriptions, but neurologist review shows that many errors reflect distribution-miscalibrated prescribing defaults rather than failures to parse the local record. We introduce MANANA, a non-parametric prompt-learning framework that learns local prescribing guidance from a small patient-level training set. MANANA converts observed prescription errors into auditable prompt memories, instantiated in single-agent and multi-agent variants, and improves over classical ML models, direct LLM prompting, and prompt-optimization baselines across two independently collected Ugandan cohorts. We further propose Bayesian prompt averaging, which converts the learned prompt trajectory into prescription likelihoods and an uncertainty-based deferral signal. On the independently collected held-out cohort, this improves visit-level top-3 prescription accuracy by 4-8 percentage points over prompt-optimization baselines and enables selective prediction: the system can auto-handle the most confident half of cases at 95% precision, or the most confident quarter at 99% precision, while deferring lower-confidence cases for specialist review.
- Abstract（参考訳）: 専門医のてんかん専門知識は、資源制約のある環境では乏しく、LLMに基づく意思決定支援は、長期治療を管理する最前線臨床医にとって魅力的である。
このようなシステムは、現地の処方に適応し、いつ延期するかを知る必要がある。
ウガンダの小児てんかん診療において, 縦断的非構造的診療ノートから抗清水薬の処方者を予測し, この問題について検討した。
標準的なプロンプトは、医師の処方薬との非自明な合意を達成しているが、神経学者のレビューでは、多くのエラーは、ローカルレコードを解析する失敗よりも、分布ミスによって規定されたデフォルトを反映している。
非パラメトリックなプロンプト学習フレームワークであるMANANAを導入し、患者レベルの小さなトレーニングセットから局所的な処方指導を学習する。
MANANAは、観察された処方の誤りを監査可能なプロンプトメモリに変換し、単一エージェントとマルチエージェントでインスタンス化し、古典的なMLモデル、直接LLMプロンプト、そして2つの独立した収集されたウガンダコホートにまたがるプロンプト最適化ベースラインを改善する。
さらにベイジアンプロンプト平均化を提案し、学習したプロンプト軌道を処方確率と不確実性に基づく遅延信号に変換する。
個別に収集されたホールトアウトコホートでは、訪問レベルのトップ3処方の精度を、即時最適化ベースラインよりも4～8ポイント向上させ、選択的な予測を可能にする。
関連論文リスト
- ConfTriage: A Calibration-Aware LLM Triage Framework for Pulmonary Nodule Malignancy with Selective Specialist Deferral [3.306924107222105]
我々は,標準結節属性の忠実な自然言語レンダリングのみを読み取る一般大規模言語モデル (LLM) が,校正三重項層として機能するかどうかを検討する。
本稿では, 言語をモダリティとして, キャリブレーションを安全機構として, および低信頼ケースのための選択的なDLバックストップとして, 3つの柱上に構築した信頼度校正手法であるConfTriageを提案する。
論文 参考訳（メタデータ） (2026-08-11T13:02:41Z) - TRIAGE: Dialectical Reasoning for Explainable Risk Prediction on Irregularly Sampled Medical Time Series with LLMs [38.333764111610044]
競合する臨床結果に対する弁証的推論を生成するために, LLM を訓練するフレームワーク TRIAGE を提案する。
3つのISMTSベンチマークで評価され、TRIAGEは平均AUPRCの改善を3.3%達成し、キャリブレーションエラーを81%削減した。
論文 参考訳（メタデータ） (2026-06-08T04:53:44Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。
ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。
本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T18:48:21Z) - LDP: Parameter-Efficient Fine-Tuning of Multimodal LLM for Medical Report Generation [11.77291778908787]
早期大腸癌の診断には大腸内視鏡的診断が重要である。
従来の自動報告は、高品質なマルチモーダル医療データの不足により、矛盾や幻覚に悩まされている。
本稿では,MLLM(Multimodal large language model)を利用したプロの診断報告生成のための新しいフレームワーク LDP を提案する。
論文 参考訳（メタデータ） (2025-12-11T15:43:33Z) - Training and Evaluation of Guideline-Based Medical Reasoning in LLMs [7.814266948607376]
医学における早期予測のための機械学習は、最近、画期的なパフォーマンスを示している。
本研究の目的は,医学コンセンサスガイドラインに従って理学療法と予測過程を段階的に実施することである。
論文 参考訳（メタデータ） (2025-12-03T14:39:02Z) - Toward Reliable Clinical Coding with Language Models: Verification and Lightweight Adaptation [3.952186976672079]
本稿では,高速エンジニアリングや小型微調整を含む軽量な介入により,探索手法の計算オーバーヘッドを伴わずに精度を向上できることを示す。
階層的なニアミスエラーに対処するために,単体タスクとパイプラインコンポーネントの両方に臨床コード検証を導入する。
論文 参考訳（メタデータ） (2025-10-08T23:50:58Z) - 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) - Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。
我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:03:30Z) - Edinburgh Clinical NLP at MEDIQA-CORR 2024: Guiding Large Language Models with Hints [8.547853819087043]
複数のプロンプト戦略を用いて医学的誤りを識別・修正する一般LSMの能力を評価する。
より小さな微調整モデルからエラースパン予測を2つの方法で組み込むことを提案する。
8ショット+CoT + ヒントによる最高のパフォーマンスのソリューションは、共有タスクのリーダーボードで6位です。
論文 参考訳（メタデータ） (2024-05-28T10:20:29Z)
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。