論文の概要: Multi-Large Language Model Orchestrated Severity Assessment of Clinical Records (MOSAIC)

• arxiv url: http://arxiv.org/abs/2607.05032v1
• Date: Mon, 06 Jul 2026 13:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.158067
• Title: Multi-Large Language Model Orchestrated Severity Assessment of Clinical Records (MOSAIC)
• Title（参考訳）: 臨床記録の多言語モデルによる重症度評価(MOSAIC)
• Authors: Manuela Del Castillo Suero, Arnault-Quentin Vermillet, Nicole Sonne Heckmann, Darmendra Ramcharran, Maurizio Sessa,
• Abstract要約: エージェント型大規模言語モデル (LLM) はT2Dの構造化ERHデータから臨床的に有意な重症表現型を応用できる。 MOSAICは2型糖尿病(T2D)を概念実証として使用し、重篤な表現型を示すための2段階のエージェント合成フレームワークである。
• 参考スコア（独自算出の注目度）: 0.5437050212139087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Disease severity is a multidimensional construct difficult to capture with rule-based approaches in Electronic Healthcare Records (EHR). Agentic large language model (LLM) systems could synthesise clinical evidence and reason over EHRs, but remain unevaluated for this task. Methods: MOSAIC is a two-phase agentic LLM framework for severity phenotyping, using type 2 diabetes (T2D) as a proof-of-concept. MOSAIC was evaluated on a synthetic cohort (SyntheticMass; open-weight N = 4,886; closed-weight N = 200) against three algorithmic ground truths (DCSI, DiSSCo, Cooper) and against all-cause mortality and incident complications. Open-weight (locally deployable) and proprietary pipelines were also compared. Results: The generated framework spanned domains absent from the comparators, including biomarker-based glycaemic staging, beta-cell function, and social determinants of health. Open-weight MOSAIC matched the proprietary pipeline (closed- vs open-weight weighted kappa = 0.773) and reached moderate agreement with Cooper (kappa = 0.597) and DCSI (kappa = 0.534) and fair agreement with DiSSCo (kappa = 0.320). Agent-based (Type 1) tiers showed significant separation of all-cause mortality (log-rank p < 0.001; crude hazard ratios 1.6-2.4 for non-Baseline tiers), with non-monotonic separation at the upper tiers, and an inverse gradient for incident complications (log-rank p < 0.001) consistent with depletion of susceptibles. Agentic classification also diverged from deterministic execution of the same rubric (MOSAIC Frozen; kappa = 0.428), indicating reasoning beyond fixed rules. Conclusion: MOSAIC shows agentic LLM systems can generate and apply clinically meaningful severity phenotypes from structured EHR data in T2D. Extending it to other diseases with similarly multidimensional severity warrants further research.
• Abstract（参考訳）: 背景: 病気の重症度は、Electronic Healthcare Records (EHR)の規則に基づくアプローチで把握が難しい多次元構造である。 エージェント型大規模言語モデル(LLM)システムは、臨床証拠とERHに対する理由を合成できるが、この課題には未評価のままである。 方法:MOSAICは2型糖尿病(T2D)を概念実証として、重度の表現型を示すための2段階のエージェントLLMフレームワークである。 MOSAICは3つのアルゴリズム的基底真理(DCSI, DiSSCo, Cooper)に対する合成コホート(SyntheticMass; Open-weight N = 4,886; closed-weight N = 200)と、すべての原因の死亡と事故の合併症に対して評価された。 オープンウェイト(ローカルにデプロイ可能)とプロプライエタリパイプラインも比較された。 結果: 生成したフレームワークは, バイオマーカーをベースとした糖代謝, ベータ細胞機能, 健康の社会的決定因子など, コンパレータから欠落した領域にまたがった。 オープンウェイトなMOSAICはプロプライエタリなパイプライン(クローズド対オープンウェイトなカッパ=0.773)と一致し、クーパー(カッパ=0.597)とDCSI(カッパ=0.534)と適度な合意に達し、DiSSCo(カッパ=0.320)と公正な合意に達した。 エージェントベース (タイプ1) 層では, 致死率 (log-rank p < 0.001), 非ベースライン層では1.6-2.4, 非モノトニック層では1.6-2.4, インシデント合併症では逆勾配 (log-rank p < 0.001) が認められた。 エージェント分類は、同じルーリック(MOSAIC Frozen; kappa = 0.428)の決定論的実行から分岐し、一定の規則を超えた理由を示す。 結論:MOSAIC は,T2D における構造化 EHR データから臨床上有意な重症表現型を生成,適用可能であることを示した。 同様の多次元の重症度を持つ他の疾患に拡張することは、さらなる研究を保証している。

関連論文リスト

• Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
  ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。 毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-20T19:17:46Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• Towards Automated Diagnosis of Inherited Arrhythmias: Combined Arrhythmia Classification Using Lead-Aware Spatial Attention Networks [1.024122682404895]
  不整脈性右室心筋症(ARVC)と長期QT症候群(LQTS)は、突然の心死に伴う不整脈症候群である。 深層学習は心電図の解釈を約束するが, 臨床に根ざした解釈性を有する多系統不整脈分類は未発達である。
  論文  参考訳（メタデータ） (2026-01-12T01:27:26Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• scPPDM: A Diffusion Model for Single-Cell Drug-Response Prediction [44.96130504547205]
  本稿では,ScRNA-seqデータから単一セルの薬物応答予測を行う最初の拡散型フレームワークであるScPPDMを紹介する。 scPPDMは、非結合性GD-Attnを介して一貫した潜伏空間に、摂動前状態と投与量のある薬物の2つの条件チャネルを結合する。
  論文  参考訳（メタデータ） (2025-10-08T16:17:39Z)
• 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)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• 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)
• MixEHR-SurG: a joint proportional hazard and guided topic model for inferring mortality-associated topics from electronic health records [18.87817671852005]
  ヘテロジニアスEHRデータとモデル生存ハザードを同時に統合するために、MixEHR-SurGと呼ばれる教師付きトピックモデルを提案する。 これにより、患者死亡に関連するPheCode固有の表現型トピックを推測できる、高度に解釈可能なサバイバルトピックモデルが導かれる。
  論文  参考訳（メタデータ） (2023-12-20T22:13:45Z)

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。