論文の概要: Improving Rare Medication Recommendation with Counterfactual Data Augmentation and Large Language Models
- arxiv url: http://arxiv.org/abs/2607.24829v1
- Date: Thu, 23 Jul 2026 02:48:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.533188
- Title: Improving Rare Medication Recommendation with Counterfactual Data Augmentation and Large Language Models
- Title（参考訳）: 対実データ拡張と大規模言語モデルによる遠隔医療勧告の改善
- Abstract要約: GenRxRは、大規模言語モデル(LLM)に基づいた新しいフレームワークである
有害な医療データを生成し、まれな医療者に対するデータ不足の問題を緩和する。
最強のベースラインよりも30.9%高い予測性能を達成している。
- 参考スコア（独自算出の注目度）: 36.25693349096678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-based medication recommendation systems have attracted substantial attention due to their potential to enhance patient safety and therapeutic outcomes. Despite the clinical importance of accurately recommending rarely prescribed medications (rare-meds), we observe that most existing methods show significantly lower predictive performance for rare-meds. We attribute this issue to two intrinsic limitations: (a) the inherent scarcity of data for rare-meds and (b) limited consideration of co-recommended medications. To address these limitations, we propose GenRxR, a novel framework based on large language models (LLMs). GenRxR leverages the medical knowledge and clinical reasoning capability of LLMs to generate counterfactual medical data, mitigating the data scarcity issue for rare-meds. It also integrates an LLM into the medication recommendation process to model relationships among co-recommended medications. To further enhance the clinical reasoning, we introduce an instruction tuning step that aligns the LLM's capability with the recommendation task, enabling better handling of clinical context, including rare-meds cases. In our experiments, we show that GenRxR outperforms 14 (including 5 LLM-based) baselines in most cases. Specifically, it achieves up to 30.9% higher predictive performance for rare-meds than the strongest baseline.
- Abstract（参考訳）: AIベースの医薬品推薦システムは、患者の安全性と治療効果を高める可能性から、かなりの注目を集めている。
稀な処方薬(希少薬)を正確に推奨することが臨床的に重要であるにもかかわらず,既存の方法では稀少薬の予測性能が著しく低下している。
我々はこの問題を2つの本質的な制限とみなす。
(a)レアメディエーターのためのデータの本質的不足
(b) 推奨医薬品の限定的検討。
これらの制約に対処するため,大規模言語モデル(LLM)に基づいた新しいフレームワークであるGenRxRを提案する。
GenRxRは、LSMの医療知識と臨床推論能力を活用して、偽の医療データを生成し、稀な医療者のデータ不足を緩和する。
また、LLMを医薬品推奨プロセスに統合し、推奨薬物間の関係をモデル化する。
臨床推論をさらに強化するために,LLMの能力とレコメンデーションタスクとを整合させ,レア・メディス・ケースを含む臨床コンテキストのより優れたハンドリングを可能にする指導チューニング手順を導入する。
実験の結果,GenRxRは5 LLMベースを含む14のベースラインを上回っていることがわかった。
具体的には、最強のベースラインよりもレアメダの予測性能が最大30.9%向上する。
関連論文リスト
- Eliciting Medical Reasoning with Knowledge-enhanced Data Synthesis: A Semi-Supervised Reinforcement Learning Approach [62.0906177191353]
既存のアプローチでは、教師付き微調整を経て、大規模プロプライエタリモデルからの連鎖推論トレースを蒸留し、強化学習(RL)を実施している。
MedSSRは,医療知識を付加したデータ合成と半教師付き強化学習フレームワークである。
本フレームワークはまず, 分布制御可能な推論質問を合成するために, 稀な疾患知識を利用する。
次に、ポリシーモデル自体を利用して高品質な擬似ラベルを生成する。これにより、擬似ラベルデータ上での自己教師型RLと、人間の注釈付き実データ上での教師型RLの2段階固有の訓練パラダイムが実現される。
論文 参考訳（メタデータ） (2026-04-13T14:37:38Z) - 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) - CDrugRed: A Chinese Drug Recommendation Dataset for Discharge Medications in Metabolic Diseases [49.09102662968899]
メタボリックな疾患の治療薬の排出を目的とした,中国初の医薬品推奨データセットであるCDrugRedを提示する。
データセットには3,190人の患者から5,894件の未確認記録が含まれており、患者の人口統計、医療史、臨床経過、退院診断などの包括的情報を含んでいる。
退院医薬品推奨タスクにおいて,いくつかの最先端の大規模言語モデル (LLM) をベンチマークすることでCDrugRedの有用性を評価する。
論文 参考訳（メタデータ） (2025-10-24T01:47:23Z) - Retrieval Augmented Large Language Model System for Comprehensive Drug Contraindications [0.0]
大規模言語モデル(LLM)の汎用性は、様々な分野にわたって検討されてきたが、医療への応用には課題がある。
本研究では,レトリーバル拡張生成(RAG)パイプラインを実装することにより,LLMの対位法に効果的に対応する能力を高める。
論文 参考訳（メタデータ） (2025-08-08T09:09:03Z) - Lessons Learned from Evaluation of LLM based Multi-agents in Safer Therapy Recommendation [9.84660526673816]
本研究では,Large Language Model (LLM) を用いたマルチエージェントシステムの有用性と有用性について検討した。
我々は,MDT(Multidisciplinary Team)意思決定をシミュレーションする単一のエージェントとMASフレームワークを設計した。
我々はMAS性能を単エージェントアプローチと実世界のベンチマークと比較した。
論文 参考訳（メタデータ） (2025-07-15T02:01:38Z) - Combating the Bucket Effect:Multi-Knowledge Alignment for Medication Recommendation [7.962835256943926]
異なるモダリティからデータをシームレスに整列できるクロスモーダル医薬品エンコーダを提案する。
次に,マルチ知識の医薬品表現と患者記録を組み合わせて推奨する。
実験により、MKMedはデータの「バケット効果」を緩和し、推奨精度と安全性において最先端のベースラインを著しく上回ることが示された。
論文 参考訳（メタデータ） (2025-04-25T05:47:15Z) - Fine-grained Alignment of Large Language Models for General Medication Recommendation without Overprescription [45.41664696802343]
大規模言語モデル(LLM)は、一般的な医薬品推奨システムを達成する上で大きな可能性を秘めている。
本稿では,Language-Assisted Medication Recommendationを紹介する。
このフレームワークによる微調整 LLM は、内部バリデーションの10%以上を上回り、時間的および外部バリデーションをまたいで一般化することができる。
論文 参考訳（メタデータ） (2025-03-05T17:28:16Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records
Analysis via Large Language Models [19.62552013839689]
既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。
本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。
MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-10T18:27:28Z) - Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。
本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。
これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
論文 参考訳（メタデータ） (2024-02-05T08:25:22Z)
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。