論文の概要: Characterizing Treatment-Context Medication Evidence Across Clinic Notes and Structured EHR Medication History
- arxiv url: http://arxiv.org/abs/2608.01570v1
- Date: Mon, 03 Aug 2026 01:00:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.288904
- Title: Characterizing Treatment-Context Medication Evidence Across Clinic Notes and Structured EHR Medication History
- Title（参考訳）: 診療記録と構造的 EHR メディケーション履歴における治療コンテキストのメディケーションの明確化
- Abstract要約: 臨床メモと構造化電子健康記録(EHR)の薬歴は、しばしば異なる薬物情報を含んでいる。
同じ視認的な意見の相違は、ノート側の正規化エラー、用語やタイミングの違い、実際の文書の違いによって生じる。
我々は,大規模言語モデル(LLM)による参照構築,対象的・ランダムな人的レビュー,決定論的薬物正規化,構造化された医薬品の歴史と意味的・時間的比較を用いたノート・グラウンド・アプローチを開発した。
- 参考スコア（独自算出の注目度）: 1.6612653577971574
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinic notes and structured electronic health record (EHR) medication history often contain different medication information. Same-visit disagreement between these sources may result from note-side normalization errors, differences in terminology or timing, or actual differences in documentation. We developed a note-grounded approach that uses large language model (LLM) assisted reference construction, targeted and random human review, deterministic medication normalization, and semantic and temporal comparisons with structured medication history. We evaluated all normalization results on a patient-level held-out test set to limit adaptation to the study cohort. On 5,403 held-out mention rows, exact canonical agreement improved from 0.7226 with surface-exact matching to 0.8429 after lexical cleanup and curated alias mapping. In a random audit of previously unaudited rows, canonical-label agreement was 0.9210 among evaluable valid medication mentions, whereas treatment-action attribution was lower at 0.5326. In the full-cohort characterization analysis, only 16.44% of note-derived rows had same-visit exact overlap with structured medication history, but 55.17% had same-visit semantic overlap, 90.34% had same-visit or +/-30-day overlap, and only 3.97% remained in the strict no-structured-overlap bucket under broad project-level mapping. An ontology-backed sensitivity analysis further showed that held-out strict Observational Medical Outcomes Partnership (OMOP)-backed no-overlap fell from 43.99% to 36.68% after a development-derived alias supplement. These results show that note-to-structured-medication mismatch can arise from normalization errors, differences in terminology, and differences in documentation timing.
- Abstract（参考訳）: 臨床メモと構造化電子健康記録(EHR)の薬歴は、しばしば異なる薬物情報を含んでいる。
これらのソース間の同じ視認的な意見の相違は、ノート側の正規化エラー、用語やタイミングの相違、文書の実際の相違に起因する可能性がある。
我々は,大規模言語モデル(LLM)による参照構築,対象的・ランダムな人的レビュー,決定論的医薬品の正規化,構造化された医薬品の歴史と意味的・時間的比較を用いたノート・グラウンド・アプローチを開発した。
調査コホートへの適応を制限するため, 患者レベルの保留テストセットの正常化結果を全て評価した。
5,403行の保持された参照列では、正確な正準一致が0.7226から、レキシカルなクリーンアップとキュレートされたエイリアスマッピングの後に0.8429に改善された。
未確認行のランダムな監査では、有効な医薬品の言及のうち、標準ラベルの合意は0.9210であり、治療作用の属性は0.5326であった。
フルコホートの特徴分析では、ノート由来の行の16.44%は構造化された医薬品の歴史と全く同じ視認性を持つが、55.17%は同じ視認性を持つ、90.34%は同じ視認性または+//-30日間の視認性を持つ、そして3.97%は広いプロジェクトレベルのマッピングの下で厳密な非構造的オーバーラップバケットに留まった。
オントロジーによる感度分析により、OMOPが支援する厳密な観察医療成果パートナーシップは、開発由来のエイリアスサプリメントの後に43.99%から36.68%に減少した。
これらの結果から, 正常化エラー, 用語の相違, 文書のタイミングの相違から, ノート・ツー・ストラクチャード・メディケーションのミスマッチが生じる可能性が示唆された。
関連論文リスト
- Learning a Continuous Sepsis Severity Score Without Hour-by-Hour Supervision: A Two-Site Retrospective Study [6.58570893992725]
現在使われているセプシスの重症度指数は、数十年前に確立された固定変数と重みに依存している。
72時間処理ウィンドウ上で43変数を正規チャート化して死亡率の指標を作成した。
乳酸濃度の変化は乳酸濃度の変化と相関した。
論文 参考訳（メタデータ） (2026-08-27T17:46:21Z) - Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。
NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。
セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
論文 参考訳（メタデータ） (2026-08-12T21:02:59Z) - Evaluation Protocols and Cross-Subject Generalization in EEG Emotion Recognition [2.5603375915051747]
本研究は,SEEDおよびSEED-IV上の動的グラフ畳み込みニューラルネットワーク経路を実例として用いた。
したがって, 被験者依存, 被験者分離, クロスセッションの結果は, 異なる質問に対する回答として報告されるべきである。
論文 参考訳（メタデータ） (2026-07-30T04:13:43Z) - RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳（メタデータ） (2026-07-25T16:58:10Z) - The Slop Paradox: How Synthetic Standardization Erodes Clinical Uncertainty and Cross-Modal Alignment in AI-Rewritten Radiology Reports [0.0]
インディアナ大学のデータセットから450個の胸部X線レポートを用いて、3つのリアルな書き換えタスクによって合成版を生成する。
我々は, 実体浸食(医学的NER), ヘッジ崩壊(臨床不確実性言語の欠如), クロスモーダルアライメント劣化を測定した。
劣化の主要な要因は、臨床内容ではなく、AI書き換えタスクの種類である。
論文 参考訳（メタデータ） (2026-06-16T11:07:48Z) - Compared to What? Baselines and Metrics for Counterfactual Prompting [39.56472929066589]
患者の性別を外科的に変化させると,MedQAの14.9%のフリップ率を予測する。
本稿では,目標介入下で観察される相違点と,パラフレーズ入力によって引き起こされる相違点を比較検討する枠組みを提案する。
一般モデル感度を考慮すると,これらの効果は大きく消散することがわかった。
論文 参考訳（メタデータ） (2026-05-01T19:23:33Z) - 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) - Agentic clinical reasoning over longitudinal myeloma records: a retrospective evaluation against expert consensus [13.511095666949055]
多発性骨髄腫は、数年から数十年にわたって連続的な治療によって管理される。
第3次センターで治療を受けた811人の骨髄腫患者(2001年-2026年)の縦断的臨床記録について振り返り評価を行った。
単パス検索増強世代 (RAG) と反復RAG (反復RAG) , フルコンテクスト入力 (フルコンテクスト入力) を比較した。
エージェント推論は、最も複雑な質問と最長の記録に集中して、共有天井を超える唯一のアプローチであった。
論文 参考訳（メタデータ） (2026-04-27T13:41:18Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。
我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。
LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
論文 参考訳（メタデータ） (2026-03-02T00:50:39Z) - Modeling Expert AI Diagnostic Alignment via Immutable Inference Snapshots [1.0499611180329804]
初期モデル推論と専門家補正の遷移は、構造化信号としてはほとんど分析されない。
本稿では,AI生成画像に基づくレポートを不変な推論状態として保存する診断アライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-26T13:11:58Z) - MEDEQUALQA: Evaluating Biases in LLMs with Counterfactual Reasoning [7.167933033102407]
重篤な症状と症状を一定に保ちながら,患者代名詞のみを摂動する反ファクト・ベンチマークであるMEDEQUALQAを紹介する。
我々は、GPT-4.1モデルを評価し、代名詞の変種間の安定性を測定するために、推論トレース間のセマンティックテキスト類似性(STS)を計算する。
以上の結果から,総じて高い類似性(平均STS >0.80)を示した。
論文 参考訳（メタデータ） (2025-10-09T22:12:58Z) - Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。
皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
論文 参考訳（メタデータ） (2023-07-05T10:33:45Z)
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。