論文の概要: CRAFT: LLM-Based Iterative Refinement for Temporal Reasoning over Clinical Narratives
- arxiv url: http://arxiv.org/abs/2608.12779v1
- Date: Thu, 13 Aug 2026 03:37:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.3841
- Title: CRAFT: LLM-Based Iterative Refinement for Temporal Reasoning over Clinical Narratives
- Title（参考訳）: クリニカルナラティブに対する時間的推論のためのLCMに基づく反復的リファインメント
- Abstract要約: CRAFTは、目標とするフィードバックを通じて段階的な症状タイムラインを作成し、洗練するフレームワークである。
MedTempoは,3種類のワクチンにまたがる5,347件のワクチン有害な物語の新たなベンチマークである。
- 参考スコア（独自算出の注目度）: 5.378407274546433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the temporal progression of symptoms in clinical narratives is critical for disease monitoring, safety surveillance, and causality assessment. Clinical narratives, however, rarely provide explicit temporal anchors. Current approaches to temporal information reasoning focus predominantly on pairwise relation classification across multi-visit and timestamp-rich records, leaving the reconstruction of structured symptom trajectories from individual anchor-sparse reports largely unaddressed. We propose CRAFT, an LLM framework that pairs a generator with a constraint-based verifier to iteratively produce and refine stage-wise symptom timelines through targeted feedback. We conduct evaluation on MedTempo, a new benchmark of 5,347 vaccine adverse-event narratives spanning three COVID-19 vaccine types, with expert-validated temporal stage annotations for 3,166 reports. Experiments across four LLM backbones demonstrate that CRAFT consistently improves temporal ordering accuracy, with ablation analysis isolating the contribution of generator and verifier components across model capability levels.
- Abstract（参考訳）: 臨床物語における症状の時間的進行を理解することは、疾患モニタリング、安全監視、因果性評価に重要である。
しかし、臨床物語が明確な時間的アンカーを提供することは滅多にない。
時間情報推論への現在のアプローチは、主にマルチビジットとタイムスタンプに富んだレコード間のペアワイズな関係分類に重点を置いており、個々のアンカースパースレポートから構造化された症状軌跡の再構築は、ほとんど適応されていない。
我々は,制約ベースの検証器とジェネレータをペアにして,目標フィードバックによる段階的な症状タイムラインを反復的に生成し,洗練するLLMフレームワークであるCRAFTを提案する。
我々は,3種類のワクチンにまたがる5,347件のワクチン有害事象に関する新たなベンチマークであるMedTempoの評価を行った。
4つのLCMバックボーンでの実験により、CRAFTは時間的順序付けの精度を一貫して改善し、アブレーション解析はモデル能力レベルにおけるジェネレータと検証器コンポーネントの寄与を分離することを示した。
関連論文リスト
- Anchoring Clinical Events in Time: UID-Preserving Multimodal Reconstruction and Source-Grounded Adjudication [2.981889575213664]
本稿では,各物語イベントの発生をソーススパンにリンクするUDD保存フレームワークを提案する。
また,LLM判定器であるGAVELを,物語と構造化記録の2つのUID整列タイムラインと比較した。
論文 参考訳（メタデータ） (2026-09-11T17:01:10Z) - STRIVE: Multi-Agent Structured Temporal Reasoning with Integrated Verification for Longitudinal Radiology Report Generation [16.079764988150306]
STRIVEは、臨床推論を専門的な診断、属性、時間変化剤に分解する。
経時的MIMICでは, STRIVEが近年の方法の中で最も有効である。
論文 参考訳（メタデータ） (2026-08-25T08:43:15Z) - How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。
3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。
本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-16T10:45:26Z) - Text Knows What, Tables Know When: Clinical Timeline Reconstruction via Retrieval-Augmented Multimodal Alignment [4.42383617731229]
本稿では,テキストから抽出した絶対的臨床タイムラインの時間的精度を向上させるために,検索強化型マルチモーダルアライメントフレームワークを提案する。
提案手法は,グラフベースのマルチステッププロセスとしてタイムライン再構成を定式化する。
論文 参考訳（メタデータ） (2026-05-14T17:55:27Z) - MATA-Former & SIICU: Semantic Aware Temporal Alignment for High-Fidelity ICU Risk Prediction [8.92515305370631]
本稿では,予測モデリングを臨床論理と整合させる枠組みを提案する。
我々は,二項分類を連続的多軸回帰に変換するためのプラトー・ガウスソフトラベリング(PSL)を導入する。
本フレームワークは,テキスト集約的,不規則な臨床時系列からリスクを捕捉する上で,優れた有効性と堅牢な一般化を示す。
論文 参考訳（メタデータ） (2026-04-02T07:45:52Z) - Temporally Phenotyping GLP-1RA Case Reports with Large Language Models: A Textual Time Series Corpus and Risk Modeling [3.6611037112655818]
グルカゴン様ペプチド1受容体アゴニストを含む症例報告の時系列コーパスを開発した。
臨床領域の専門家によるゴールド・スタンダード・タイムラインに対するLPMタイムラインの自動抽出について検討した。
最高の性能のLCMは、高いイベントカバレッジ、症状、診断、治療、検査、結果の信頼できる時間的シークエンシングを実現した。
論文 参考訳（メタデータ） (2026-03-12T20:45:06Z) - 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) - MIMIC-SR-ICD11: A Dataset for Narrative-Based Diagnosis [14.505360834752866]
MIMIC-SR-ICD11 は EHR から作成され,WHO ICD-11 の用語に適合する大規模な英語診断データセットである。
LL-Rankは,臨床報告の文脈から各ラベルの長さ正規化関節度を算出する。
論文 参考訳（メタデータ） (2025-11-07T18:55:22Z) - LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。
MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
論文 参考訳（メタデータ） (2025-07-15T07:32:16Z) - CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z)
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。