Fugu-MT 論文翻訳(概要): How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights

論文の概要: How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights

arxiv url: http://arxiv.org/abs/2608.13617v1
Date: Wed, 12 Aug 2026 20:41:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-17 20:14:29.165925
Title: How Compliant is Sepsis Treatment? An Expert-Guided Neuro-symbolic Pipeline for Generating Clinical Compliance Insights
Title（参考訳）: セプシス治療の適合性 : 臨床適合性評価のためのエキスパートガイド型ニューロシンボリックパイプライン
Abstract要約: 本研究では,大言語モデルを意味正規化に制約し,乱雑な薬物や微生物学の文字列を固定された臨床語彙にマッピングする専門家誘導パイプラインを提案する。
参考スコア（独自算出の注目度）: 11.596237236942025
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Verifying whether clinical care follows evidence-based protocols is a natural neuro-symbolic problem, yet the safety-critical setting defeats either paradigm alone. We present an expert-guided pipeline that constrains a large language model strictly to semantic normalization, mapping messy drug and microbiology strings onto a fixed clinical vocabulary, while a Sugeno fuzzy inference system reasons over the normalized events. The fuzzy layer encodes eight Surviving Sepsis Campaign bundle rules and replaces binary judgments with graded scores in [0,1]. Applied to 2,438 MIMIC-IV v3.1 sepsis episodes, it surfaces antibiotic timing as the most critical breakdown (mean 0.24, 13% within one hour), Hour-1 underperformance (mean 36.7%), a 51% elevated-lactate drop-off, and descriptive differences in ICU stay across compliance groups (3.8 versus 5.1 days).
Abstract（参考訳）: 臨床ケアがエビデンスベースのプロトコルに従うかどうかを検証することは、自然の神経象徴的な問題である。本研究では,大言語モデルを意味正規化,乱雑な薬物と微生物学の文字列を固定された臨床語彙にマッピングする専門家誘導パイプラインを提案する。ファジィ層は8つのSurviving Sepsis Campaignバンドルルールを符号化し、[0,1]で2進判定をグレードされたスコアで置き換える。 2,438 MIMIC-IV v3.1の敗血症エピソードに適用すると、抗生物質のタイミングを最も重要なブレークダウン(平均0.24, 13%は1時間以内)、Hur-1アンダーパフォーマンス(平均36.7%)、高乳酸濃度の低下(約51%)、ICUの記述上の差異はコンプライアンスグループ(3.8対5.1日)に留まる。

関連論文リスト

IyawoBench v2.0: Extended Diagnostic Evaluation of Large Language Model Clinical Triage in Nigerian Primary Care [0.0]
IyawoBench v2.0 は,大言語モデルによる臨床トリアージの診断に有用である。トリアージ安全性を3つの異なる障害モード(保守的エスカレーションバイアス、システマティックダウングレードバイアス、ミドルタイア不安定)に分解するフォーマルな数学的枠組みを導入する。
論文参考訳（メタデータ） (2026-07-31T07:11:55Z)
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)
Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文参考訳（メタデータ） (2026-06-11T09:55:57Z)
Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。 MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
論文参考訳（メタデータ） (2026-06-03T17:17:16Z)
Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
論文参考訳（メタデータ） (2026-04-18T01:38:47Z)
Sparse Autoencoder Decomposition of Clinical Sequence Model Representations: Feature Complexity, Task Specialisation, and Mortality Prediction [1.7865154997539017]
スパースオートエンコーダ(SAE)は、大きな言語モデルやタンパク質言語モデルに適用されているが、電子健康記録(EHR)基礎モデルには体系的に適用されていない。 InSPECT(外来)とMIMIC-IV(ICU)の残留ストリーム抽出点10点すべてにおいて、14.5万パラメータ自己回帰性臨床シーケンスモデルであるFlatASCEND上でTopK SAEを訓練する。 SAE分解は、トランスフォーマーの深さをまたいだプログレッシブな抽象化を明らかにする:層0の特徴は、ほぼ完全なトークン検出器(45.7%シングルトン)であり、層6の特徴は、複数の臨床カテゴリ(0.5%シングルトン)にまたがる約30のトークンタイプにまたがっている。
論文参考訳（メタデータ） (2026-04-13T12:08:32Z)
Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文参考訳（メタデータ） (2025-11-19T20:11:49Z)
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)
SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
論文参考訳（メタデータ） (2024-07-03T11:02:12Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Detection of sepsis during emergency department triage using machine learning [13.553957919946638]
セプシス(Sepsis)は、臓器機能不全の生命を脅かす疾患であり、世界中で死と致命的な病気の原因となっている。 16病院のトリアージデータを用いた機械学習モデル(KATE Sepsis)を開発した。 KATEセプシスモデルでは、重篤な敗血症を検知する感度が77.67%(75.78% -79.42%)、敗血症を検知する感度が86.95%(84.2% -88.81%)である。
論文参考訳（メタデータ） (2022-04-15T21:57:08Z)
Improving Early Sepsis Prediction with Multi Modal Learning [5.129463113166068]
臨床テキストは、敗血症の重症度を推定するために必要な情報を提供する。 Amazon Comprehend MedicalではBERTのような最先端のNLPモデルと高度に専門化されたNLPモデルを用いてテキストを表現している。本手法は, セプシス予測のためのPhystoNet Computing in Cardiology Challengeの勝利モデルとともに, 専門医であるqSOFAが提案する臨床基準を著しく上回っている。
論文参考訳（メタデータ） (2021-07-23T09:25:31Z)
Predicting sepsis in multi-site, multi-national intensive care cohorts using deep learning [12.63135352255575]
ICUにおける敗血症予測のための機械学習(ML)システムの開発と検証を行った。我々の分析はMLを用いた敗血症予測のための多国間多中心ICU研究としては最大である。
論文参考訳（メタデータ） (2021-07-12T07:21:58Z)

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。