論文の概要: A knowledge-guided agentic framework for mitigating patient-context ambiguity in health queries
- arxiv url: http://arxiv.org/abs/2608.19875v1
- Date: Thu, 20 Aug 2026 10:36:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.531113
- Title: A knowledge-guided agentic framework for mitigating patient-context ambiguity in health queries
- Title（参考訳）: 健康クエリにおける患者コンテキストのあいまいさ軽減のための知識誘導型エージェント・フレームワーク
- Abstract要約: 最終応答生成の前に患者コンテキストのあいまいさを軽減するための知識誘導型エージェント・フレームワークを提案する。
フレームワークは患者とダウンストリーム言語モデルの間で動作します。
初期クエリを解釈し、タスク固有の知識グラフを使用して、妥当な仮説のセットを構築し、対象とするフォローアップ質問を問う。
- 参考スコア（独自算出の注目度）: 1.8173075581758467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patients often submit short, underspecified queries to healthcare chatbots that lack the patient-specific information needed to determine an appropriate response. Although these queries may be linguistically clear, they can support multiple plausible answers depending on undisclosed factors such as symptoms, diagnoses, medications, allergies, or dietary restrictions. A language model answering such a query directly may therefore rely on unsupported assumptions about the patient. We introduce a knowledge-guided agentic framework for mitigating patient-context ambiguity before final response generation. The framework operates between the patient and an otherwise unchanged downstream language model. It interprets the initial query, uses a task-specific knowledge graph to construct a set of plausible hypotheses, identifies the missing patient-context variables needed to distinguish among them, and asks targeted follow-up questions. The original query and the acquired context are then combined into a clarified prompt for the downstream model. We evaluated the framework across five language models using two controlled ambiguity-mitigation benchmarks: diagnosis retrieval from 1,034 symptom queries with clinically relevant evidence systematically masked, and dietary-safety classification from 487 queries with decisive health context omitted. The framework was compared with direct answering of the underspecified query and with rephrasing the same query without acquiring new patient information. In diagnosis retrieval, it increased overall exact Top-1 accuracy by at least 57.1 percentage points and selective exact Recall@5 by at least 77.7 percentage points across the five evaluated models compared with direct prompting. In dietary-safety classification, it improved accuracy across all five models and achieved the highest Matthews correlation coefficient for four...
- Abstract（参考訳）: 患者はしばしば、適切な反応を決定するのに必要な患者固有の情報を欠いている医療チャットボットに、短く不特定なクエリを提出する。
これらの問合せは言語学的に明確であるが、症状、診断、薬物、アレルギー、食事制限などの未公表の要因によって、複数のもっともらしい回答を支持できる。
このような問合せに直接答える言語モデルは、患者に対する支持できない仮定に依存する可能性がある。
最終応答生成の前に患者コンテキストのあいまいさを軽減するための知識誘導型エージェント・フレームワークを提案する。
フレームワークは患者とダウンストリーム言語モデルの間で動作します。
初期クエリを解釈し、タスク固有の知識グラフを使用して、妥当な仮説のセットを構築し、それらを識別するのに必要な欠落した患者コンテキスト変数を特定し、対象とするフォローアップ質問を問う。
元のクエリと取得したコンテキストは、下流モデルの明確なプロンプトに結合される。
臨床的に有意なエビデンスを持つ1,034の症状クエリからの診断検索と、決定的な健康状況を欠いた487の質問からの食事安全分類という2つの制御された曖昧性軽減ベンチマークを用いて、このフレームワークを5つの言語モデルにわたって評価した。
このフレームワークは、未特定クエリの直接応答と、新たな患者情報を取得することなく、同じクエリをリフレッシュした。
診断検索では、Top-1の精度を少なくとも57.1ポイント、選択精度のRecall@5が5つの評価モデルで77.7ポイント向上した。
食事安全分類では、全5モデルで精度を向上し、最高マシューズ相関係数を4回達成した。
関連論文リスト
- Evaluating Counterfactual Sensitivity to Patient Information in Medication-Safety Reasoning [26.32591007513051]
MedPIC-Benchは、患者固有の薬剤安全推論のための、ソース検証可能な勧告と専門家検証された質問のベンチマークである。
ガイドラインを追従する質問と、患者情報の制御された変更が、ルールを適用するかどうかを変更するペアの対実的な質問を組み合わせる。
どのモデルも、平均精度は63.6%から45.1%に低下する。
論文 参考訳（メタデータ） (2026-08-04T02:17:16Z) - AcuityBench: Evaluating Clinical Acuity Identification and Uncertainty Alignment [3.1849948640573245]
AcuityBenchは、言語モデルがユーザの医療プレゼンテーションから適切なケアの緊急性を特定するかどうかを評価するためのベンチマークである。
ユーザ会話、オンラインフォーラム投稿、臨床ヴィグネット、患者のポータルメッセージにまたがる5つの公開データセットで構成されている。
QA設定での明示的な4方向分類と、ルーリックベースの判定器で評価された自由形式の会話応答の2つの補完的なタスク形式をサポートする。
論文 参考訳（メタデータ） (2026-05-12T01:39:46Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Beyond Idealized Patients: Evaluating LLMs under Challenging Patient Behaviors in Medical Consultations [2.337503919179969]
実際の医療相談で一般的に発生する患者行動について検討する。
各動作について、安全でない応答をキャプチャする具体的な障害基準を指定する。
患者発話に対する応答について,オープンおよびクローズドソースのLCMについて検討した。
論文 参考訳（メタデータ） (2026-03-31T07:42:07Z) - Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models [0.0]
ローカルにデプロイ可能なフレームワークは、外部データ転送なしでEHRから直接臨床質問に答える。
オープンソースの大規模言語モデル(LLM)は、4Bから70Bまでのパラメータを完全にオフラインでベンチマークした。
論文 参考訳（メタデータ） (2026-03-27T14:03:51Z) - Evaluating Large Language Models for Evidence-Based Clinical Question Answering [4.101088122511548]
大規模言語モデル (LLMs) は, 医学的, 臨床的応用において著しく進歩している。
Cochraneの体系的レビューと臨床ガイドラインから得られたベンチマークをキュレートする。
我々はソースと臨床領域間で一貫したパフォーマンスパターンを観察する。
論文 参考訳（メタデータ） (2025-09-13T15:03:34Z) - MedQARo: A Large-Scale Benchmark for Medical Question Answering in Romanian [50.767415194856135]
ルーマニア初の大規模医療QAベンチマークであるMedQARoを紹介する。
がん患者に関連する102,646のQAペアからなる高品質で大規模なデータセットを構築した。
論文 参考訳（メタデータ） (2025-08-22T13:48:37Z) - MedCaseReasoning: Evaluating and learning diagnostic reasoning from clinical case reports [49.00805568780791]
MedCaseReasoningはLarge Language Models(LLM)を評価するための最初のオープンアクセスデータセットである。
データセットには14,489の診断的質問・回答ケースが含まれており、それぞれに詳細な推論文がペアリングされている。
我々は,MedCaseReasoning上での最先端の推論LPMを評価し,診断と推論に重大な欠点を見出した。
論文 参考訳（メタデータ） (2025-05-16T22:34:36Z) - Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
視覚言語AIシステムに特有の不確実性の分類法を提案する。
また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
論文 参考訳（メタデータ） (2024-07-02T04:23:54Z) - Automatically measuring speech fluency in people with aphasia: first
achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文 参考訳（メタデータ） (2023-08-09T07:51:40Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z)
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。