論文の概要: KREL: Automatic Medical Coding via Knowledge-Guided Reasoning over Clinical Evidence with LLMs

• arxiv url: http://arxiv.org/abs/2608.20887v1
• Date: Fri, 21 Aug 2026 09:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.482307
• Title: KREL: Automatic Medical Coding via Knowledge-Guided Reasoning over Clinical Evidence with LLMs
• Title（参考訳）: KREL:LLMによる臨床証拠に基づく知識誘導推論による自動医療符号化
• Abstract要約: AMC(Automatic Medical Coding)は、標準化された国際疾患分類(ICD)コードを臨床ノートに割り当てる。 クリニカルノートの極端な長さや巨大なICDラベルスペースなど、大きな課題が残っている。 LLMを用いた臨床エビデンスに対する知識誘導推論を提案する。
• 参考スコア（独自算出の注目度）: 32.666218878368575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Medical Coding (AMC), which assigns standardized International Classification of Diseases (ICD) codes to clinical notes, is essential for medical reimbursement, quality reporting, and clinical research. Existing pre-trained language model (PLM)-based methods typically formulate AMC as an extreme multi-label classification problem over a predefined code set, while recent large language model (LLM)-based approaches instead frame it as generation or multi-step reasoning. However, key challenges remain, including the extreme length of clinical notes that hinders effective interpretation, the vast ICD label space, and complex coding rules that are not explicitly captured by LLMs. In this work, we propose Knowledge-Guided Reasoning over Clinical Evidence with LLMs (KREL), a framework that leverages LLMs for clinical text understanding and reasoning while integrating external ICD coding guidelines as structured knowledge. This design enables tight coupling between domain knowledge and LLM reasoning, reducing hallucinations and improving compliance with coding standards. Experiments on benchmark datasets show that KREL consistently outperforms strong PLM-based and state-of-the-art LLM-based baselines.
• Abstract（参考訳）: 国際疾患分類(ICD)の規格を臨床ノートに割り当てるAMC(Automatic Medical Coding)は、医療報酬、品質報告、臨床研究に不可欠である。 既存の訓練済み言語モデル(PLM)ベースの手法は、通常、AMCを事前定義されたコード集合上の極端なマルチラベル分類問題として定式化し、一方最近の大規模言語モデル(LLM)ベースのアプローチは、それを生成またはマルチステップ推論とみなす。 しかし、効果的な解釈を妨げる臨床ノートの極端な長さ、巨大なICDラベル空間、LSMが明示的に捉えない複雑なコーディングルールなど、重要な課題が残っている。 本研究は,臨床テキストの理解と推論にLLMを活用し,外部ICD符号化ガイドラインを構造化知識として統合するフレームワークであるLLMs with Clinical Evidence(KREL)に関する知識誘導推論を提案する。 この設計は、ドメイン知識とLLM推論の密結合を可能にし、幻覚を減らし、コーディング標準への準拠を改善する。 ベンチマークデータセットの実験では、KRELは強力なPLMベースと最先端のLMベースラインを一貫して上回っている。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• Benchmarking Clinical Decision Pathway Adherence in Large Language Models [111.31765633748081]
  MEGA-CDPは、医療用LCMがガイドラインに準拠したCDPを生成できるかどうかを評価するためのベンチマークである。 英語と中国語の2,274の診療ガイドラインから、ガイドライン・ツー・ケース・パイプラインを通じて構築されている。 シングルターンのウィグネットとマルチターンのインタラクティブ設定の両方をサポートし、CDP指向の評価フレームワークを導入している。
  論文  参考訳（メタデータ） (2026-08-27T04:17:12Z)
• Language Models as Interfaces, Not Oracles: A Hybrid LLM-ML System for Pediatric Appendicitis [1.0312968200748116]
  ClaMPAPP(Clinical Language-assisted Machine-learning Pipeline for Appendicitis)は、LLMを最終的な意思決定者ではなくインターフェースとして使用するハイブリッドシステムである。 ドイツの病院から分離した2つの小児虫垂炎コホートに対する ClaMPAPP の評価を行った。
  論文  参考訳（メタデータ） (2026-06-17T15:22:51Z)
• Can Post-Training Turn LLMs into Good Medical Coders? An Empirical Study of Generative ICD Coding [40.63304781183767]
  ジェネレーティブ・大型言語モデル(LLM)は弱い医療用コーダーとしてしばしば報告される。 生成型ICD符号化のためのポストトレーニングに関する制御的実証的研究について述べる。
  論文  参考訳（メタデータ） (2026-06-11T22:04:50Z)
• EHRBench: An Automated and Reliable EHR-based Benchmark for Clinical Decision Making with LLMs [51.129595320595094]
  臨床意思決定 (CDM) は、臨床医が診断を推測し、治療を選択し、不完全な証拠の下で将来の健康結果を予測する、現実的な臨床の中心である。 LLMモデルは、強力な言語能力、幅広い生物医学的知識、効率性のために、これらの決定をサポートするためにますます使われています。 LLMの実際の臨床決定タスクに対する信頼性は、まだ十分に理解されていない。
  論文  参考訳（メタデータ） (2026-05-28T22:38:26Z)
• LingLanMiDian: Systematic Evaluation of LLMs on TCM Knowledge and Clinical Reasoning [27.37958097277936]
  LingLanベンチマーク(LingLanベンチマーク)は、知識リコール、マルチホップ推論、情報抽出、実世界の臨床的意思決定などにわたる評価を統合する、大規模で専門家によるマルチタスクスイートである。 LingLanは、一貫したメートル法設計、臨床ラベルのためのシノニムトレラントプロトコル、データセットごとの400項目のハードサブセット、診断と治療の推奨を単一選択判定に再定義する。
  論文  参考訳（メタデータ） (2026-02-02T08:02:25Z)
• 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)
• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Toward Reliable Clinical Coding with Language Models: Verification and Lightweight Adaptation [3.952186976672079]
  本稿では,高速エンジニアリングや小型微調整を含む軽量な介入により,探索手法の計算オーバーヘッドを伴わずに精度を向上できることを示す。 階層的なニアミスエラーに対処するために,単体タスクとパイプラインコンポーネントの両方に臨床コード検証を導入する。
  論文  参考訳（メタデータ） (2025-10-08T23:50:58Z)
• MedGUIDE: Benchmarking Clinical Decision-Making in Large Language Models [10.46932473088646]
  MedGUIDEは,Large Language Models (LLMs) を評価するための新しいベンチマークであり,ガイドラインに一貫性のある臨床診断を行う能力について紹介する。 MedGUIDEは17種類の癌にまたがる55のNCCN決定木から構築されている。 本研究では,10の臨床的,言語学的基準において,専門家ラベル付き報酬モデルとLLM-as-a-judgeアンサンブルを組み合わせた2段階の品質選択プロセスを適用し,高品質なサンプル7,747を選定した。
  論文  参考訳（メタデータ） (2025-05-16T18:21:52Z)
• 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)
• Does Biomedical Training Lead to Better Medical Performance? [7.341724934479004]
  大規模言語モデル(LLM)は、患者のケア、診断、管理プロセスに大きく貢献することが期待されている。 本研究では, バイオメディカルトレーニングが6つの実践的医療課題の文脈に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2024-04-05T12:51:37Z)
• Don't Ignore Dual Logic Ability of LLMs while Privatizing: A Data-Intensive Analysis in Medical Domain [19.46334739319516]
  本研究では, LLMの二重論理能力が, 医療領域の民営化過程における影響について検討した。 以上の結果から,LLMに汎用ドメイン二重論理データを組み込むことによって,LLMの二重論理能力が向上するだけでなく,精度も向上することが示唆された。
  論文  参考訳（メタデータ） (2023-09-08T08:20:46Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

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。