論文の概要: CareGraph: An Auditable Hybrid AI Framework for Evidence-Grounded Personalized Longitudinal Health Intelligence
- arxiv url: http://arxiv.org/abs/2608.27484v1
- Date: Tue, 25 Aug 2026 20:03:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.080451
- Title: CareGraph: An Auditable Hybrid AI Framework for Evidence-Grounded Personalized Longitudinal Health Intelligence
- Title（参考訳）: CareGraph: 個人化された縦型健康インテリジェンスのための監査可能なハイブリッドAIフレームワーク
- Abstract要約: CareGraphは、診断、結果の予測、治療の選択、または自律的な臨床決定をせずに証拠を整理する。
テストでは、開発、バリデーション、ホールドアウトのために、400人の患者による合成コホートを使用した。
CareGraphは、インテリジェントなパーソナライズされたヘルスシステムのための安全なバウンド基盤を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence is transforming personalized healthcare, yet fragmented clinical, self reported, and wearable evidence remains difficult to interpret and trace. We present CareGraph, an auditable hybrid AI framework that converts heterogeneous records into prioritized trends, missing context indicators, bounded next steps, discussion questions, and provenance linked explanations. CareGraph organizes evidence without diagnosing, predicting outcomes, selecting treatment, or making autonomous clinical decisions. Its pipeline covers deterministic analysis, context detection, graph construction, constrained language model synthesis, evidence validation, safety controls, and release gating. Tests used synthetic cohorts of 400 patients each for development, validation, and holdout. On holdout data, a frozen ordinary least squares trend rule with a sufficiency gate achieved 0.827 accuracy, 0.837 macro F1 with a 95 percent confidence interval of 0.819 to 0.854, and 0.974 insufficient data F1. Missing context detection achieved 0.815 strict micro F1 versus 0.318 for the legacy detector. On an authored holdout benchmark, safety ruleset version 1.2 achieved 1.000 precision, 0.950 recall, and 0.974 F1. An audit requiring graph retrieval across 80 patients yielded 79 syntheses and 78 presentations without fallback; one output was blocked and one failed closed because of an invalid evidence key. Against monolithic GPT 5.6 on 56 matched patients, CareGraph was faster at 40.15 versus 49.62 seconds, shorter at 661 versus 1,163 words, and showed better exploratory lexical alignment with longitudinal targets; the baseline used fewer tokens and cited more raw evidence. Graph auditing verified provenance and deterministic retrieval; incremental graph effects on generation require paired evaluation. CareGraph offers a safety bounded foundation for intelligent personalized health systems.
- Abstract（参考訳）: 人工知能は、パーソナライズされたヘルスケアを変革している。しかし、臨床、自己報告、ウェアラブルの証拠は、解釈と追跡が難しいままだ。
CareGraphは、不均一なレコードを優先順位付けされたトレンド、コンテキストインジケータの欠如、境界付けられた次のステップ、議論の質問、証明に関連する説明に変換する監査可能なハイブリッドAIフレームワークである。
CareGraphは、診断、結果の予測、治療の選択、または自律的な臨床決定をせずに証拠を整理する。
そのパイプラインは、決定論的分析、コンテキスト検出、グラフ構築、制約付き言語モデル合成、エビデンス検証、安全管理、リリースゲーティングをカバーしている。
テストでは、開発、バリデーション、ホールドアウトのために、400人の患者による合成コホートを使用した。
ホールドアウトデータでは, 有効ゲート付き冷凍常用最小二乗傾向則が0.827精度, 0.837マクロF1が95%信頼区間0.819〜0.854で, 0.974データF1が不十分であった。
失われたコンテキスト検出は、レガシ検出器では0.815マイクロF1と0.318の厳密なマイクロF1を達成した。
認証されたホールトアウトベンチマークでは、安全基準バージョン1.2が1.000の精度、0.950のリコール、0.974のF1を達成した。
80例のグラフ検索を要した監査では, 79件の合成と78件のプレゼンテーションを行い, 1件のアウトプットがブロックされ, 1件のエビデンスキーが無効であったため閉鎖した。
56人の一致した患者のモノリシック GPT 5.6 に対して、CareGraph は 40.15 対 49.62 秒で速め、661 対 1,163 ワードで短くなった。
グラフ監査は、証明と決定論的検索を証明し、生成に対する漸進的なグラフ効果はペア評価を必要とする。
CareGraphは、インテリジェントなパーソナライズされたヘルスシステムのための安全なバウンド基盤を提供する。
関連論文リスト
- VERGE: Verification-Enhanced Refinement for Grounded Extraction of Early-Onset Colorectal Cancer Symptoms in Clinical Notes [0.35232085374661287]
早期発症の大腸癌は若年者で増加傾向にある。
この年齢集団のレッドフラッグ症状には、フォローアップテストのためのエビデンスベースのガイドラインがない。
論文 参考訳（メタデータ） (2026-09-03T18:25:50Z) - Generating Clinical Vignettes that Preserve Cognitive Formulations [0.715882580477032]
Ehlers と Clark の認知モデルを用いて, 外傷後ストレス障害における FORMA のインスタンス化を行う。
我々は,500個のペルソナ,11世代モデル,および3つのアブレーション条件に対して16,500個のウィグレットを生成する。
専門家は、フルヴィグネットをゼロショットの代替品よりもかなり高く評価し、臨床医は、その時間の85%が人間によって書かれたものだと認識している。
論文 参考訳（メタデータ） (2026-08-30T19:40:24Z) - Dual Spatial-Temporal Attribution: Architecture-Aligned Post-Hoc Explainability for Recurrent Graph Anomaly Detection [1.8899300124593645]
動的グラフにおける異常検出のためのポストホックな説明可能性フレームワークであるX-AddGraphを提案する。
検出器は凍結されているため、検出性能は正確に保存される。
X-AddGraphはすべてのスコアを同一に再現し、存在しない説明を追加します。
論文 参考訳（メタデータ） (2026-08-12T15:58:27Z) - Harm is not Universal: Community-Specific Toxicity Detection is Urgently Needed [14.067913369851894]
テキスト・ツー・イメージ・ジェネレーションのための最先端の毒性検知器は、すべてワンサイズ・フィットのアプローチを採用している。
安全とラベル付けされた画像の約35%は障害コミュニティによって有害であると考えられている。
地域特異的毒性検出(CTD)の提唱
論文 参考訳（メタデータ） (2026-07-27T16:42:36Z) - GraphRareBench: An Auditable Graph-Evidence Benchmark for Phenotype-Driven Rare-Disease Diagnosis [4.608113014528089]
GraphRareBenchは、2,365のケースと18,093のターゲット-共同創業者ペアを含む、実績保存ベンチマークである。
Agents-A1とDeepSeek-V4-Flashでインスタンス化されたエージェントはそれぞれ0.746と0.718である。
その結果, モデル行動の相補的な側面を捉え, フルプール検索, ハードコンファウンデーション識別, および観測可能なエビデンスアクセスが得られた。
論文 参考訳（メタデータ） (2026-07-27T07:58:29Z) - Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI [35.75434967398725]
出生前胚性マトリックス-心室性出血(GMH-IVH)は乳児の死亡と神経発達障害の原因である。
ディープラーニングモデルは自動化の可能性を秘めているが、通常は大きな注釈付きデータセットを必要とする。
FreeHemoSegは、通常の胎児データから合成された擬似GMH-IVH画像を用いて開発、訓練された。
論文 参考訳（メタデータ） (2026-05-10T14:39:30Z) - CuraView: A Multi-Agent Framework for Medical Hallucination Detection with GraphRAG-Enhanced Knowledge Verification [3.422186949568493]
本報告では,文レベル検出のためのフレームワークであるCuraViewについて述べる。
CuraViewは、患者レベルのEHRからGraphRAGベースの知識グラフを構築する。
我々は,50例の患者を対象に,Ex Discharge-Meベンチマークから250例のCuraViewを評価した。
論文 参考訳（メタデータ） (2026-05-05T08:05:31Z) - AnomalyGen: Enhancing Log-Based Anomaly Detection with Code-Guided Data Augmentation [42.87177529900358]
AnomalyGenは、ラベル付きログシーケンスをソースコードから合成することによってトレーニングデータを増強する新しいフレームワークである。
12のさまざまな異常検出モデルに対するHDFSとZookeeperの評価は、AnomalyGenが一貫してパフォーマンスを改善していることを示している。
論文 参考訳（メタデータ） (2026-04-13T07:24:43Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - Insider Threat Detection Using GCN and Bi-LSTM with Explicit and Implicit Graph Representations [3.294619412118624]
インサイダー脅威検出(ITD)は,信頼されたユーザによる悪意ある行為の微妙で隠された性質のため,課題である。
本稿では,明示的かつ暗黙的なグラフ表現と時間的モデリングを統合し,複雑なユーザ行動パターンをキャプチャするポストホックITDフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-20T19:48:35Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - Fast-DetectGPT: Efficient Zero-Shot Detection of Machine-Generated Text via Conditional Probability Curvature [33.84718903572477]
大規模言語モデル(LLM)は、流動的でコジェントなコンテンツを生成する能力を示している。
信頼できるAIシステムを構築するためには、マシン生成コンテンツと人間によるコンテンツとを区別することが不可欠である。
Fast-DetectGPTは、ディテクターGPTの摂動ステップを、より効率的なサンプリングステップで置き換える最適化されたゼロショット検出器である。
論文 参考訳（メタデータ） (2023-10-08T11:41:28Z) - 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) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z)
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。