論文の概要: Review Before Trust: Source-Grounded Integrity Gates for AI-Assisted Personal Health Records
- arxiv url: http://arxiv.org/abs/2608.29965v1
- Date: Sun, 30 Aug 2026 18:51:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.132927
- Title: Review Before Trust: Source-Grounded Integrity Gates for AI-Assisted Personal Health Records
- Title（参考訳）: 信頼の前のレビュー:AIによるパーソナルヘルス記録のための、ソースを囲む統合ゲート
- Abstract要約: 大規模言語モデルは医療文書を構造化されたデータに変換することができるが、信頼できる出力は情報源によってもサポートされない可能性がある。
本稿では,情報源文書に対して決定論的モニタが検証するまで,生成したデータを暫定的に保持するエビデンス付き信頼促進モデルを提案する。
個人健康記録アプリケーションであるMedical DataCloudにこのモデルを実装し、自動テストと保存出力の再生を通じて評価する。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large language models can convert medical documents into structured data, but plausible output may still be unsupported by the source. Persisting such output in a longitudinal health record, a record that accumulates patient information over time, therefore creates an integrity risk: unverified data may influence later summaries, trends, or preventive-care computations. We introduce an evidence-gated trust-promotion model that keeps generated data provisional until a deterministic monitor verifies it against the source document. The monitor admits a candidate for a specified downstream use only when the source contains a unique supporting quotation, the relevant fields occur within the same laboratory row, and the required provenance is preserved. The generator cannot approve its own output, missing or ambiguous evidence causes refusal, and refused candidates remain available for human review rather than being silently discarded. We implement the model in Medical DataCloud, a personal health-record application, and evaluate it through automated tests and a replay of saved extraction outputs. All 22 conformance and mutation tests pass. The replay covers nine historical laboratory PDF reports containing 102 manually labelled rows. The reports produce 97 numeric candidates: schema validation accepts all 97, an earlier packet-level evidence check accepts 94, and the hardened quotation- and row-level policy admits 72 while retaining 25 for review. The study evaluates system integrity rather than clinical correctness or clinical safety. The results demonstrate the technical feasibility of an enforceable boundary that prevents generated claims from authorizing their own reuse in a longitudinal health record.
- Abstract（参考訳）: 大規模言語モデルは医療文書を構造化されたデータに変換することができるが、信頼できる出力は情報源によってもサポートされない可能性がある。
このようなアウトプットを経時的に患者の情報を蓄積した記録は、不確定なデータが後の要約、トレンド、あるいは予防的ケアの計算に影響を及ぼすという、整合性のあるリスクを生じる。
本稿では,情報源文書に対して決定論的モニタが検証するまで,生成したデータを暫定的に保持するエビデンス付き信頼促進モデルを提案する。
モニタは、ソースが独自のサポートクォーテーションを含む場合にのみ、特定下流使用候補を認め、関連するフィールドが同じ実験室行内で発生し、所望の証明が保存される。
ジェネレータは独自の出力を承認できず、不明確あるいは曖昧な証拠が原因で拒否され、拒否された候補者は、静かに捨てられるのではなく、人間のレビューに利用可能である。
個人健康記録アプリケーションであるMedical DataCloudにこのモデルを実装し、自動テストと保存出力の再生を通じて評価する。
22の適合性試験と突然変異試験が全て合格する。
このリプレイは、手動でラベル付けされた行102を含む9つの歴史的な実験室PDFレポートをカバーしている。
スキーマ検証は全97を受理し、パケットレベルのエビデンスチェックは94を受理し、強化されたクォーテーションと行レベルのポリシーはレビューのために25を保持しながら72を受理する。
本研究は,臨床正当性や臨床安全性よりもシステム完全性を評価する。
以上の結果から, 経時的健康記録において, 生成したクレームが自身の再使用を許可することを防止するための強制可能な境界の技術的実現可能性を示す。
関連論文リスト
- CiteGuard-RAG: A Validation-Centered AI System for Evidence-Grounded Question Answering [0.21748200848556343]
CiteGuard-RAGは、根拠に基づく質問応答のための検証中心のAIシステムである。
システムはセマンティックレキシカル検索、引用制約付き生成、文レベルの接地検証、シングルパス再生を統合している。
CiteGuard-RAGは、コントロールされた住宅法データセット全体で400の質問に対して評価される。
論文 参考訳（メタデータ） (2026-09-14T16:30:54Z) - VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - Provenance Before Prose: Claim-Locked Reporting [9.106326969263483]
科学報告のエビデンスを含む内容は、散文生成時にサンプリングされるのではなく、構造化された統計結果によって修正されるべきである。
本稿では,各報告可能なクレームのエビデンスソース,数字,方向,許容言語強度を補正する前処理プロトコルであるクレームロック型レポーティングを提案する。
論文 参考訳（メタデータ） (2026-08-26T03:41:17Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - LLM-Assisted Review Prioritization for German Statutory Health Insurance Websites: A Multi-Stage Corpus Audit [0.0]
ドイツの法定医療保険基金は、継続的な専門家レビュー能力を超えるウェブポートフォリオを発行している。
ジェネリックAIテキスト検出は、医学的、利益的、法的、あるいは編集的レビューのニーズを特定しない。
品質クレームからAI効果信号を分離しながら、実体的レビューのニーズを優先するマルチステージワークフローを特徴付ける。
論文 参考訳（メタデータ） (2026-08-04T11:42:31Z) - Deceptive Grounding: Entity Attribution Failure in Clinical Retrieval-Augmented Generation [7.901904409617788]
Retrieval-augmented generation evaluationは、検索された文書にモデルクレームが実際に根拠付けられているかどうかをチェックする。
臨床RAG応答は、クリードドドラッグXの証拠としてYの臨床証拠を提示しながら、すべての自動チェックをパスすることができる。
抽出された文書からエンティティ固有の臨床証拠を除去することで、エンティティ属性の失敗を完全に排除する。
論文 参考訳（メタデータ） (2026-07-10T12:29:10Z) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - The Provenance Gap in Clinical AI: Evidence-Traceable Temporal Knowledge Graphs for Rare Disease Reasoning [1.4676581933580473]
最前線の大規模言語モデルは臨床的に正確な出力を生成するが、それらの引用は製造されている。
HEG-TKGは,4つのPubMedレコードと高品質な階層化と1,280の病的軌跡を持つキュレートされたソースから構築された時間的知識グラフに臨床的主張を基礎づけるシステムである。
論文 参考訳（メタデータ） (2026-04-18T19:10:12Z) - Sanity Checks for Agentic Data Science [43.38296659030703]
エージェントデータサイエンス(ADS)パイプラインは、能力と採用の両方で急速に成長している。
これらのシステムは、ユーザーが検出するのが困難である誤った楽観的な結論に達する可能性がある。
予測可能性-計算可能性-安定性フレームワークを基盤とした,2つの軽量な正当性チェックを提案する。
論文 参考訳（メタデータ） (2026-04-13T05:11:28Z) - Sensitivity, Specificity, and Consistency: A Tripartite Evaluation of Privacy Filters for Synthetic Data Generation [57.13635002340272]
個人識別可能な情報を含むサンプルを除去するためのポストホックプライバシーフィルタリング技術が提案されている。
本研究は胸部X線合成に適用した濾過パイプラインの厳密な評価を行う。
これらの手法がセンシティブなアプリケーションに確実にデプロイされるためには,フィルタ設計の大幅な進歩が必要であると結論付けている。
論文 参考訳（メタデータ） (2025-10-02T08:32:20Z) - Transferable and Efficient Non-Factual Content Detection via Probe Training with Offline Consistency Checking [48.68044413117397]
PINOSEは、オフラインの自己整合性検査結果に基づいて探索モデルをトレーニングし、人間の注釈付きデータの必要性を回避する。
応答復号に先立って内部状態の様々な側面を調べ、事実的不正確な検出に寄与する。
論文 参考訳（メタデータ） (2024-04-10T05:00:35Z) - No Free Lunch in "Privacy for Free: How does Dataset Condensation Help
Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。
プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文 参考訳（メタデータ） (2022-09-29T17:50:23Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。