論文の概要: Automatic Conversion of NICE Guidelines to an Executable Computational Model Using Large Language Models

• arxiv url: http://arxiv.org/abs/2608.30022v1
• Date: Sun, 30 Aug 2026 20:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.158089
• Title: Automatic Conversion of NICE Guidelines to an Executable Computational Model Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた実行可能計算モデルへのNICEガイドラインの自動変換
• Abstract要約: NICEガイドラインは、臨床治療のためのエビデンスベースのレコメンデーションを提供する。 計算可能な表現に変換する既存のアプローチは、しばしば個々の病気に焦点を当てる。 大規模言語モデル(LLM)は、この翻訳の多くを自動化することができる。
• 参考スコア（独自算出の注目度）: 42.575831424051664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction: NICE guidelines provide evidence-based recommendations for clinical care but remain largely in unstructured natural language. Existing approaches to converting them into computable representations often focus on individual diseases, require substantial manual encoding, and do not scale. Large language models (LLMs) may enable much of this translation to be automated. Methods: We present an end-to-end approach that converts textual clinical guidelines into executable models capable of generating explainable, patient-specific recommendations. A stepwise LLM-based transformation with in-context examples produces human-inspectable intermediate artifacts. We apply the approach to NICE pancreatic and lung cancer guidelines, use expert review to assess rule alignment, and evaluate the executable pancreatic cancer model on 20 patient vignettes. Results: Expert review showed strong alignment between the source guidelines and generated executable models. Most discrepancies were partial omissions rather than incorrect logic, while hallucinated or fundamentally incorrect rules were rare. On the patient vignettes, the executable model achieved an F1 score of 82.5%. Conclusion: LLMs can transform natural-language NICE guidelines into interpretable, executable models that preserve guideline structure, support transparent inspection and modification, and generate patient-specific recommendations. These findings demonstrate the feasibility of scalable automated generation of computable clinical guidelines.
• Abstract（参考訳）: 紹介:NICEガイドラインは、臨床治療のためのエビデンスベースの勧告を提供するが、ほとんどは構造化されていない自然言語のままである。 計算可能な表現に変換する既存のアプローチは、しばしば個々の病気に焦点を合わせ、かなり手作業による符号化を必要とし、スケールしない。 大規模言語モデル(LLM)は、この翻訳の多くを自動化することができる。 方法: 文献的臨床ガイドラインを, 説明可能な患者固有のレコメンデーションを生成可能な実行可能なモデルに変換するエンド・ツー・エンドのアプローチを提案する。 段階的にLLMベースの変換をインコンテキストの例で行うと、人間の検査可能な中間アーティファクトが生成される。 NICE膵・肺癌ガイドラインへのアプローチの適用,専門家レビューによるルールアライメントの評価,および20症例の膵癌モデルの評価を行った。 結果: 専門家レビューでは、ソースガイドラインと生成された実行可能なモデルの間に強い整合性を示した。 ほとんどの不一致は誤った論理よりも部分的な省略であり、幻覚的あるいは根本的な誤った規則はまれであった。 患者ヴィグネットでは、実行可能モデルはF1スコア82.5%に達した。 結論: LLMは、自然言語のNICEガイドラインを、ガイドライン構造を保存し、透過的な検査と修正をサポートし、患者固有のレコメンデーションを生成する、解釈可能な実行可能なモデルに変換することができる。 これらの結果から,スケーラブルな自動臨床ガイドライン作成の可能性が示唆された。

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)
• A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives [40.3209707366832]
  非構造的臨床物語から確率論的計画ドメインモデルを誘導するための神経象徴的枠組みであるNSPINを紹介する。 9例の腹腔鏡下虫垂切除術を施行した。
  論文  参考訳（メタデータ） (2026-08-21T14:57:38Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• AgentScore: Autoformulation of Deployable Clinical Scoring Systems [45.88028371034407]
  本稿では,単位重み付き臨床チェックリストのセマンティックガイドによる最適化を行うAgentScoreを紹介する。 AgentScoreは既存のスコア生成方法より優れており、より柔軟な解釈可能なモデルに匹敵するAUCを実現している。 さらに2つの外部検証タスクにおいて、AgentScoreは、確立されたガイドラインベースのスコアよりも高い差別を達成する。
  論文  参考訳（メタデータ） (2026-01-29T21:11:06Z)
• ClinStructor: AI-Powered Structuring of Unstructured Clinical Texts [3.073796943975155]
  我々は,ClinStructorについて述べる。ClinStructorは大規模言語モデル(LLM)を利用して,臨床自由テキストを予測モデルに先立って構造化されたタスク固有の質問応答ペアに変換するパイプラインである。 本手法は透明性と制御性を大幅に向上させ,予測性能の低下を招く。
  論文  参考訳（メタデータ） (2025-11-14T21:21:16Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation [18.396334867873307]
  NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-09T01:49:29Z)
• Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
  GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。 従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。 高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
  論文  参考訳（メタデータ） (2025-06-22T11:31:13Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• Beyond Self-Consistency: Ensemble Reasoning Boosts Consistency and Accuracy of LLMs in Cancer Staging [0.33554367023486936]
  がんのステージング状態は臨床報告で確認できるが、抽出するには自然言語処理が必要である。 臨床指向の大規模言語モデルの進歩により、アルゴリズムの訓練に多大な努力を払わずに、そのような状態を抽出することが期待されている。 本研究では,モデル生成の一貫性向上を目的としたアンサンブル推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T19:34:35Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)

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。