論文の概要: DIASENTINEL: An Auditable Multi-Agent System for Guideline-Grounded Diabetes Risk Screening
- arxiv url: http://arxiv.org/abs/2608.31128v1
- Date: Mon, 31 Aug 2026 17:40:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.542857
- Title: DIASENTINEL: An Auditable Multi-Agent System for Guideline-Grounded Diabetes Risk Screening
- Title（参考訳）: DIASENTINEL:ガイドライン付き糖尿病リスクスクリーニングのための監査可能なマルチエージェントシステム
- Abstract要約: 大規模言語モデル(LLM)は、有望な臨床的決定支援を提供するが、幻覚的な事実、推奨された推奨、引用エラーに弱いままである。
本報告では,1年2型糖尿病リスクスクリーニングとガイドライン接地レポート生成のための,完全にオンプレミスのマルチエージェントシステムであるDIASENTINELについて述べる。
- 参考スコア（独自算出の注目度）: 10.223583622064107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) offer promising clinical decision support but remain vulnerable to hallucinated facts, unsupported recommendations, and citation errors. We present DIASENTINEL, a fully on-premise multi-agent system for one-year type 2 diabetes mellitus (T2DM) risk screening and guideline-grounded report generation from electronic health records (EHRs). The system integrates calibrated risk prediction, deterministic clinical signal extraction, Reciprocal Rank Fusion over American Diabetes Association (ADA) guidelines, and a hybrid verification layer combining rule-based checks with LLM entailment. The demonstration provides a real-time batch-screening dashboard and an interactive patient report interface with cited recommendations, verification results, and raw EHR comparison. DIASENTINEL demonstrates a practical framework for reliable, auditable, and privacy-preserving LLM-based clinical decision support.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、有望な臨床的決定支援を提供するが、幻覚的な事実、推奨された推奨、引用エラーに弱いままである。
本報告では,1年2型糖尿病のリスクスクリーニングと電子健康記録(EHRs)からのガイドラインに基づくレポート作成のための,完全にオンプレミスのマルチエージェントシステムであるDIASENTINELについて述べる。
このシステムは、校正されたリスク予測、決定論的臨床信号抽出、米国糖尿病協会(ADA)ガイドライン上の相互ランク統合、およびルールベースのチェックとLLMの関連性を組み合わせたハイブリッド検証層を統合する。
このデモでは、リアルタイムのバッチスクリーニングダッシュボードと、紹介されたレコメンデーション、検証結果、生のEHR比較を備えた対話型患者レポートインターフェースが提供される。
DIASENTINELは、信頼性、監査性、およびプライバシ保護のLLMベースの臨床決定支援のための実践的なフレームワークを実証する。
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) - RadFusion: Towards Threshold-Controllable Radiology Report Generation [14.362153373103757]
既存の世代モデルは、診断内容の感度特異性トレードオフを制御できない。
RadFusionは、レポート生成としきい値制御性を備えたフレームワークである。
論文 参考訳（メタデータ） (2026-08-11T05:23:48Z) - LLM-Powered Personalized Glycemic Assessment in Type 2 Diabetes with Wearable Sensor Data [9.444206455565482]
2型糖尿病(T2D)は、パーソナライズされ改善された糖尿病ケアをサポートするための効果的な血糖評価を要求する、世界的な健康上の脅威となる。
我々は、ウェアラブルセンサデータと構造化メタデータの統合により、CGMに基づくグリセミックダイナミクスをモデル化するLLMベースのフレームワークであるGlyLLMを提案する。
論文 参考訳（メタデータ） (2026-06-10T21:39:02Z) - Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models [53.279391576560755]
大規模言語モデル(LLM)は、広範囲のNLPタスクにおいて顕著な流速と汎用性を示してきたが、実際的な不正確さと制限が伴う傾向にある。
これは、信頼と妥当性が最優先される医療、法律、科学コミュニケーションといった、高リスク領域に重大なリスクをもたらす。
LLM出力の事実的信頼性と解釈可能性を高めるために設計されたDAVinCI - Dual Attribution and Verificationフレームワークを紹介する。
論文 参考訳（メタデータ） (2026-04-23T01:37:50Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。
本ベンチマークでは,3種類の医療データを統合し,診断を行う。
本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
論文 参考訳（メタデータ） (2026-01-22T04:51:39Z) - Knowledge-Guided Large Language Model for Automatic Pediatric Dental Record Understanding and Safe Antibiotic Recommendation [0.4779196219827507]
本研究では,知識誘導型大規模言語モデル(KG-LLM)を提案する。
小児歯科知識グラフ、検索増強世代(RAG)、エビデンスを根拠とした抗生物質推奨のための多段階安全検証パイプラインを統合している。
32,000件の未確認小児歯科訪問記録実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2025-12-09T21:11:55Z) - ColaCare: Enhancing Electronic Health Record Modeling through Large Language Model-Driven Multi-Agent Collaboration [14.180987429395584]
ColaCareは、大規模言語モデル(LLM)によって駆動されるマルチエージェントコラボレーションを通じて電子健康記録(EHR)モデリングを強化するフレームワークである。
我々のアプローチは、構造化されたEHRデータとテキストベースの推論の間のギャップを埋めるために、ドメイン固有のエキスパートモデルとLLMをシームレスに統合する。
論文 参考訳（メタデータ） (2024-10-03T14:55:22Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Secure and Privacy-Preserving Automated Machine Learning Operations into
End-to-End Integrated IoT-Edge-Artificial Intelligence-Blockchain Monitoring
System for Diabetes Mellitus Prediction [0.5825410941577593]
本稿では,危険因子に基づく糖尿病予測のためのIoT-edge-Artificial Intelligence (AI)-blockchainシステムを提案する。
提案システムはブロックチェーンによって支えられ、異なる病院の患者からリスクファクターデータの密集したビューを得る。
提案システムでは,最も正確なランダム林モデルを用いて,数値実験と比較解析を行った。
論文 参考訳（メタデータ） (2022-11-13T13:57:14Z)
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。