論文の概要: A Rubric-Guided Large Language Model Solution for Opioid Use Disorder Computable Phenotyping

• arxiv url: http://arxiv.org/abs/2609.05682v1
• Date: Fri, 04 Sep 2026 19:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 12:54:18.854994
• Title: A Rubric-Guided Large Language Model Solution for Opioid Use Disorder Computable Phenotyping
• Title（参考訳）: Opioid Use disorder Computable PhenotypingのためのRubric-Guided Large Language Model Solution
• Abstract要約: オピオイド使用障害(Opioid use disorder, OUD)は、アメリカ合衆国における公衆衛生上の危機である。 本研究は,OUD計算可能表現型(CP)のためのOPRO(Prompting)による最適化を取り入れたLugric-Guided Large Language Model (LLM)を開発した。
• 参考スコア（独自算出の注目度）: 9.328911542592282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opioid use disorder (OUD) remains a public health crisis in the United States, yet it is difficult to identify from electronic health records (EHRs) because missing diagnosis codes and supporting evidence are buried in clinical narratives. Accurate OUD identification is critical to support interventions and improve health outcomes. This study developed a rubric-guided large language model (LLM) that incorporated Optimization by PROmpting (OPRO) for OUD computable phenotyping (CP). The framework used an 18-item, expert-identified rubric to instruct LLMs to automatically extract critical text with supporting evidence to determine OUD flags. Two UF Health physicians (GMR and WMG) chart-reviewed 253 patients, including 68 OUD-positive cases. Our LLM-based computable phenotype (CP) achieved the best F1 score of 0.774 and an AUROC of 0.934, outperforming the machine learning-based CP using EHR and natural language processing-extracted variables, and zero-shot LLMs by relative F1 improvements of 12.8% and 44.4%, respectively. The proposed LLM-based CP could link LLM-extracted evidence to OUD phenotyping for better explainability.
• Abstract（参考訳）: オピオイド使用障害(OUD)は、米国では公衆衛生上の危機であるが、診断基準の欠如や証拠の裏付けが臨床物語に埋もれているため、電子健康記録(EHR)から特定することは困難である。 OUDの正確な識別は介入を支援し、健康状態を改善するために重要である。 本研究は,OUD計算可能表現型(CP)のためのOPRO(Prompting)による最適化を組み込んだ,ルーブリック誘導型大言語モデル(LLM)を開発した。 このフレームワークは、LLMにOUDフラグを決定するための証拠を裏付ける重要なテキストを自動的に抽出するよう指示するために、専門家が特定した18のルーリックを使用していた。 UFヘルスの医師2名(GMR, WMG)は, OUD陽性症例68例を含む253例を集計した。 LLMをベースとした計算可能表現型 (CP) は0.774点, AUROC 0.934点を達成し, EHRと自然言語処理抽出変数を用いた機械学習CP, 相対的なF1改善率12.8%, 44.4%でゼロショットLCMをそれぞれ上回った。 提案した LLM ベースのCP は, LLM 抽出された証拠を OUD 表現型にリンクし, 説明性の向上を図った。

関連論文リスト

• 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)
• COPE: Chain-Of-Thought Prediction Engine for Open-Source Large Language Model Based Stroke Outcome Prediction from Clinical Notes [23.044580867637105]
  CoT (Chain-of-Thought) Outcome Prediction Engine (COPE) は、構造化されていない臨床ノートから結果を予測するための推論強化された大規模言語モデルフレームワークである。 本研究は急性虚血性脳梗塞(AIS)464例と90日間のRanin Scale(mRS)スコアを比較検討した。 COPEは1.01 (95% CI 0.92-1.11), +/-1 の精度 74.4% (69.9, 78.8%), 正確な精度 32.8% (28.0, 37.6%) を達成した。
  論文  参考訳（メタデータ） (2025-12-02T07:44:20Z)
• Balancing Natural Language Processing Accuracy and Normalisation in Extracting Medical Insights [2.654416335526196]
  本研究は,電子カルテからの情報抽出のためのNLP低スループットルールベース手法とLarge Language Models(LLMs)の比較分析を行った。 本研究は, テキスト正規化の欠如と翻訳による情報損失の影響について検討しながら, 患者集団, 臨床所見, 処方薬を抽出し, 双方のアプローチを評価した。 その結果、ルールに基づく手法は、特に年齢や性別の抽出において、情報検索タスクにおいて高い精度を提供することが示された。 LLMは、薬名認識に優れた適応性とスケーラビリティを提供する。
  論文  参考訳（メタデータ） (2025-11-19T18:51:45Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling [2.466324275447403]
  救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。 大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
  論文  参考訳（メタデータ） (2025-01-21T15:41:20Z)
• 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)
• Large Language Models Leverage External Knowledge to Extend Clinical Insight Beyond Language Boundaries [48.48630043740588]
  ChatGPTやMed-PaLMのような大規模言語モデル(LLM)は、様々な質問応答タスクに優れています。 我々は,その性能を高めるために,新しい文脈内学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-05-17T12:31:26Z)
• Exploiting prompt learning with pre-trained language models for Alzheimer's Disease detection [70.86672569101536]
  アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。 本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
  論文  参考訳（メタデータ） (2022-10-29T09:18:41Z)
• Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of Code-Mixed Clinical Texts [56.72488923420374]
  事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。 脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
  論文  参考訳（メタデータ） (2022-04-10T21:46:52Z)
• Filter Drug-induced Liver Injury Literature with Natural Language Processing and Ensemble Learning [0.0]
  薬物性肝障害 (DILI) は、肝臓を損傷する薬物の副作用である。 重度DILI症例では肝不全や死亡などの生命予後も報告された。 過去の出版物からのデータ抽出は手動ラベリングに大きく依存している。 バイオメディカルテキストの自動処理を可能にする人工知能の最近の進歩
  論文  参考訳（メタデータ） (2022-03-09T23:53:07Z)
• Natural Language Processing with Deep Learning for Medical Adverse Event Detection from Free-Text Medical Narratives: A Case Study of Detecting Total Hip Replacement Dislocation [0.0]
  人工股関節置換術後の股関節脱臼AEの検出を効率的かつ正確に行うための深層学習ベースNLP(DL-NLP)モデルを提案する。 提案したモデルをML-NLP(ML-NLP)モデルでベンチマークした。 すべてのDL-NLPモデルはML-NLPモデルをすべて上回り、畳み込みニューラルネットワーク(CNN)モデルは全体的なパフォーマンスを最高のものにした。
  論文  参考訳（メタデータ） (2020-04-17T16:25:36Z)

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。