Fugu-MT 論文翻訳(概要): Evaluating LLM-Generated Rules for Heart Disease Prediction

論文の概要: Evaluating LLM-Generated Rules for Heart Disease Prediction

arxiv url: http://arxiv.org/abs/2609.13192v1
Date: Tue, 11 Aug 2026 17:39:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.521177
Title: Evaluating LLM-Generated Rules for Heart Disease Prediction
Title（参考訳）: 心疾患予測のためのLCM法則の評価
Abstract要約: 本研究では,従来の機械学習モデルとLLM(Large Language Model)を用いた心臓疾患予測システムとの比較を行った。実験の結果,従来の機械学習モデルは予測性能においてLLM生成ルールベースシステムより一貫して優れていた。性能差にもかかわらず、LLM生成規則は解釈可能なIF-THEN診断ロジックを提供する。
参考スコア（独自算出の注目度）: 1.239647448367712
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study compares traditional machine learning models and Large Language Model (LLM)-generated rule-based systems for heart disease prediction using the UCI Heart Disease dataset. Several classifiers, including Logistic Regression, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Naive Bayes, Decision Tree, and Random Forest, were evaluated alongside rule-based systems generated using GPT-4o and Claude Sonnet 4.6. Model performance was assessed using accuracy, precision, recall, and F1-score metrics. Experimental results show that traditional machine learning models consistently outperform LLM-generated rule-based systems in predictive performance. Random Forest achieved the best overall performance with 90.2% accuracy, a precision of 0.829, perfect recall of 1.0, and an F1-score of 0.906. Naive Bayes followed closely with 88.5% accuracy and an F1-score of 0.881. In contrast, the LLM-generated rule models achieved lower performance, with Claude Sonnet 4.6 reaching 80.3% accuracy (F1-score: 0.833) and GPT-4o obtaining 70.5% accuracy (F1-score: 0.690). Despite the performance gap, the LLM-generated rules provide interpretable IF-THEN diagnostic logic that enhances explainability and transparency in clinical decision-making. These findings highlight the trade-off between predictive performance and interpretability in medical artificial intelligence systems. The complete implementation of all experiments, including machine learning models and LLM-derived rule classifiers, is publicly available in the GitHub repository at https://github.com/FeisalAlaswad/LLM-Rule-ML-Heart-Disease-Prediction .
Abstract（参考訳）: 本研究では,従来の機械学習モデルとLLM(Large Language Model)を用いた心疾患予測システムとの比較を行った。 Logistic Regression, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Naive Bayes, Decision Tree, Random Forest などの分類器が, GPT-4o と Claude Sonnet 4.6 を用いたルールベースシステムとともに評価された。モデル性能は精度、精度、リコール、F1スコアのメトリクスを用いて評価された。実験の結果,従来の機械学習モデルは予測性能においてLLM生成ルールベースシステムより一貫して優れていた。ランサムフォレストは90.2%の精度、0.829の精度、1.0の完全リコール、0.906のF1スコアで最高性能を達成した。ネイブ・ベイズは88.5%の精度でF1スコアは0.881となった。対照的に、LCMが生成したルールモデルは性能が低下し、Claude Sonnet 4.6は80.3%(F1スコア:0.833)、GPT-4oは70.5%(F1スコア:0.690)に達した。性能格差にもかかわらず、LCM生成規則は、臨床意思決定における説明可能性と透明性を高めるための解釈可能なIF-THEN診断ロジックを提供する。これらの知見は,医療人工知能システムにおける予測性能と解釈可能性のトレードオフを浮き彫りにしている。機械学習モデルやLLM由来のルール分類器を含むすべての実験の完全な実装は、GitHubリポジトリのhttps://github.com/FeisalAlaswad/LLM-Rule-ML-Heart-Disease-Predictionで公開されている。

関連論文リスト

Resource-Conscious Modeling for Next- Day Discharge Prediction Using Clinical Notes [39.44014654945035]
選択的脊椎手術におけるベッドの回転と資源配分の最適化には, タイムリー放電予測が不可欠である。本研究では, 軽量かつ微調整された大言語モデル (LLM) と, 日次放電予測のための従来のテキストベースモデルの実現可能性について検討した。
論文参考訳（メタデータ） (2026-04-03T22:42:50Z)
Integrating Machine Learning Ensembles and Large Language Models for Heart Disease Prediction Using Voting Fusion [0.0]
本研究は1,190人の患者記録を統合したデータセットを用いて心血管疾患を予測した。 MLアンサンブルとGemini 2.5 Flashによる推論のハイブリッド統合は、最高の結果を得た。
論文参考訳（メタデータ） (2026-02-25T10:53:57Z)
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)
Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文参考訳（メタデータ） (2025-11-19T20:11:49Z)
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)
From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。本研究は,臨床信頼性を重視した医療計算評価を再考する。
論文参考訳（メタデータ） (2025-09-20T09:10:26Z)
Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文参考訳（メタデータ） (2025-05-23T14:06:42Z)
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 Models versus Classical Machine Learning: Performance in COVID-19 Mortality Prediction Using High-Dimensional Tabular Data [0.7472996057387354]
本研究では,古典的特徴ベース機械学習モデル(CML)と大規模言語モデル(LLM)のパフォーマンスを比較し,新型コロナウイルス死亡率の予測を行った。 XGBoost と RF は CML において優れた性能を示し,F1 スコアは0.87 と 0.83 であった。 GPT-4はF1スコアが0.43、微調整のMistral-7bは1%から79%に大幅に改善され、外部検証では安定したF1スコアが0.74となった。
論文参考訳（メタデータ） (2024-09-02T14:51:12Z)

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。