論文の概要: LearnActCoder: Role-Aware Error Memory for Adaptive Clinical Coding Agents
- arxiv url: http://arxiv.org/abs/2609.19721v1
- Date: Thu, 17 Sep 2026 05:27:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.116625
- Title: LearnActCoder: Role-Aware Error Memory for Adaptive Clinical Coding Agents
- Title（参考訳）: LearnActCoder: 適応型臨床コーディングエージェントにおける役割認識エラーメモリ
- Abstract要約: 我々はLearner-Then-Actという,小さなラベル付きLEARNバッチからのエラーを構造化ミステイク知識データベース(MistakeKDB)に変換する推論時適応フレームワークを紹介した。
150の一致MIMIC-IIIノートでは、構造化されたMistakeKDBはCPT F1を5.9ポイント改善し、生のサンプルやリフレクションスタイルの記憶はメモリのベースラインの近くに残っており、ICD-9の改善は重要ではない。
同じメモリを1,000個のMIMIC-IIIノートに適用すると、安定したICD動作点を維持し、スケール/安定性の証拠を提供する。
- 参考スコア（独自算出の注目度）: 0.6670498055582527
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical coding agents repeatedly encounter the same failure modes, including unsupported codes, missed documented conditions, specificity errors, and procedure-coding convention mismatches. We introduce Learn-Then-Act, an inference-time adaptation framework that converts errors from a small labeled LEARN batch into a structured Mistake Knowledge Database (MistakeKDB). False-negative lessons are routed to a recall-oriented Coder, while false-positive lessons are routed to a precision-oriented Judge. We instantiate the framework in LearnActCoder, a Coder-Judge clinical coding pipeline with lookup-table grounding where available. On 150 matched MIMIC-III notes, structured MistakeKDB improves CPT F1 by 5.9 percentage points, while raw-example and reflection-style memories remain near the no-memory baseline; the ICD-9 improvement is not significant. On a matched MIMIC-IV cohort, memory shifts ICD-10 coding toward higher precision at a recall cost, leaving F1 statistically unchanged. Applying the same memory to 1,000 held-out MIMIC-III notes maintains a stable ICD operating point, providing scale/stability evidence. Overall, the results are consistent with structured, feedback-derived error memory being useful for adapting clinical coding behavior across cases without weight updates or changes to the underlying workflow. Absolute CPT/HCPCS performance remains low, and the system is evaluated retrospectively rather than in clinical deployment.
- Abstract（参考訳）: 臨床コーディングエージェントは、サポートコード、文書化された条件の欠如、特異性エラー、手順コーディング規約のミスマッチを含む、同じ障害モードに何度も遭遇する。
我々はLearner-Then-Actという,小さなラベル付きLEARNバッチから構造化ミステイク知識データベース(MistakeKDB)にエラーを変換する推論時適応フレームワークを紹介した。
偽陰性レッスンはリコール指向のコーダに、偽陽性レッスンは精度指向のジャッジにルーティングされる。
このフレームワークはCoder-JudgeクリニカルコーディングパイプラインであるLearnActCoderでインスタンス化され、ルックアップテーブルのグラウンドが利用可能です。
150の一致MIMIC-IIIノートでは、構造化されたMistakeKDBはCPT F1を5.9ポイント改善し、生のサンプルやリフレクションスタイルの記憶はメモリのベースラインの近くに残っており、ICD-9の改善は重要ではない。
一致したMIMIC-IVコホートでは、メモリはICD-10の符号化をリコールコストで高精度にシフトし、F1は統計的に変化しない。
同じメモリを1,000個のMIMIC-IIIノートに適用すると、安定したICD動作点を維持し、スケール/安定性の証拠を提供する。
全体として、結果は構造化されたフィードバック由来のエラーメモリと一致しており、重み付けの更新や基礎となるワークフローの変更なしに、ケース間で臨床コーディングの振る舞いを適用するのに有用である。
CPT/HCPCSの絶対的性能は依然として低く, 臨床展開ではなく, 振り返り的に評価される。
関連論文リスト
- Continual Graph Memory for Adaptive Recommendation under Intent Drift [7.140905344515738]
本稿では,意図的ドリフト下での適応的レコメンデーションについて検討し,各レコメンデーション結果からのフィードバックによって,ランク付けに使用される関係証拠が有用か,欠落か,誤解を招くかを明らかにする。
本稿では,適応型レコメンデーションのための連続グラフメモリフレームワークであるCGM-Recを提案する。
論文 参考訳（メタデータ） (2026-09-04T02:32:20Z) - GoTTA be Diverse: Rethinking Memory Policies for Test-Time Adaptation [54.70334474895361]
テスト時間適応(TTA)は、事前訓練されたモデルが、分散シフトの下でラベルのないテストストリームにオンラインで適応できるようにする。
ほとんどのTTA研究は適応の目的に焦点を当てているが、実用的なストリームはどのサンプルが適応を駆動するかを選択するのに使用されるメモリにも大きく依存している。
本稿では,クラスバランスアロケーションと特徴空間の多様性を組み合わせた多様性を考慮したメモリポリシーであるGOTTAについて紹介する。
論文 参考訳（メタデータ） (2026-05-19T14:18:46Z) - Is One Score Enough? Rethinking the Evaluation of Sequentially Evolving LLM Memory [50.857546269660276]
本稿では,大規模言語モデル(LLM)メモリを逐次進化させる診断評価フレームワークであるSeqMem-Evalを紹介する。
最終的なパフォーマンスのみに焦点を当てるのではなく、SeqMem-Evalは、シーケンシャル推論において、メモリ状態がどのように進化し、一般化し、エクスペリエンスを集約し、有用な情報を保持するかを評価する。
論文 参考訳（メタデータ） (2026-05-14T20:15:22Z) - ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - QuAIL: Quality-Aware Inertial Learning for Robust Training under Data Corruption [7.630511612007769]
品質インフォームドトレーニング機構QuAILを学習プロセスに直接組み込む。
QuAILは、ランダムと値依存の両方の汚損の下で、ニューラルベースラインよりも平均性能を一貫して向上することを示す。
論文 参考訳（メタデータ） (2026-02-03T16:06:30Z) - Toward Reliable Clinical Coding with Language Models: Verification and Lightweight Adaptation [3.952186976672079]
本稿では,高速エンジニアリングや小型微調整を含む軽量な介入により,探索手法の計算オーバーヘッドを伴わずに精度を向上できることを示す。
階層的なニアミスエラーに対処するために,単体タスクとパイプラインコンポーネントの両方に臨床コード検証を導入する。
論文 参考訳（メタデータ） (2025-10-08T23:50:58Z) - Scrub It Out! Erasing Sensitive Memorization in Code Language Models via Machine Unlearning [50.45435841411193]
Code Language Models (CLMs)は、機密性のあるトレーニングデータの意図しない記憶を示し、具体的に指示された場合に機密情報の冗長な再現を可能にする。
CodeEraserは、コードの構造的整合性と機能的正当性を保ちながら、センシティブな記憶されたセグメントを選択的にコードに解放する高度な変種である。
論文 参考訳（メタデータ） (2025-09-17T07:12:35Z) - Memorize or Generalize? Evaluating LLM Code Generation with Code Rewriting [54.48306552577881]
大規模な言語モデル(LLM)は、主にメモリ化(トレーニングデータの大きな部分を複製または再利用する)と一般化(Generalization)を併用している、と我々は主張する。
既存の評価は、表面/構造的類似性を無視し、繰り返しコードの良質な再利用を有害なリコールと記憶タスクの正しさで混同する。
そこで我々は,2つの信号を組み合わせた正規化スコアである覚書リスク指標(MRI)を提案する。 (i) モデルが元の地平解とどのように類似しているか, (ii) 元のタスクから書き換えされたタスクにどの程度の性能が低下するか。
論文 参考訳（メタデータ） (2025-03-04T05:39:24Z) - Improving ICD coding using Chapter based Named Entities and Attentional Models [0.0]
我々は、章ベースの名前付きエンティティと注意モデルを用いて、F1スコアを改善するICD符号化の強化アプローチを導入する。
本手法は, 放電サマリーをICD-9章に分類し, 章別データを用いた注意モデルを開発する。
分類には第IV章を使用し、ニューラルネットワークを使わずに重要な要素や重みをデバイアスし、影響を及ぼす。
論文 参考訳（メタデータ） (2024-07-24T12:34:23Z) - TransICD: Transformer Based Code-wise Attention Model for Explainable
ICD Coding [5.273190477622007]
国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。
現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。
本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
論文 参考訳（メタデータ） (2021-03-28T05:34:32Z)
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。