論文の概要: R-GEAN: Regimen-Guided Edit Action Network for Within-Admission Medication Change Prediction

• arxiv url: http://arxiv.org/abs/2609.22959v1
• Date: Sat, 19 Sep 2026 11:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.610313
• Title: R-GEAN: Regimen-Guided Edit Action Network for Within-Admission Medication Change Prediction
• Title（参考訳）: R-GEAN:医療内変化予測のためのレジメンガイド編集行動ネットワーク
• Abstract要約: 完全な排出レギュレーションを比較するメトリクスは、変わらない薬をコピーするモデルに報酬を与えることができる。 ネットATC3の追加と削除を予測できるリーク制御ベンチマークを導入する。 R-GEANは,82,286人の240,480人の入院患者に対して,追加,削除,再登録,行動パターンのパフォーマンスを最多に評価した。
• 参考スコア（独自算出の注目度）: 0.6015898117103068
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The medications prescribed to a patient often change during a hospital admission as clinicians start, stop, or continue therapies. We study whether models can predict which medication classes are added or removed between 24 hours after admission and discharge. Metrics that compare the complete discharge regimen can reward models for copying medications that remain unchanged, even when they identify no actual changes. We therefore introduce a leakage-controlled benchmark that predicts net ATC3 additions and removals using only prior completed admissions and information available within the first 24 hours of the current admission. Addition candidates are classes not active at 24 hours, whereas removal candidates are classes active at that time. We also introduce R-GEAN, an asymmetric candidate-scoring network with independent addition and removal predictors. Across 240,480 admissions from 82,286 patients, R-GEAN achieves the highest predefined summary of addition, removal, changed-regimen, and action-pattern performance, termed the edit composite (0.464), compared with 0.435 for the strongest primary comparator. Reimplemented RETAIN, GAMENet, and MICRON baselines obtain 0.428, 0.420, and 0.288, respectively. R-GEAN's advantage is concentrated in correctly identifying medication classes no longer active at discharge, while rare additions and admissions with multiple medication changes remain difficult. Rankings based on micro-F1 over the reconstructed discharge regimen and the edit composite correlate weakly across the evaluated models (Spearman r = 0.20). The continuation baseline achieves the highest complete-regimen score despite predicting no additions or removals. These results show that complete-regimen and edit-level evaluation measure different aspects of medication prediction. The benchmark evaluates observed prescribing changes, not treatment appropriateness
• Abstract（参考訳）: 患者に処方される薬は、臨床医が治療を開始する、停止する、または継続するにつれて、病院の入院中に頻繁に変化する。 入院から退院後24時間の間に,どの薬種が追加・除去されるかをモデルで予測できるかどうかを検討した。 完全な排出レギュレーションを比較するメトリクスは、実際の変化が特定されていない場合でも、変化しない薬をコピーするモデルに報酬を与えることができる。 そこで本研究では,既存の入場開始から24時間以内に利用可能な事前入場情報と情報のみを用いて,ネットATC3の追加と削除を予測できる漏洩制御ベンチマークを導入する。 追加候補は24時間で活動しないクラスであり、除去候補は当時活動しているクラスである。 また、独立な加算・除去予測器を備えた非対称な候補標示ネットワークであるR-GEANを導入する。 R-GEANは,82,286人の240,480人を対象に,第1次コンパレータでは0.435人に比べて,追加,削除,再登録,行動パターンのパフォーマンスが最も高く,第2次コンパレータでは0.464人であった。 reimplemented RETAIN, GAMENet, MICRONベースラインはそれぞれ0.428, 0.420, 0.288を得る。 R-GEANの利点は、退院時に活動しない薬のクラスを正しく同定することに集中している。 再構成された放電レギュレータ上でのマイクロF1に基づくランク付けと編集合成は、評価されたモデル間で弱相関する(Spearman r = 0.20)。 継続ベースラインは、追加や削除を予測していないにもかかわらず、最も高い完全登録スコアを達成する。 これらの結果から,完全登録と編集レベル評価が薬剤の予測の異なる側面を測ることが明らかとなった。 このベンチマークは、治療の適切性ではなく、観察された規定変更を評価する

関連論文リスト

• Not Every Divergence Should Be Suppressed: Counterfactual Recoverability in On-Policy Distillation [2.038560872025072]
  我々は,この決定を反実的回復性として定式化し,予算に整合した教師継続とロールバックのブランチを通じて各エラー状態を再現する。 凍結評価全体では、リカバリ性を考慮した制御が最強の記録性能を達成し、ホールドアウトのAIME2025で0.578の成功を収めた。 以上の結果から,OPDの選択的監督のための結果ベース決定変数としての回復可能性が確認された。
  論文  参考訳（メタデータ） (2026-08-05T03:32:08Z)
• Characterizing Treatment-Context Medication Evidence Across Clinic Notes and Structured EHR Medication History [1.6612653577971574]
  臨床メモと構造化電子健康記録(EHR)の薬歴は、しばしば異なる薬物情報を含んでいる。 同じ視認的な意見の相違は、ノート側の正規化エラー、用語やタイミングの違い、実際の文書の違いによって生じる。 我々は,大規模言語モデル(LLM)による参照構築,対象的・ランダムな人的レビュー,決定論的薬物正規化,構造化された医薬品の歴史と意味的・時間的比較を用いたノート・グラウンド・アプローチを開発した。
  論文  参考訳（メタデータ） (2026-08-03T01:00:01Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• Simultaneous hyperkinetic movement disorders phenotyping: a cross-cohort pediatric transfer study using routine videos, markerless pose estimation and a tabular foundation model [0.0]
  このフレームワークは、マーカーレスポーズ推定、キネマティック記述子、事前訓練された愛着モデルを組み合わせる。 結果: 決定層の局所的校正後, 維持中の小児患者に対して, 常に改善が認められた。
  論文  参考訳（メタデータ） (2026-06-04T18:13:13Z)
• FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing [1.7865154997539017]
  平坦な複合トークンを用いた14.5Mパラメータ自己回帰臨床シーケンスモデルであるFlatASCENDと、ゼロインフレーションされた対数正規時間ヘッドを提案する。 プロンプトシャッフルアブレーションは、患者固有の条件付けが機械的薬理学的効果を増幅することを示している。 生成的証拠は短水平ICUデータにとって最強であり、外来患者の時間的忠実度は弱くなっている。
  論文  参考訳（メタデータ） (2026-04-13T11:43:51Z)
• 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)
• 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)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。