論文の概要: Synthetic Hospital: An Open, Verifiable, Physician-Validated Longitudinal EHR Benchmark
- arxiv url: http://arxiv.org/abs/2609.30027v1
- Date: Thu, 24 Sep 2026 16:00:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.075429
- Title: Synthetic Hospital: An Open, Verifiable, Physician-Validated Longitudinal EHR Benchmark
- Title（参考訳）: 人工病院: オープンで, 検証可能な, 医師による経時的EHRベンチマーク
- Abstract要約: Synthetic Hospitalは、オープンで、完全に証明された、ファクトグラウンドの経時的EHRベンチマークである。
患者は1,268人、出会いは5,602人。
これは、臨床AIアプローチの困難で現実的なテストである。
- 参考スコア（独自算出の注目度）: 13.5888936820933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frontier language models are rarely used in clinical workflows because the realistic, longitudinal benchmarks needed to develop them are scarce. Real electronic health record (EHR) data cannot be openly shared due to privacy, ethics or data use issues and it does not contain verifiable ground truth since the chart records only reflect what clinicians documented. We introduce Synthetic Hospital, an open, fully synthetic, fact-grounded longitudinal EHR benchmark that resolves the open sharing and verifiable ground truth barriers. Built entirely from public medical-education material with no protected health information, it comprises 1,268 longitudinal patients and 5,602 encounters, where every diagnosis, finding, and temporal relation is grounded in standard ontologies (ICD-10-CM, SNOMED CT, LOINC) and with a complete provenance chain back to its source medical education material. Synthetic Hospital is served through a simulated hospital record system that mirrors real EHR infrastructure (standard interoperability APIs, role-based access and function-calling interface). In a blinded review, physicians distinguished its records from real patient charts at near-chance rates (53\%). Across 10 frontier and open models, none approaches ceiling: the best model reconstructs a patient's longitudinal problem list with a severity-weighted F1 of 0.73, level with the mean of seven physicians on a matched subset but well below the best of them (0.89), and misses roughly half of clinically relevant findings when summarizing a chart. Overall, these results highlight that Synthetic Hospital is a difficult and realistic test of clinical AI performance.
- Abstract（参考訳）: 最前線の言語モデルは、臨床ワークフローではほとんど使われない。
リアル・エレクトロニック・ヘルス・レコード(EHR)データは、プライバシー、倫理、データ使用の問題のために公開的に共有することはできない。
我々は、オープンな共有と検証可能な地上真実障壁を解決するための、オープンで完全に合成された、事実に基づく縦断的EHRベンチマークであるSynthetic Hospitalを紹介する。
公的医療教育資料から保護された健康情報を持たないもので、1,268人の縦断患者と5,602人の出会いがあり、標準オントロジー(ICD-10-CM、SNOMED CT、LOINC)に全ての診断、発見、時間的関係が根ざされており、その元となる医学教育資料に完全一致する。
シンセティック病院は、実際のEHRインフラストラクチャ(標準相互運用性API、ロールベースのアクセス、関数呼び出しインターフェース)を反映したシミュレートされた病院記録システムを通じて提供される。
ブラインドされたレビューでは、医師は実際の患者のチャートから、ほぼチャンス率(53\%)でその記録を区別した。
10のフロンティアとオープンモデルにまたがって、最良モデルは天井に近づかない: 最良モデルは、患者の長手問題リストを、重症度重み付きF1で再構成し、一致したサブセットの医師7名の平均値で、最良(0.89)以下で再現し、チャートを要約する際に臨床的に関係のある発見のおよそ半分を見逃す。
これらの結果は、総合的に、Synthetic Hospitalは臨床AIのパフォーマンスの困難で現実的なテストであることを示している。
関連論文リスト
- VISTA Architect: A graph database-oriented health AI system demonstrated in multidisciplinary tumor boards [1.5504500166769226]
本稿では,データベース指向のAIアーキテクチャであるVISTA Architectを紹介した。
摂取時に、複雑な臨床文書を永続的で前立腺にリンクした知識グラフに変換する。
1,180人以上の患者で、VISTA Architectは15の腫瘍基板型変数に対して96.4%の精度を達成した。
論文 参考訳（メタデータ） (2026-06-21T22:09:12Z) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - VeriSim: A Configurable Framework for Evaluating Medical AI Under Realistic Patient Noise [2.997608017642323]
真理を保存する患者シミュレーションフレームワークであるVeriSimを紹介する。
本フレームワークは,患者の反応にコントロール可能な,臨床的に根拠のあるノイズを注入する。
我々の研究結果は、現在の医療AIにおけるSim-to-Realギャップを浮き彫りにしている。
論文 参考訳（メタデータ） (2026-04-12T03:35:22Z) - From Statistical Fidelity to Clinical Consistency: Scalable Generation and Auditing of Synthetic Patient Trajectories [0.8261055975875736]
臨床的に整合性を持たせるためのパイプラインを構築した。
実症例180,712例から合成患者18,071例を作成した。
プライバシーリスクの証拠は見つからず、メンバーシップのパフォーマンスはランダムな推測とは区別できない。
論文 参考訳（メタデータ） (2026-03-06T00:17:59Z) - LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。
本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。
LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
論文 参考訳（メタデータ） (2026-02-18T03:59:46Z) - 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) - VeriFact: Verifying Facts in LLM-Generated Clinical Text with Electronic Health Records [2.8078482678056527]
VeriFact(ヴェリファクト)は、臨床医学における大規模言語モデル(LLM)のファクトチェックのための人工知能システムである。
略式病院講座の物語を、患者の EHR 臨床ノートによってそれぞれの声明が支持されているかどうかに関する臨床注釈付き簡易な記述に分解する。
平均的なヒト臨床臨床の基礎的事実に対して、最大92.7%の合意を達成している。
論文 参考訳（メタデータ） (2025-01-28T03:13:16Z) - PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models [4.438101430231511]
本報告では,実世界のERHを用いた臨床治験の大規模評価について述べる。
本研究は, LLMsが適切な臨床試験で患者に正確に適合する能力を示すものである。
論文 参考訳（メタデータ） (2024-04-23T22:33:19Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳（メタデータ） (2020-06-15T21:01:33Z) - DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment
Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。
DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文 参考訳（メタデータ） (2020-01-22T17:51:25Z)
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。