論文の概要: GLoC-EHR: Evidence-Cited Clinical Reasoning over Global Context and Local EHR Events

• arxiv url: http://arxiv.org/abs/2610.01076v1
• Date: Thu, 01 Oct 2026 05:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.913835
• Title: GLoC-EHR: Evidence-Cited Clinical Reasoning over Global Context and Local EHR Events
• Title（参考訳）: GLoC-EHR:グローバルコンテキストとローカルEHRイベントに対するエビデンス・シット・クリニカル・推論
• Abstract要約: GLoC-EHRは,記録の文脈エンコーディングを読み取るマルチモーダル言語モデルである。 グローバルメモリとローカルメモリからマスクされた概念の記述から病院コース要約を生成する。 答えの前に証拠を引用するように訓練されており、合理的な微調整とグループ相対的な政策最適化が続く。
• 参考スコア（独自算出の注目度）: 0.20625936401496234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structured electronic health records (EHRs) contain a patient's clinical trajectory as a sequence of clinical codes. Answering clinical questions from such records requires both the context of the whole trajectory and the specific events that support the answer. We introduce GLoC-EHR, a multimodal language model that reads a contextual encoding of the record through a fixed-size global memory of the trajectory and a local memory of selected events. The model learns to generate hospital-course summaries from the global memory and descriptions of masked concepts from the local memory, aligning both with clinical text. It is then trained to cite evidence before answering, through rationale fine-tuning followed by group relative policy optimization (GRPO) with rewards for correct answers and record-supported evidence. On three MIMIC-IV outcome tasks, GLoC-EHR attains the highest macro AUROC among the compared models when it answers directly, whereas zero-shot LLMs reading the serialized record fall far behind. With evidence-cited reasoning, it stays close to its direct multi-task counterpart in macro AUROC, and the evidence terms of the objective reduce unsupported evidence at a similar macro AUROC. The local memory adds distinct supported findings, particularly under strict matching, without a detectable change in macro AUROC. Without retraining, GLoC-EHR transfers to EHRSHOT on par with EHR-BERT and answers two unseen laboratory questions better than zero-shot prompting of its own backbone.
• Abstract（参考訳）: 構造化された電子健康記録(EHRs)は、患者の臨床的軌跡を臨床コードのシーケンスとして含む。 このようなレコードから臨床質問に答えるには、全体の軌跡の文脈と、回答を支持する特定の事象の両方が必要である。 GLoC-EHRは、トラックの固定サイズのグローバルメモリと選択したイベントのローカルメモリを通じて、レコードの文脈的エンコーディングを読み取るマルチモーダル言語モデルである。 このモデルは,グローバルメモリとローカルメモリからマスクされた概念の記述から病院コース要約を生成することを学習し,臨床テキストと整合する。 その後、合理的な微調整とグループ相対的政策最適化(GRPO)により、正解と記録に裏付けられた証拠の報酬が与えられる前に証拠を引用するように訓練される。 3つのMIMIC-IV結果タスクにおいて、GLoC-EHRは直接答えるときに比較モデルの中で最高のマクロAUROCを得る。 証拠を暗示する推論では、マクロAUROCの直接マルチタスクに近づき、同じマクロAUROCの目的的証拠を減じているという証拠条件が残されている。 ローカルメモリは、特に厳密なマッチングの下で、マクロAUROCに検出可能な変更を加えることなく、異なるサポートされた結果を追加する。 再トレーニングなしでは、GLoC-EHRはERH-BERTと同等にERHSHOTに移行し、2つの見当たらない実験室の質問に答える。

関連論文リスト

• Reinforcement Learning for Evidence-Seeking Diagnostic Reasoning with Large Language Models [35.9432019263596]
  医療診断をイテレーティブ・エビデンス・シークリング・タスクとして定式化する。 我々は,RLVR(Reinforcement Learning with Verifiable Rewards)を利用して,閉ループ環境における本質的な推論を行う。 本稿では,RAGES(Retrieval-Augmented Generation-based Examination Simulator)について紹介する。
  論文  参考訳（メタデータ） (2026-07-03T05:43:00Z)
• Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
  本稿では,継続的学習のための包括的枠組みを提案する。 モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。 動的知識蒸留フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-15T08:09:40Z)
• Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
  このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。 実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。 特徴選択戦略は臨床環境に適応する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T09:03:47Z)
• Dual-stage and Lightweight Patient Chart Summarization for Emergency Physicians [31.476936654094942]
  組込みデバイス上で完全に動作する2段階の要約システムを提案する。 検索段階では、ローカルに保存されたEHRを使用し、長いメモを意味的に一貫性のあるセクションに分割し、クエリ毎に最も関連性の高いセクションを検索する。 生成段階は、検索したテキストから要約を生成するために、ローカルにホストされた小さな言語モデル(SLM)を使用する。
  論文  参考訳（メタデータ） (2025-10-05T19:30:56Z)
• S-RRG-Bench: Structured Radiology Report Generation with Fine-Grained Evaluation Framework [39.542375803362965]
  胸部X線などの診断画像のための放射線診断レポート生成(RRG)は、臨床とAIの両方において重要な役割を担っている。 従来のフリーテキストレポートは冗長性と一貫性のない言語に悩まされ、臨床的に重要な詳細の抽出が複雑になる。 本稿では、データセット構築、モデルトレーニング、新しい評価フレームワークの導入を含む、S-RRGに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-04T05:49:41Z)
• Leaps Beyond the Seen: Reinforced Reasoning Augmented Generation for Clinical Notes [10.897880916802864]
  ReinRAG (ReinRAG) は、入力前情報に基づく長期放電命令のための推論拡張生成(RAG)である。 情報ギャップを埋めるため,グループ正規化報酬による検索品質の向上を目的としたグループベースレトリバー最適化(GRO)を提案する。 実世界のデータセットの実験では、ReinRAGは臨床効果と自然言語生成の指標の両方においてベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-03T12:59:52Z)
• LLMs in Biomedicine: A study on clinical Named Entity Recognition [42.71263594812782]
  大規模言語モデル(LLM)は、様々なNLPタスクにおいて顕著な汎用性を示す。 本稿では,NERタスクの性能向上戦略について検討する。 提案手法であるDiRAGは,バイオメディカルNERにおけるLDMのゼロショットF1スコアを高めることができる。
  論文  参考訳（メタデータ） (2024-04-10T22:26:26Z)
• EHRNoteQA: An LLM Benchmark for Real-World Clinical Practice Using Discharge Summaries [9.031182965159976]
  大規模言語モデル(LLM)は、大規模で複雑なデータを効率的に分析する可能性を示している。 我々は,MIMIC-IV EHR上に構築された新しいベンチマークであるEHRNoteQAを紹介した。 EHRNoteQAには、複数の放電サマリーにまたがる情報を必要とし、実際の臨床検査の複雑さと多様性を反映した8つの多様なトピックをカバーする質問が含まれている。
  論文  参考訳（メタデータ） (2024-02-25T09:41:50Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)

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。