論文の概要: RASPER: Reward-Aligned Summarization of Clinical Notes for EHR Outcome Prediction

• arxiv url: http://arxiv.org/abs/2610.02979v1
• Date: Fri, 02 Oct 2026 08:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.276253
• Title: RASPER: Reward-Aligned Summarization of Clinical Notes for EHR Outcome Prediction
• Title（参考訳）: RASPER : EHRアウトカム予測のための臨床ノートの逆アライズ
• Abstract要約: EHRにおける予測のための逆アライズ・サムライザであるRASPERを提案する。 RASPERは、照準可能なLCMベースの要約器を使用して、放電ノートからタスク関連証拠を抽出する。 RASPERは、寛容予測と医薬品推奨の両方において、強い基準線を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 14.711294299248024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unstructured discharge notes in Electronic Health Records (EHRs) often carry signal complementary to structured medical codes, holding patient-specific evidence that standardized cohort-level codes alone cannot capture. However, this evidence in notes is frequently buried in lengthy, noisy text that is not intentionally written with any specific clinical prediction in mind. Summarization is an obvious mitigation, but generic summaries, tuned for fluency rather than the outcome, routinely omit decisive evidence while retaining plausible but uninformative detail. To this end, we propose RASPER, a Reward-Aligned Summarizer for Prediction in EHR, that optimizes note summarization directly against the downstream clinical task. RASPER employs a tunable LLM-based summarizer to extract task-relevant evidence from discharge notes and trains it via reinforcement learning from prediction feedback, using a reward derived from the downstream predictor's loss. To ground the summarizer, a longitudinal encoder converts structured codes into soft prompts that incorporate each patient's clinical context into note summarization. By rewarding the quality of the resulting multimodal prediction, RASPER encourages the summarizer to retain patient-specific evidence that complements, rather than duplicates, information captured by structured codes. RASPER consistently outperforms strong baselines on both readmission prediction and medication recommendation across MIMIC-III and MIMIC-IV.
• Abstract（参考訳）: 電子健康記録(Electronic Health Records, EHRs)の非構造化放電ノートは、しばしば構造化された医療コードに補完する信号を持ち、標準化されたコホートレベルのコードだけではキャプチャーできないという患者固有の証拠を持っている。 しかし、このノートの証拠は、特定の臨床予測を念頭に置いて意図的に書かれていない長くて騒々しいテキストにしばしば埋もれている。 要約は明らかな緩和であるが、一般的な要約は結果よりも流布のために調整され、妥当だが非形式的な詳細を維持しながら、決定的な証拠を日常的に省略する。 この目的のために, 下流臨床課題に対して, メモ要約を直接最適化するReward-Aligned Summarizer for Prediction in EHRを提案する。 RASPERは、調整可能なLCMベースの要約器を使用して、放電ノートからタスク関連証拠を抽出し、下流予測器の損失から得られる報酬を用いて、予測フィードバックから強化学習を通じて訓練する。 要約器を接地するために、長手エンコーダは、構造化されたコードをソフトプロンプトに変換し、各患者の臨床コンテキストをメモ要約に組み込む。 結果のマルチモーダル予測の品質に報いることにより、RASPERは要約者に対して、重複ではなく、構造化されたコードによって取得された情報を補完する患者固有の証拠を保持するよう推奨する。 RASPER は、MIMIC-III と MIMIC-IV にまたがって、寛容予測と医薬品推奨の両方において、強い基準線を一貫して上回っている。

関連論文リスト

• Clinical Graph-JEPA: Predictive Patient-State Knowledge Graphs for Cognitive Decision Support [1.6323661670304108]
  臨床知識グラフの構築と改善の枠組みを提案する。 臨床知識グラフを静的抽出アーティファクトとして扱うのではなく,予測的患者状態表現として扱う。 我々は, 漏れのない残余エッジ回復とバッチマスクのホールドアウト評価を用いて, 精製器の評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T20:31:34Z)
• ReToP: Learning to Rewrite Electronic Health Records for Clinical Prediction [1.0874597293913013]
  大言語モデル(LLM)は、臨床予測タスクのためのパラメトリック医療知識データによって、この問題に対処するための進歩を可能にした。 既存のアプローチの多くは、予測タスクからの信号を完全に統合することなく、ELHエンコーダやERHコンプリートモジュールとしてLLMをデプロイするという意味で、基本的にタスクに依存しない。 本稿では,この制限に対処するLLMベースのフレームワークであるRewrite-To-Predict(ReToP)を提案する。
  論文  参考訳（メタデータ） (2026-01-27T07:20:46Z)
• HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
  我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。 我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。 本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
  論文  参考訳（メタデータ） (2025-08-14T07:55:03Z)
• 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)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• 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。