論文の概要: Auditable Clinical Timeline Reconstruction with Provenance-Aware Evidence Graphs
- arxiv url: http://arxiv.org/abs/2610.06177v1
- Date: Mon, 05 Oct 2026 11:56:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 18:10:59.215241
- Title: Auditable Clinical Timeline Reconstruction with Provenance-Aware Evidence Graphs
- Title（参考訳）: Provenance-Aware Evidence Graphs を用いた臨床経過観察
- Abstract要約: 患者時制再建システムは,各回答の裏側に言及を残し,事実の改定方法を記録し,証拠が文書に記載されていない場合に回答を減少させる場合にのみ,監査可能である。
本研究は, 完全合成コーパス(1,000症例, 3,353ノート, 220リビジョンエッジ)におけるこれらの3つの特性について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A patient-timeline reconstruction system is auditable only if it keeps the mentions behind each answer, records how facts were revised, and declines to answer when the evidence is not in the text. This study tests these three properties on a fully synthetic corpus (1,000 patients, 3,353 notes, 220 revision edges). Two provenance-aware Evidence Graph operators reduced the node-plus-edge count to 67% and 63% (77-78% of serialized size) while preserving every answer and mention link across 6,813 query points answerable by recency; a fixed-window baseline returned no value for 53.4% of points, unflagged. On evidence-unavailable controls that announce the omission, a BioClinicalBERT gate and a zero-shot LLM gate responded mainly to the announcement. On marker-free controls, BERT abstained on 0 of 81 notes while its accuracy fell from 93.8% to 59.3% across all three relation classes; the LLM's coverage fell from 75.6% to 27.7% on notes its own model family judged undeterminable. Against 482 regenerated gold spans, the LLM's cited evidence reached recall 0.850 and precision 0.864; BERT's span head, trained without span labels, did not localize evidence. A temporally versioned provenance graph stored abstentions as typed, queryable edges. The clean task admits a 0.651-accuracy shortcut, and results describe implementation behaviour on synthetic data, not clinical performance.
- Abstract（参考訳）: 患者・タイムライン再構築システムは,各回答の裏側に言及を残した場合にのみ監査可能であり,事実の改定方法を記録し,証拠が本文に記載されていない場合には回答が減少する。
本研究は, 完全合成コーパス(1,000例, ノート3,353例, リビジョンエッジ220例)でこれらの3つの特性を検証した。
2つの証明付きエビデンスグラフ演算子がノードプラスエッジ数を67%と63%(シリアライズサイズ77-78%)に削減し、すべての回答と6,813のクエリポイントへの参照リンクを保存した。
消毒を知らせる証拠がない制御について、BioClinicalBERT ゲートとゼロショット LLM ゲートがおもにこの発表に応答した。
マーカーフリーの制御では、BERTは81点中0点で棄権したが、精度は3つの関係クラスで93.8%から59.3%に低下し、LLMのカバレッジは75.6%から27.7%に低下した。
482個の再生された金のスパンに対して、LLMの引用された証拠は0.850と精度0.864に達した。
一時バージョン付き前置詞グラフは、禁忌を型付き、クエリ可能なエッジとして保存する。
クリーンタスクは、0.651精度のショートカットを認め、その結果、臨床性能ではなく、合成データに対する実装の振る舞いを記述する。
関連論文リスト
- Proof-Grounded Patient-Specific Clinical Explanations from Knowledge-Graph Reasoning [4.1457422356798155]
CKG Clinical Explanation Engine(CKG クリニカル・エクスプレイテーション・エンジン)は、凍結した無トレーニング臨床知識グラフ推論器のための下流層である。
患者推論の状態と疾患の知識を、型付けされた事実、明示的なルール・アプリケーション・トレース、証明とリンクした結論、そしてポリシーにライセンスされたレコメンデーションに変換する。
論文 参考訳（メタデータ） (2026-10-05T15:41:31Z) - AGO AI Quality Gate: Evidence-First Release Decisions for Retrieval-Augmented Generation [35.18016233072556]
AGO AI Quality Gateは、産業RAGアセスメントエンゲージメントにデプロイされるエビデンスファーストの品質ゲートフレームワークである。
AGOは4つの重要なコンポーネントを統合している。データ不足を処理し、エラーを明確な結果として判断する4状態決定モデルだ。
RAGBenchは、12データセットにわたる100kの注釈付きRAGトレースの公開ベンチマークである。
論文 参考訳（メタデータ） (2026-10-01T07:24:04Z) - Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳（メタデータ） (2026-09-30T16:40:22Z) - GroundedGEO: Auditing the Evidence Gap in Generative Search Rankings [4.058849693424635]
ジェネレーティブ検索システムは、製品とサービスを連続的な決定のためにランク付けする。
テキストのみのランク付けと防御は、作り出された細部から正直な詳細な内容を切り離すことはできない。
その結果,有望な変種では,清潔な候補よりも有意な正規化ランクが得られた。
論文 参考訳（メタデータ） (2026-09-21T17:07:10Z) - VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - CareGraph: An Auditable Hybrid AI Framework for Evidence-Grounded Personalized Longitudinal Health Intelligence [0.0]
CareGraphは、診断、結果の予測、治療の選択、または自律的な臨床決定をせずに証拠を整理する。
テストでは、開発、バリデーション、ホールドアウトのために、400人の患者による合成コホートを使用した。
CareGraphは、インテリジェントなパーソナライズされたヘルスシステムのための安全なバウンド基盤を提供する。
論文 参考訳（メタデータ） (2026-08-25T20:03:52Z) - From Runnable to Verifiable: An Independent Reproducibility Study of LLM/Agent-Driven Vulnerability Validation Artifacts [4.093009863847175]
セキュリティ研究成果物は、エージェント駆動の脆弱性によってますます生成される。
公衆に入手可能で、飛行可能で、飛行可能で、飛行可能で、飛行確認済みの人工物とのギャップは、十分に測定されていない。
我々はこの文献について事前登録されたコンセンサス監査を行う。
論文 参考訳（メタデータ） (2026-08-10T13:05:02Z) - Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair [36.56438114281786]
正しいパッチの発見と保持、検証、提出のギャップについて検討する。
我々はエビデンスバウンド型ループ契約を導出し、その機械的に強制可能なサブセットを参照実装でインスタンス化する。
論文 参考訳（メタデータ） (2026-07-27T16:05:23Z) - LLM Doesn't Know What It Doesn't Know: Detecting Epistemic Blind Spots via Cross-Model Attribution Divergence on Clinical Tabular Data [2.1443570696048906]
大規模言語モデル(LLM)は、構造化された臨床データにますます適用される。
Qwen 2.5 7B と XGBoost を比較する。
論文 参考訳（メタデータ） (2026-06-17T18:49:44Z) - Think Before You Prune: Self-Reflective Structured Pruning for Reasoning Language Models [31.422773877490613]
推論 LLM (Reasoning LLMs) はチェーン・オブ・ソート・ジェネレーションを通じて強力な多段階推論を実現する。
RLMの大きなモデルサイズと長いデコードタイムのアウトプットは、リソース制約のある設定にデプロイするのにコストがかかり、不適当である。
我々は、構造化されたプルーニングフレームワークであるRESPを紹介し、プルーニング決定とモデルの推論力学を一致させる。
論文 参考訳（メタデータ） (2025-12-01T20:27:05Z)
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。