論文の概要: Proof-Grounded Patient-Specific Clinical Explanations from Knowledge-Graph Reasoning
- arxiv url: http://arxiv.org/abs/2610.06549v1
- Date: Mon, 05 Oct 2026 15:41:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 07:38:19.634583
- Title: Proof-Grounded Patient-Specific Clinical Explanations from Knowledge-Graph Reasoning
- Title（参考訳）: 知識グラフ推論による患者の特徴的臨床説明
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.1457422356798155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical decision-support outputs can lack an au- ditable link between patient observations, encoded knowledge, conclusions, and recommendations. We present the CKG Clinical Explanation Engine, a downstream layer for a frozen, training-free clinical knowledge-graph reasoner that converts patient inference states and disease knowledge into typed facts, explicit rule-application traces, provenance-linked conclusions, and policy-licensed recommendations. The design separates measurement availability, representation completeness, and disease-specific activation; consequently, observed zero-activation evience is not treated as missing and partial representation is distinct from unobserved evidence. Optional language generation is restricted to symbolically licensed content. Across five usable workbooks (6,720 patients; 20,160 patient-disease traces; 1,021,440 feature-evidence rows), IG-range validity and knowledge provenance were 100%, numerical cross-sheet fidelity was 100% (120,960/120,960), and exported logical/report trace completeness was 100% (20,160/20,160). Availability representation consistency was 99.7028% (1,018,404/1,021,440); all 3,036 disagreements were confined to three systematic feature-cohort patterns. The corpus contained 86,783 observed zero-activation and 139,949 observed partially represented instances. A separate seeded 25-patient end-to-end audit completed without execution failure and passed all pre-specified trace, licensing, provenance, and state-consistency checks. These results establish structural and implementation auditability, not clinical correctness or utility.
- Abstract（参考訳）: 臨床的意思決定支援アウトプットは、患者の観察、エンコードされた知識、結論、レコメンデーションの間のオー・ディタブルなリンクを欠く可能性がある。
CKG 臨床説明エンジン(CKG Clinical Explanation Engine)は,患者の推論状態と疾患知識を型付き事実,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,および政策ライセンスの勧告に変換する,凍結した無トレーニング臨床知識グラフ推論器の下流層である。
この設計は、測定可能性、表現完全性、および疾患特異的な活性化を分離し、その結果、観察されたゼロアクティベーションのエビデンスは、欠如として扱われず、部分的な表現は、観測されていない証拠とは区別される。
任意の言語生成は、象徴的なライセンス付きコンテンツに制限される。
5種類のワークブック (6,720人, 20160人, 2021,440人) , IG範囲の妥当性と知識証明は100%, 数値的なクロスシート忠実度は100% (120,960/120,960人) , 輸出された論理的・報告的痕跡完全性は100% (20,160/20,160人) であった。
可用性の表現一貫性は99.7028% (1,018,404/1,021,440) であり、3,036の意見の一致は3つの系統的な特徴コホートパターンに制限された。
コーパスは, ゼロアクティベーションが86,783例, 部分的に発現した症例が139,949例であった。
個別の25人の患者によるエンドツーエンドの監査が実行障害なく完了し、事前に特定されたトレース、ライセンス、証明、状態整合性チェックをすべてパスした。
これらの結果は、臨床的正確性や有用性ではなく、構造的および実装的監査性を確立する。
関連論文リスト
- Auditable Clinical Timeline Reconstruction with Provenance-Aware Evidence Graphs [0.0]
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。
論文 参考訳（メタデータ） (2026-10-05T11:56:07Z) - RareDx: Controlled Knowledge Integration and Graph-Grounded Policy Optimization for Rare-Disease Diagnosis [39.347267469413076]
本稿では,知識グラフに基づくポリシー最適化で使用するエビデンスを制御するRareDxを紹介する。
RareDx-Harnessは異種記録を1つのランク付け診断タスクに正規化する。
構造化された医療知識は、コンパクトなモデルを競争力のある診断ランク付けに変換できることを示す。
論文 参考訳（メタデータ） (2026-09-28T16:24:54Z) - Training-Free Clinical Reasoning through Medical Ontologies and Cognitive Mapping: A Symbolic-Probabilistic Knowledge Graph Framework [4.1457422356798155]
ほとんどの臨床予測システムは、患者可変アウトカム関連を学習する。
患者観察を明確な医療知識にマッピングする無トレーニング診断パラダイムについて検討する。
CKG Reasonerは、候補固有のEvidence Feature Nodes、患者参照マッチング、境界情報ゲート、知識重み付けされたエビデンス蓄積、疾患類似性、決定的な臨床規則を統合している。
論文 参考訳（メタデータ） (2026-09-28T14:39:34Z) - 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) - RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳（メタデータ） (2026-07-25T16:58:10Z) - A Multi-Agent System for Autonomous, Fine-Tuning-Free Clinical Symptom Detection: Development and Validation Study [3.0950658457067433]
Pythiaは、手動のプロンプトエンジニアリングや微調整なしで、臨床概念のための抽出プロンプトを書き、最適化する。
症例は387例で,Pythiaを72の徴候と400の臨床症状で治療したレキシコンと比較した。
レキシコンが全ての音符を正にラベル付けした14の概念に対して、ピシアは、現在、患者が注目する発見を必要とすることで、0.97の平均的な特異性を回復した。
論文 参考訳（メタデータ） (2026-07-14T15:32:07Z) - CLExEval: A Human-in-the-Loop Framework for Qualitative Evaluation of LLM Clinical Reasoning [37.91882261875461]
大規模言語モデル (LLMs) は多くの医学ベンチマークにおいて強い結果が得られたが, 臨床的理由を確実に評価することは困難である。
プログレッシブな情報マスキング下でのLCM臨床推論を評価するための人為的ループ・フレームワークであるCLExEvalを紹介した。
論文 参考訳（メタデータ） (2026-06-30T12:56:42Z) - The Provenance Gap in Clinical AI: Evidence-Traceable Temporal Knowledge Graphs for Rare Disease Reasoning [1.4676581933580473]
最前線の大規模言語モデルは臨床的に正確な出力を生成するが、それらの引用は製造されている。
HEG-TKGは,4つのPubMedレコードと高品質な階層化と1,280の病的軌跡を持つキュレートされたソースから構築された時間的知識グラフに臨床的主張を基礎づけるシステムである。
論文 参考訳（メタデータ） (2026-04-18T19:10:12Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - Medical Hallucinations in Foundation Models and Their Impact on Healthcare [71.15392179084428]
基礎モデルの幻覚は自己回帰訓練の目的から生じる。
トップパフォーマンスモデルは、チェーン・オブ・シークレット・プロンプトで強化された場合、97%の精度を達成した。
論文 参考訳（メタデータ） (2025-02-26T02:30:44Z) - Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。
54件の主訴を含む46件のDUCGモデルが製造された。
実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
論文 参考訳（メタデータ） (2024-06-09T11:37:45Z)
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。