論文の概要: Closing Ambient Clinical Documentation Gaps with Automated Provider Queries

• arxiv url: http://arxiv.org/abs/2610.07502v1
• Date: Mon, 05 Oct 2026 23:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.702346
• Title: Closing Ambient Clinical Documentation Gaps with Automated Provider Queries
• Title（参考訳）: 自動サプライヤークエリによる無作為な臨床ドキュメンテーションギャップの閉鎖
• Abstract要約: LLMがDAU(Draft, Ask, Update)と呼ばれるクエリループを自動化できるかを検討する。 3,000の実際の訪問の監査は、欠落したドキュメントのソースを特定する。
• 参考スコア（独自算出の注目度）: 3.20058525920272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Provider queries are clarifying requests sent by clinical documentation specialists to physicians to close gaps in the clinical note and ensure accurate billing. Prior work automates note drafting, ICD-10 coding, and order extraction assuming a complete transcript, leaving these gaps unaddressed. We study whether an LLM can automate the query loop, termed DAU (Draft, Ask, Update), across those three tasks. An audit of 3,000 real visits identifies the sources of missing documentation, from which we build five transcript-degradation benchmarks on public data. Analyzing 21k clarification turns on real conversations, we find useful-question predictors are task-specific: oracle confidence dominates, but note completeness needs only simple recall questions while ICD-10 coding needs harder, multi-option ones. About 9% of turns hurt performance, driven by redundant questions and non-answers that still trigger a rewrite. Deployment depends on learning "when not" as much as "what to" ask.
• Abstract（参考訳）: 提供者からの問い合わせは、臨床ドキュメントの専門家が医師に送った、臨床ノートのギャップを埋め、正確な請求を確実にする要求を明確にしている。 以前の作業では、ノートの起草、ICD-10コーディング、注文抽出が完全に書き起こしとして自動化されており、これらのギャップは未修正のままである。 LLMがDAU(Draft, Ask, Update)と呼ばれるクエリループを3つのタスクで自動化できるかどうかを検討する。 3,000回の実際の訪問の監査では、欠落したドキュメントのソースを特定し、そこから公開データ上に5つのトランスクリプト劣化ベンチマークを構築します。 オラクルの信頼性が支配的だが、注記完全性は単純なリコール質問しか必要とせず、ICD-10のコーディングはより難しく、複数のオプションを必要とする。 約9%のターンは、冗長な質問と、まだ書き直しをトリガーする非回答によって、パフォーマンスを損なう。 デプロイは"すべきでない"ことを学ぶことに依存します。

関連論文リスト

• CONTRA: Discovering and Qualifying Behavior-Changing Questions for Selective Clarification in LLM Code Generation [51.52661708278023]
  コーディングエージェントは正しいように見えるコードを生成することができるが、ユーザが意図しなかった振る舞いを実装する。 本研究では,広範囲な質問発見とセマンティックおよび実行に基づく質問資格を組み合わせた,学習自由度手法であるCONTRAを提案する。 ClarifyCodeBenchの実験では、CONTRAは4つのコーディングエージェントすべてで最高F1を達成した。
  論文  参考訳（メタデータ） (2026-10-01T14:26:21Z)
• When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain [73.2163413577971]
  そこで本研究では,回答よりも質問するタイミングと,不明瞭な情報を回復する質問を行う方法という,2つのスキルを教えるレシピを提案する。 不斉あいまいさボーナスは、金のあいまいさラベルに基づいて署名された報酬を端末トークンに割り当て、いつ尋ねるかを案内する。 また、データ単位のチューニングなしでデータセット間で転送し、アウト・オブ・ディストリビューションのベンチマークでシングルターンのQAパフォーマンスを保存する。
  論文  参考訳（メタデータ） (2026-09-21T08:47:39Z)
• Tasks over Application Manuals: Revealing Gaps in Long-Horizon Procedural Reasoning for Language Models [2.6851230921077742]
  大規模言語モデル(LLM)は、幅広い自然言語タスクにおいて高い性能を達成している。 本稿では,長期的手続き的推論のベンチマークであるタスク・オーバー・アプリケーション・マニュアル(TAM)を紹介する。 ICD-10-CMクリニカルコーディングと米国の連邦判決という2つの領域から現実世界のタスクをキュレートしてTAMを構築する。
  論文  参考訳（メタデータ） (2026-09-11T16:04:00Z)
• Clarify-Then-Search: A Clarification Benchmark for Deep Search with End-to-End Nugget Restoration [66.89521868638815]
  我々は,LLM生成の解明質問が下流の深層探索ユーティリティを改善するかどうかを評価するベンチマークであるClarify-Then-Searchを紹介する。 Baidu検索エンジンの実際のクエリデータに基づいて構築されたこのベンチマークには、518のキュレートされたインスタンスが含まれている。 静的な金に対して部分的にクレジットされた重み付きナゲット・リコールスコアであるrepure_score_100を用いて、エンドツーエンドのユーティリティをスコアする。
  論文  参考訳（メタデータ） (2026-06-17T13:16:31Z)
• Curiosity by Design: An LLM-based Coding Assistant Asking Clarification Questions [4.2689345057164205]
  この作業は、人間のコードレビュープロセスを模倣するLLMベースのコーディングアシスタントを構築することを目的としている。 エンドツーエンドシステムには,(1)不明瞭なプログラミング関連クエリを検出するために訓練されたクエリ,(2)明確化質問を生成する微調整LDMが含まれている。
  論文  参考訳（メタデータ） (2025-07-28T19:10:57Z)
• ImpliRet: Benchmarking the Implicit Fact Retrieval Challenge [50.93758649363798]
  Impliretは、推論の課題をドキュメント側処理にシフトするベンチマークである。 我々は,この環境下で苦戦している,疎水・密集したレトリバーの幅を評価した。
  論文  参考訳（メタデータ） (2025-06-17T11:08:29Z)
• Claim Check-Worthiness Detection: How Well do LLMs Grasp Annotation Guidelines? [0.0]
  ファクトチェックを必要とするテキストセグメントを識別するために、ゼロショットと少数ショットのLCMプロンプトを使用する。 各種領域の5つのCD/CWデータセットに対して,LLMの予測精度と校正精度を評価した。 提案手法により, 最適急進的冗長性はドメイン依存であり, 文脈の追加は性能を向上しないことがわかった。
  論文  参考訳（メタデータ） (2024-04-18T13:31:05Z)
• Efficiently Enhancing Zero-Shot Performance of Instruction Following Model via Retrieval of Soft Prompt [56.22456716092954]
  ソフトプロンプトの検索は、ゼロショットタスクの一般化において、ハードプロンプトを効率的に支援することができる。 我々は、プロンプトチューニングを通じて各プロンプトに対するソフトプロンプト埋め込みをトレーニングし、プロンプト埋め込みにマップされたトレーニングインスタンスのサンプルを格納し、推論中にクエリインスタンスに最も近いトレーニングインスタンスの対応するプロンプト埋め込みを検索する。 0.007%の追加パラメータしか加えていないが、ソフトプロンプトの検索は、未確認タスクにおけるT0のパフォーマンスを11つのデータセットのうち10で上回り、BIG-benchベンチマークにおけるT0の平均精度を2.39%向上させる。
  論文  参考訳（メタデータ） (2022-10-06T16:26:03Z)

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。