論文の概要: RES-MR: Risk-Aware Reasoning for Explainable and Safe Medication Recommendation

• arxiv url: http://arxiv.org/abs/2610.14474v1
• Date: Sat, 10 Oct 2026 02:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.05503
• Title: RES-MR: Risk-Aware Reasoning for Explainable and Safe Medication Recommendation
• Title（参考訳）: RES-MR: 説明可能な安全な医療勧告のためのリスク対応推論
• Abstract要約: 医薬推奨は、患者の臨床情報に基づいて、パーソナライズされた薬物の組み合わせを提供することを目指している。 既存のアプローチはブラックボックスとして機能し、限定的な解釈可能性を提供し、臨床医の信頼を妨げる。 我々は,新しいリスク対応推論フレームワークである textbfRES-MR を提案する。
• 参考スコア（独自算出の注目度）: 18.842784529604995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication recommendations seek to deliver personalized drug combinations based on patients' clinical information, where ensuring transparent decision-making and personalized safety are of paramount importance. However, existing approaches predominantly operate as ``black boxes'', offering limited interpretability and hindering clinician trust. Furthermore, they typically rely on fixed, patient-agnostic safety constraints, neglecting the heterogeneity of risk tolerance across individuals, which poses significant risks to vulnerable populations. To address these gaps, we propose \textbf{RES-MR}, a novel Risk-aware Reasoning framework for Explainable and Safe Medication Recommendation using LLMs. RES-MR follows a two-stage training paradigm: (1) an explainable clinical reasoning distillation stage to elicit diagnostic capabilities by fine-tuning on synthesized reasoning trajectories, grounded in patient-specific knowledge from graph retrieval; and (2) a risk-aware policy optimization stage to dynamically balance therapeutic efficacy with personalized safety. This stage employs disentangled drug factors to construct patient-specific reference prototypes that capture desired therapeutic drug features and risk features to avoid. These prototypes enable risk boundary calibration and guide the model toward safe recommendations via reward shaping and clipping. Extensive experiments on benchmark datasets demonstrate that RES-MR significantly outperforms state-of-the-art baselines in terms of accuracy, safety, and explainability. Our code and data are available at: https://github.com/wangcong2001/RES-MR.
• Abstract（参考訳）: 治療勧告は、患者の臨床情報に基づいてパーソナライズされた薬物の組み合わせを提供し、透明な意思決定とパーソナライズされた安全性を確保することが最重要事項である。 しかし、既存のアプローチは主に 'black box'' として機能し、限定的な解釈可能性を提供し、臨床医の信頼を妨げている。 さらに、それらは通常、固定された患者に依存しない安全性の制約に頼り、個人間のリスク寛容の不均一性を無視し、脆弱な集団に重大なリスクをもたらす。 これらのギャップに対処するために, LLM を用いたリスク対応・安全な医療勧告フレームワークである \textbf{RES-MR} を提案する。 RES-MRは,(1)グラフ検索から患者固有の知識を基盤とした合成推論軌跡を微調整し,診断能力を引き出すための説明可能な臨床推論蒸留段階,(2)パーソナライズされた安全性と治療効果を動的にバランスさせるリスク・アウェア・ポリシー最適化段階の2段階の訓練パラダイムに従っている。 この段階は、患者固有の基準プロトタイプを構築し、望まれる治療薬の特徴と避けるべき危険特徴をキャプチャする。 これらのプロトタイプはリスクバウンダリのキャリブレーションを可能にし、報酬の整形とクリッピングによってモデルを安全なレコメンデーションへと導く。 ベンチマークデータセットに対する大規模な実験により、RES-MRは精度、安全性、説明可能性という点で最先端のベースラインを大幅に上回っていることが示された。 私たちのコードとデータは、https://github.com/wangcong2001/RES-MR.comで公開されています。

関連論文リスト

• SafeRx-Agent: A Knowledge-Grounded Multi-Agent Framework for Safe and Explainable Medication Recommendation [12.70587762578296]
  患者コンテキスト,外部臨床知識,安全性検証を用いて,追跡可能な薬剤セットを推奨する知識基盤型マルチエージェントフレームワークであるSafeRx-Agentを提案する。 MIMIC-IIIおよびMIMIC-IVデータセットによる実験結果から、SafeRx-Agentは薬物相互作用、禁忌、医薬品セットサイズを制御しながら、きめ細かい薬物の予測精度を向上させることが示された。
  論文  参考訳（メタデータ） (2026-05-27T22:15:48Z)
• Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging [92.90858286761515]
  タスク適応型圧縮型磁気共鳴画像(CS-MRI)は、下流臨床の特定の要求に対処するために出現している。 本稿では,不確実性予測のための確率的推論を同時に達成するために,情報理論の観点から最初のタスク適応型CS-MRIを提案する。 我々は、アモータイズされた最適化を活用し、抽出、再構成、タスク推論モデルを共同で最適化するために、相互情報に対してトラクタブルな変動境界を構築する。
  論文  参考訳（メタデータ） (2026-04-14T13:23:19Z)
• RxSafeBench: Identifying Medication Safety Issues of Large Language Models in Simulated Consultation [19.41567007880886]
  大規模言語モデル(LLM)は多様な医療タスクにおいて顕著な進歩を遂げた。 しかし、それらの医薬品の安全性に関する研究は、現実世界のデータセットが不足しているため、依然として限られている。 臨床相談をシミュレートし,評価し,LSMの薬剤安全性を体系的に評価する枠組みを提案する。
  論文  参考訳（メタデータ） (2025-11-06T12:56:34Z)
• RADAR: A Risk-Aware Dynamic Multi-Agent Framework for LLM Safety Evaluation via Role-Specialized Collaboration [81.38705556267917]
  大規模言語モデル(LLM)の既存の安全性評価手法は、固有の制約に悩まされている。 リスク概念空間を再構築する理論的枠組みを導入する。 マルチエージェント協調評価フレームワークRADARを提案する。
  論文  参考訳（メタデータ） (2025-09-28T09:35:32Z)
• SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes [18.881967326672456]
  動的治療体制(DTR)のためのリスク対応型リコメンデーションフレームワークSAFERを紹介する。 SAFER は構造化 EHR と臨床ノートを統合し、互いに学習し、ラベルの不確実性に対処できるようにする。 実験により、SAFERは複数のレコメンデーション指標と対実死亡率で最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-06-07T04:05:43Z)
• Learning-Based sensitivity analysis and feedback design for drug delivery of mixed therapy of cancer in the presence of high model uncertainties [0.0]
  ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。 ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。
  論文  参考訳（メタデータ） (2022-05-16T07:08:50Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)

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。