論文の概要: More Reasoning Is Not Always Better: Executing Clinical Guidelines with LLMs and Rules

• arxiv url: http://arxiv.org/abs/2610.15912v1
• Date: Sun, 11 Oct 2026 20:48:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 15:20:16.273036
• Title: More Reasoning Is Not Always Better: Executing Clinical Guidelines with LLMs and Rules
• Title（参考訳）: LLMとルールによる臨床ガイドラインの実行
• Abstract要約: 大規模言語モデル (LLM) は臨床決定支援において大きな可能性を示している。 本稿では、構造化患者の状態と決定論的ルール実行を統合したMedDEx(MedDEx)の枠組みを提案する。
• 参考スコア（独自算出の注目度）: 8.698180442345947
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) have shown considerable promise in clinical decision support. However, existing approaches often rely on multi-step reasoning or multi-agent collaboration to execute clinical guidelines, introducing substantial computational overhead without reliably preventing decision errors. To address these limitations, we propose a framework for Medical Decision Execution (MedDEx) that integrates structured patient states with deterministic rule execution to support guideline-based treatment planning. MedDEx separates clinical record interpretation from guideline execution, leveraging LLMs to extract patient information and generate treatment plans while assigning guideline-defined decision logic to a rule executor. Experiments across multiple clinical guideline benchmarks demonstrate that MedDEx improves decision accuracy while reducing inference costs. Further analyses highlight the critical roles of structured patient representations and deterministic rule execution, suggesting that additional LLM reasoning does not necessarily translate into better guideline adherence.
• Abstract（参考訳）: 大規模言語モデル (LLM) は臨床決定支援において大きな可能性を示している。 しかし、既存のアプローチはしばしば臨床ガイドラインを実行するために多段階の推論やマルチエージェントの協調に頼っており、決定ミスを確実に防止することなく、かなりの計算オーバーヘッドを発生させている。 これらの制約に対処するため、構造化患者の状態と決定論的ルール実行を統合し、ガイドラインに基づく治療計画を支援するMedDEx(Medicical Decision Execution)フレームワークを提案する。 MedDExは、臨床記録解釈をガイドライン実行から切り離し、LCMを利用して患者情報を抽出し、ルール実行者にガイドライン定義決定ロジックを割り当てながら治療計画を生成する。 複数の臨床ガイドラインベンチマークによる実験により、MedDExは推論コストを削減しながら意思決定精度を向上させることが示された。 さらなる分析は、構造化された患者表現と決定論的ルール実行の重要な役割を強調し、追加のLCM推論がより優れたガイドラインの遵守に必ずしも変換されないことを示唆している。

関連論文リスト

• Benchmarking Clinical Decision Pathway Adherence in Large Language Models [111.31765633748081]
  MEGA-CDPは、医療用LCMがガイドラインに準拠したCDPを生成できるかどうかを評価するためのベンチマークである。 英語と中国語の2,274の診療ガイドラインから、ガイドライン・ツー・ケース・パイプラインを通じて構築されている。 シングルターンのウィグネットとマルチターンのインタラクティブ設定の両方をサポートし、CDP指向の評価フレームワークを導入している。
  論文  参考訳（メタデータ） (2026-08-27T04:17:12Z)
• Sparse Multi-Stage Expert-Agent Routing for Complex Clinical Reasoning [8.604005197463147]
  Sparse Multi-Stage Expert-Agentは、段階的ルーティングプロセスとして診断をモデル化する言語ベースの臨床推論フレームワークである。 段階的に利用可能な臨床証拠が与えられ、このフレームワークは進化するケース状態を維持し、医療専門家のスパースセットを適応的に活性化する。 MAC および AgentClinic-NEJM から再構成した多段階の症例に対して,本フレームワークは,高いファクトレベルの診断品質を維持しつつ,アクティベートした専門家の平均数を 17.0 から 3.0 に削減する。
  論文  参考訳（メタデータ） (2026-08-22T13:23:30Z)
• MedGuideX: Internalizing Decision Logic from Executable Guidelines into Large Language Models for Clinical Reasoning [24.304759042225697]
  臨床実践ガイドライン(CPGs)は、臨床医が患者変数、条件基準、レコメンデーションルールを評価することによって適用するエビデンスに基づく意思決定ロジックを符号化する。 我々は、CPG勧告を実行可能な臨床判断ロジックに変換するガイドライン由来のトレーニングパイプラインを導入する。 4つの臨床推論ベンチマークで、MedGuideXは平均精度が10.28%向上した。
  論文  参考訳（メタデータ） (2026-05-26T05:36:05Z)
• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• Language Agents for Hypothesis-driven Clinical Decision Making with Reinforcement Learning [38.49879425944787]
  本稿では,仮説駆動型不確実性認識言語エージェントLA-CDMを用いて,臨床診断のための意思決定をモデル化することを提案する。 LA-CDMは, 正確な仮説生成, 仮説の不確実性推定, 効率的な意思決定という, 臨床的意思決定の重要な側面を目標とした3つの目標を掲げて, LA-CDMを訓練する。 4つの腹部疾患を対象とする実世界のデータセットMIMIC-CDMについて検討した。
  論文  参考訳（メタデータ） (2025-06-16T13:32:01Z)
• MedGUIDE: Benchmarking Clinical Decision-Making in Large Language Models [10.46932473088646]
  MedGUIDEは,Large Language Models (LLMs) を評価するための新しいベンチマークであり,ガイドラインに一貫性のある臨床診断を行う能力について紹介する。 MedGUIDEは17種類の癌にまたがる55のNCCN決定木から構築されている。 本研究では,10の臨床的,言語学的基準において,専門家ラベル付き報酬モデルとLLM-as-a-judgeアンサンブルを組み合わせた2段階の品質選択プロセスを適用し,高品質なサンプル7,747を選定した。
  論文  参考訳（メタデータ） (2025-05-16T18:21:52Z)

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。