論文の概要: ProCARE: Real-World Study Automation via Profile-Grounded Evidence Contracts

• arxiv url: http://arxiv.org/abs/2610.16175v1
• Date: Mon, 12 Oct 2026 04:50:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.310566
• Title: ProCARE: Real-World Study Automation via Profile-Grounded Evidence Contracts
• Title（参考訳）: ProCARE: プロファイル付きエビデンス契約による実世界の学習自動化
• Abstract要約: リアルワールドスタディ(RWS)は、医療データを分析して治療効果を推定し、安全性を監視し、ランダム化試験外のリスク要因を特定する。 有効な分析は、インデックス日付、フォローアップウインドウ、患者レベルの単位、観察データでしばしば暗黙的な結果境界など、データセット固有の臨床的意味論に依存する。 本稿では,RWS自動化を制約コンパイルとして改革するフレームワークであるProCAREを紹介する。
• 参考スコア（独自算出の注目度）: 37.589933092512325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world studies (RWS) analyze routinely collected healthcare data, such as electronic health records and insurance claims, to estimate treatment effects, monitor safety, and identify risk factors outside randomized trials. Automating RWS with large language model agents is appealing but brittle: valid analyses depend on dataset-specific clinical semantics, including index dates, follow-up windows, patient/event-level units, and outcome boundaries that are often implicit in observational data. This leads to schema mismatches, temporal errors, inconsistent analytical granularity, and unsupported clinical claims. We present ProCARE, a profile-grounded framework that reformulates RWS automation as constrained compilation. ProCARE converts heterogeneous data profiles into Evidence Contracts specifying available variables, temporal attributes, distributions, and evidentiary limits, and compiles study objectives into RWS-IR, a strongly typed intermediate representation for variables, time relations, analysis units, and statistical tasks. Deterministic validation and localized repair then check and revise generated workflows across schema mapping, cohort construction, variable derivation, analysis, and interpretation. On 36 EHR-based benchmark tasks, ProCARE outperforms strong LLM-agent baselines in code executability, semantic consistency, and conclusion traceability, with automated violation diagnoses showing moderate-to-substantial agreement with blinded expert review.
• Abstract（参考訳）: リアルワールド・スタディ(RWS)は、電子健康記録や保険請求書などの日常的に収集された医療データを分析し、治療効果の見積もり、安全性の監視、ランダム化試験外のリスク要因の特定を行う。 有効な分析は、インデックス日時、フォローアップウィンドウ、患者/患者レベルの単位、観察データでしばしば暗黙的な結果境界など、データセット固有の臨床的意味論に依存する。 これは、スキーマミスマッチ、時間的誤り、一貫性のない分析的粒度、およびサポートされていない臨床クレームに繋がる。 本稿では、RWS自動化を制約付きコンパイルとして再構成するプロファイル基底フレームワークであるProCAREを提案する。 ProCAREは、不均一なデータプロファイルを、利用可能な変数、時間的属性、分布、明らかな限界を指定するエビデンス契約に変換し、研究目的を変数、時間関係、分析ユニット、統計タスクの強く型付けされた中間表現であるRWS-IRにコンパイルする。 決定論的検証と局所的な修復は、スキーママッピング、コホート構成、変数の導出、分析、解釈を越えて生成されたワークフローをチェックし、修正する。 36のEHRベースのベンチマークタスクでは、ProCAREは、コード実行可能性、セマンティック一貫性、結論トレーサビリティにおいて強力なLLM-Adntベースラインを上回り、自動違反診断は、盲目の専門家レビューと中途半端な合意を示している。

関連論文リスト

• Ascent: An Agentic System over the Model Context Protocol for Real-World Clinical Data Analysis [0.2799896314754614]
  本稿では,医学的コーディング,質問応答,コホート分析を行うエージェントシステムであるAscentを紹介する。 医薬疫学的な誤りの認識を避けるためのデータセットであるEpiTrapを導入する。 有能なモデルでは、エージェントは、ネイティブおよび標準化されたスキーマ上で、固定パイプライン上の平均27ポイントと20ポイントの精度を改善する。
  論文  参考訳（メタデータ） (2026-09-21T14:06:32Z)
• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• Unsupervised Skill Discovery for Agentic Data Analysis [55.42853694128929]
  DataCOPEは、データ分析エージェントのための教師なし検証対象のスキル発見フレームワークである。 トラジェクトリ生成のためのデータ分析エージェント、信号抽出のための教師なし検証器、および対照的なスキル蒸留のためのスキルマネージャを反復的にコーディネートする。 我々は,Deep Data Researchのレポートスタイル分析とDABStepの推論スタイル解析についてDataCOPEを評価した。
  論文  参考訳（メタデータ） (2026-06-04T17:20:47Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Clinically Grounded Agent-based Report Evaluation: An Interpretable Metric for Radiology Report Generation [32.410641778559544]
  ICARE (Interpretable and Clinicallygrounded Agent-based Report Evaluation) は、解釈可能な評価フレームワークである。 2つのエージェントは、それぞれが基礎的真実または生成されたレポートを持ち、臨床的に有意義な質問を発生し、互いにクイズする。 スコアを質問応答ペアにリンクすることで、ICAREは透明で解釈可能な評価を可能にする。
  論文  参考訳（メタデータ） (2025-08-04T18:28:03Z)
• Ensuring Reliability of Curated EHR-Derived Data: The Validation of Accuracy for LLM/ML-Extracted Information and Data (VALID) Framework [0.0]
  大規模言語モデル(LLM)により抽出された臨床データの質を評価するための包括的枠組みを提案する。 このフレームワークは、専門家による抽象化に対する変数レベルのパフォーマンスベンチマーク、内部の一貫性と妥当性の自動検証、レプリケーション分析を統合している。 この多次元アプローチは、改善が必要な変数の同定、潜時エラーの体系的検出、および実世界の研究におけるデータセットの適合性確認を可能にする。
  論文  参考訳（メタデータ） (2025-06-09T20:59:16Z)
• Representation Learning of Lab Values via Masked AutoEncoders [2.785172582119726]
  逐次的な実験値の計算のためのトランスフォーマーベースのマスク付きオートエンコーダフレームワークであるLab-MAEを提案する。 Lab-MAEは、患者の人口集団間で同等のパフォーマンスを達成し、臨床予測において公平性を向上させる。
  論文  参考訳（メタデータ） (2025-01-05T20:26:49Z)
• GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
  デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性 伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。 本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
  論文  参考訳（メタデータ） (2024-09-04T09:46:33Z)
• Bring Your Own Data! Self-Supervised Evaluation for Large Language Models [52.15056231665816]
  大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。 閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。 自己監督評価と人監督評価との間には強い相関関係が認められた。
  論文  参考訳（メタデータ） (2023-06-23T17:59:09Z)

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。