論文の概要: ARMED: Adaptive Retrieval-Augmented Medication Recommendation

• arxiv url: http://arxiv.org/abs/2610.16440v1
• Date: Mon, 12 Oct 2026 09:07:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.341638
• Title: ARMED: Adaptive Retrieval-Augmented Medication Recommendation
• Title（参考訳）: ARMED:Adaptive Retrieval-Augmented Medication Recommendation
• Abstract要約: ARMEDは適応的な臨床RAGフレームワークであり、検索効率と現在の順応性に応じて動的に検索を拡張する。 MIMIC-IVの実験では、ARMEDは従来の静的検索ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 6.528467030218409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medication recommendation requires jointly considering diagnoses, comorbidities, longitudinal patient history, and treatment interactions. Although recent retrieval-augmented generation approaches using language models have shown promise for clinical recommendation, most existing systems rely on fixed retrieval pipelines that cannot adapt to diverse clinical retrieval scenarios and may introduce noisy or irrelevant evidence. We propose ARMED, an adaptive clinical RAG framework that dynamically expands retrieval according to retrieval sufficiency and current-admission relevance. ARMED first observes the initial retrieval outcome and selectively performs supplementary or fallback multi-query retrieval when additional evidence is needed. The framework also incorporates a relevance gate that activates only clinically relevant same-patient history and organizes retrieved evidence into structured query-level clinical evidence. Experiments on MIMIC-IV demonstrate that ARMED consistently outperforms previous static retrieval baselines and improves overall medication recommendation quality. By combining locally runnable small language models with adaptive retrieval, ARMED supports medication recommendation without relying on external language model APIs or task-specific fine-tuning.
• Abstract（参考訳）: 治療の推奨は、診断、共同治療、患者の縦断的歴史、治療の相互作用を共同で検討することが必要である。 言語モデルを用いた最近の検索強化世代アプローチは、臨床レコメンデーションの可能性を示唆しているが、既存のシステムの多くは、様々な臨床検索シナリオに適応できず、ノイズや無関係な証拠を導入できない固定された検索パイプラインに依存している。 ARMEDは,検索効率と現在の順応性に応じて動的に検索を拡大する適応型臨床RAGフレームワークである。 ARMEDはまず最初の検索結果を観察し、追加の証拠が必要な場合、補助的またはフォールバックなマルチクエリ検索を選択的に実行する。 このフレームワークはまた、関連ゲートも組み込まれており、臨床に関係のある同一患者の履歴のみを活性化し、検索された証拠を構造化されたクエリレベル臨床証拠に整理する。 MIMIC-IVの実験は、ARMEDが従来の静的検索ベースラインを一貫して上回り、全体的な医薬品推奨品質を改善することを示した。 ローカルに実行可能な小さな言語モデルと適応検索を組み合わせることで、ARMEDは、外部言語モデルAPIやタスク固有の微調整に頼ることなく、医薬品推奨をサポートする。

関連論文リスト

• PACER: Progressive Availability-Conditioned Evidence Routing for Radiology Report Generation under Incomplete Clinical Context [25.800540247735157]
  PACERは構造化不完全なRRGのためのプログレッシブ・アベイラビリティ・コンディション・エビデンス・ルーティング・フレームワークである。 まず、凍結したエンコーダの深さを横断するパッチワイドルーティングをエンドポイント保存することで視覚表現を洗練し、補完的な手がかりを取り入れた。 次に、観測されたエビデンスとアベイラビリティの状態に応じて言語モデルプレフィックスを校正し、利用可能なソースセットの変更に応じて共有ジェネレータのコンディショニングを適用する。 MIMIC-RG4の4つの設定とMIMIC-CXRの強い性能に対して、最先端の臨床効果を示す実験を行った。
  論文  参考訳（メタデータ） (2026-09-28T07:40:28Z)
• MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval [12.265116154395434]
  MED-COPILOTは,臨床医と研修医を対象としたインタラクティブな臨床意思決定支援システムである。 このシステムはWHOとNICEのガイドラインから構造化知識グラフを構築し、効率的な検索にコミュニティレベルの要約を適用し、36,000ケースの類似患者データベースを維持している。
  論文  参考訳（メタデータ） (2026-02-28T04:32:03Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• 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)
• Evaluating Large Language Models for Evidence-Based Clinical Question Answering [4.101088122511548]
  大規模言語モデル (LLMs) は, 医学的, 臨床的応用において著しく進歩している。 Cochraneの体系的レビューと臨床ガイドラインから得られたベンチマークをキュレートする。 我々はソースと臨床領域間で一貫したパフォーマンスパターンを観察する。
  論文  参考訳（メタデータ） (2025-09-13T15:03:34Z)
• Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
  GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。 従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。 高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
  論文  参考訳（メタデータ） (2025-06-22T11:31:13Z)
• GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
  医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。 現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。 この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-22T08:09:58Z)
• R2MED: A Benchmark for Reasoning-Driven Medical Retrieval [21.743193381874878]
  推論駆動型医療検索のために設計された最初のベンチマークであるR2MEDを紹介する。 Q&A参照検索、臨床証拠検索、臨床症例検索の3つのタスクにまたがる876のクエリで構成されている。 我々はR2MED上で広く使われている15の検索システムを評価し,最良モデルでさえ31.4 nDCG@10しか達成できないことを確認した。
  論文  参考訳（メタデータ） (2025-05-20T16:15:30Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)

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。