論文の概要: HEM-Med: A Hierarchical Agentic Memory Framework for Safe Multi-Center Medication Recommendation

• arxiv url: http://arxiv.org/abs/2610.20191v1
• Date: Wed, 14 Oct 2026 13:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.174075
• Title: HEM-Med: A Hierarchical Agentic Memory Framework for Safe Multi-Center Medication Recommendation
• Title（参考訳）: HEM-Med: 安全なマルチセンター医療勧告のための階層型エージェントメモリフレームワーク
• Abstract要約: メディケイトレコメンデーション(MR)は臨床診断支援に重要である。 既存のマルチセンター方式では、病院固有の処方パターンから移植可能なクロスホスピタルな臨床経験を逸脱することができない。 HEM-MedはマルチセンターMRのための新しい階層型エージェントメモリフレームワークである。
• 参考スコア（独自算出の注目度）: 19.849582444971535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication recommendation (MR) is critical for clinical decision support. While existing MR methods are mostly designed for single-center learning, where only one independent hospital is involved, multi-center MR with hospitals of different scales has become increasingly demanding in practice. In multi center settings, abundant data from large medical centers can improve recommendation performance for low-resource centers. Despite a few preliminary attempts on this task, two critical gaps remain. Gap 1: Existing multi-center methods fail to disentangle transferable cross-hospital clinical experience from hospital-specific prescribing patterns, limiting clinical feasibility and physician acceptance. Gap 2: They commonly overlook multi label safety constraints of MR, including drug-drug interaction risks and local formulary feasibility, which are essential for safe real-world deployment. To address these gaps, we propose HEM-Med, a novel hierarchical agentic memory framework for multi-center MR. To address Gap 1, we design a disentangled hierarchical memory module that builds patient-level medication context attribution records and disentangles them into cross hospital experience memory and hospital-specific residual memory. To address Gap 2, we introduce a safety-aware medication set generation module, which integrates dual-level experience retrieval with safety-aware set decoding to produce clinically relevant, safer, and locally adaptive medication recommendations. Experiments on a real-world multi-center eICU dataset show that HEM-Med outperforms representative transfer learning, LLM-based, and MR baselines in terms of both recommendation accuracy and safety.
• Abstract（参考訳）: メディケイトレコメンデーション(MR)は臨床診断支援に重要である。 既存のMR法は主に1つの独立した病院のみが関与する単一センター学習のために設計されているが、異なるスケールの病院を持つマルチセンターMRは、実際ますます需要が高まっている。 マルチセンター設定では、大規模な医療センターからの豊富なデータは、低リソースセンターの推奨性能を改善することができる。 この作業にはいくつかの予備的な試みがあったが、2つの重大なギャップが残っている。 Gap 1: 既存のマルチセンター手法では、病院固有の処方パターンから移行可能なクロスホスピタルな臨床経験を切り離すことができず、臨床実現可能性や医師の受け入れが制限される。 Gap 2: MRのマルチラベル安全性の制約、例えば薬物と薬物の相互作用のリスクや、現実世界の安全な展開に不可欠な局所的な定式化の実現可能性などを見落としているのが一般的です。 これらのギャップに対処するため,我々は,多施設MRのための新しい階層型エージェントメモリフレームワークであるHEM-Medを提案する。 Gap 2 に対処するために,2レベル体験検索と安全意識セットデコードを統合し,臨床関連性,安全性,局所適応的な医薬品推奨を生成する安全意識セット生成モジュールを提案する。 実世界のマルチセンターeICUデータセットの実験では、HEM-Medは推奨精度と安全性の両方の観点から代表転写学習、LLMベース、MRベースラインを上回っている。

関連論文リスト

• C-MIG: Multi-view Information Gain-based Retrieval-Augmented Generation for Clinical Diagnosis Reasoning [22.145161191946197]
  臨床診断のための多視点情報ゲインに基づく検索強化生成フレームワークC-MIGを提案する。 C-MIGは2つの相補的なビュー、検索文書と文書再定義から、凍結参照モデルの下での情報ゲインを推定する。 4つの医学ベンチマークの総合的な実験により、C-MIGはドメイン内およびドメイン外の両方で全てのRAG-RL法の中で最高の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-05-27T02:20:21Z)
• MedRCube: A Multidimensional Framework for Fine-Grained and In-Depth Evaluation of MLLMs in Medical Imaging [31.5409689069707]
  本稿では,多次元,細粒度,奥行き評価へのパラダイムシフトを提案する。 我々は33のMLLMをベンチマークし、textitLingshu-32Bでトップレベルのパフォーマンスを実現した。 信頼性を定量化するための信頼性評価サブセットを導入し、ショートカット動作と診断タスク性能の極めて有意な関連を明らかにする。
  論文  参考訳（メタデータ） (2026-04-15T11:41:20Z)
• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• 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)
• Medical Red Teaming Protocol of Language Models: On the Importance of User Perspectives in Healthcare Settings [48.096652370210016]
  本稿では,患者と臨床医の両方の視点で医療領域に適した安全評価プロトコルを提案する。 医療用LLMの安全性評価基準を3つの異なる視点を取り入れたレッドチームで定義した最初の研究である。
  論文  参考訳（メタデータ） (2025-07-09T19:38:58Z)
• A Contrastive Pretrain Model with Prompt Tuning for Multi-center Medication Recommendation [50.43785306804359]
  マルチセンター医薬品推奨のためのTEMPT(Prompt Tuning)を用いた新しいconTrastive prEtrain Modelを提案する。 そこで我々は,一般的なファインタニングを採用するのではなく,各病院の特定情報をキャプチャするための新しいプロンプトチューニング手法を考案した。 提案モデルを検証するため,公立のeICU多施設医療データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2024-12-28T06:12:02Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)

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。