論文の概要: Trust the Edge, Doubt the Arrow: Auditing Validation Signals for Text-Mined Clinical Causal Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2610.24390v1
• Date: Sat, 17 Oct 2026 02:46:57 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:43:36.706303
• Title: Trust the Edge, Doubt the Arrow: Auditing Validation Signals for Text-Mined Clinical Causal Knowledge Graphs
• Title（参考訳）: エッジを信頼し、アローを疑う:テキストによる臨床因果知識グラフのための検証信号の検証
• Abstract要約: 328,839個のMIMIC-IV放電サマリーから有向候補グラフを構築する。 In-admission co-occurrence lift, cross-admission diagnosis-coding temporal priornce, and literature corroboration。
• 参考スコア（独自算出の注目度）: 15.012896665639888
• License:
• Abstract: Clinical causal retrieval-augmented generation systems increasingly use knowledge graphs (KGs) mined from notes, yet extracted assertions remain candidates that require audit for patient-level EHR support and direction. We construct a directed candidate graph from 328,839 MIMIC-IV discharge summaries using LLM extraction and UMLS normalization, and evaluate three signals against SemMedDB: within-admission co-occurrence lift, cross-admission diagnosis-coding temporal precedence, and literature corroboration. Lift filters unsupported co-mentions and provides useful EHR support, but not causal proof. Coding order is a weak direction signal: among the 686 candidates where it commits, it reaches 54.2% agreement with SemMedDB, below the extractor's 69.4% on the same subset. Literature corroboration supplies independent direction evidence but covers only 30.4% of candidate relations. A MIMIC-III replication yields the same pattern: extractor direction remains stable (70.5%), whereas coding-order direction is near chance (50.9%). Thus, text-mined clinical causal candidate KGs are best treated as EHR-supported but direction-uncertain. In a leakage-controlled causal QA benchmark, lift-only retrieval achieves 35.7% accuracy; conservative causal demotion achieves 37.2% while reducing evidence-unsupported answers from 17.3% to 6.1% at fixed retrieval recall. We release code, aggregate summaries, and scripts to regenerate restricted outputs.
• Abstract（参考訳）: 臨床因果検索強化世代システムは、ノートから抽出した知識グラフ(KG)をますます利用しているが、抽出されたアサーションは、患者レベルのEHRサポートと方向性の監査を必要とする候補のままである。 LLM抽出とUMLS正規化を用いた328,839MIMIC-IV放電サマリーからの有向候補グラフを構築し,SemMedDBに対する3つの信号: in-admission co-occurrence lift, cross-admission diagnosis-coding temporal priornce, and literature corroborationを評価する。 Lift filters supported co-mentions and provide useful EHR support, but not causal proof。 686の候補のうち、SemMedDBと54.2%の合意に達し、抽出器の69.4%が同じサブセットである。 文学のコロンボレーションは独立した方向性の証拠を提供するが、候補者関係の30.4%しかカバーしていない。 MIMIC-IIIの複製は、抽出器の方向が安定(70.5%)であるのに対して、符号化順序が近い(50.9%)。 したがって、テキストマイニングされた臨床因果候補KGは、EHRを担っているが方向が不確かである。 リーク制御された因果QAベンチマークでは、リフトのみの検索は35.7%の精度で行われ、保守的な因果削除は37.2%、証拠のない回答は17.3%から6.1%に減少する。 制限された出力を再生するためのコード、要約、スクリプトをリリースします。

関連論文リスト

• Cite What You Explore: Budget-Aware LLM Reasoning over Medical KGs with Verifiable Evidence [22.756345846455627]
  減算後リスク予測のための予算対応推論フレームワーク バーは生のKGを病原性エビデンスグラフに精製する。 患者固有の予算の下で証拠を回収し、検証が失敗したときに修正する。
  論文  参考訳（メタデータ） (2026-10-06T04:36:07Z)
• Active Causal Discovery Benchmark: Evaluating LLM Agents Under Budgeted Interventions [0.0]
  Active Causal Discovery Benchmark (ACDB) は、LCMエージェントが観測と予算制約によるハード介入から因果グラフ構造を復元するかどうかを評価するためのSCMベースの環境である。 ACDBは、リニア・ガウス世界のジェネレータと、固定されたオブザーバ・インターベン・サブミットAPIと、骨格回復、DAG回復、介入効率を分離する3層スコアリング契約を組み合わせている。
  論文  参考訳（メタデータ） (2026-09-16T06:50:22Z)
• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Inhibitory Attention for Clinical Long-Context Reasoning: Characterizing and Mitigating Lost-in-the-Middle Effects in EHR Processing [0.6768558752130311]
  大規模言語モデルは、失われた中間子(LitM)効果を示す。 臨床的には、これは良心的ではない。メモの中の最も連続した事実は、その中心に置かれる。 我々は、この問題をCLitM問題と呼び、MedAlignを用いた最初の体系的特徴を与え、文脈選択戦略を治療として比較する。
  論文  参考訳（メタデータ） (2026-06-15T16:26:46Z)
• What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval [42.66754319854329]
  我々は,刺激同期MEG-to-audio検索を監査フレームワークとして再放送した。 構造的ショートカット、ウィンドウレベルの刺激ロックされたエビデンス、ウィンドウ間のコンテキストアグリゲーションを使用します。 これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。
  論文  参考訳（メタデータ） (2026-05-23T11:23:39Z)
• MedOmni-45°: A Safety-Performance Benchmark for Reasoning-Oriented LLMs in Medicine [69.08855631283829]
  我々は,操作的ヒント条件下での安全性能トレードオフの定量化を目的としたベンチマークであるMed Omni-45 Degreesを紹介する。 6つの専門分野にまたがる1,804の推論に焦点を当てた医療質問と3つのタスクタイプが含まれており、その中にはMedMCQAの500が含まれる。 結果は、モデルが対角線を超えることなく、一貫した安全性と性能のトレードオフを示す。
  論文  参考訳（メタデータ） (2025-08-22T08:38:16Z)
• Boosting Static Resource Leak Detection via LLM-based Resource-Oriented Intention Inference [14.783216988363804]
  既存の静的検出技術は、未リリースのリソースを見つけるために、事前に定義されたリソース取得/リリースAPIとnullチェック条件の機械的マッチングに依存している。 InferROIは、コード内のリソース指向の意図(取得、リリース、到達可能性検証)を直接推論する新しいアプローチである。 我々は、リソース指向の意図推論とリソースリーク検出の両方において、InferROIの有効性を評価する。
  論文  参考訳（メタデータ） (2023-11-08T04:19:28Z)
• MedAlign: A Clinician-Generated Dataset for Instruction Following with Electronic Medical Records [60.35217378132709]
  大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。 医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。 我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
  論文  参考訳（メタデータ） (2023-08-27T12:24:39Z)

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。