論文の概要: ClinSDT: LLM-Encoded Clinical Semantic Guidance for Sepsis Treatment via Decision Transformer

• arxiv url: http://arxiv.org/abs/2610.25121v1
• Date: Sun, 18 Oct 2026 08:57:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:12:15.973297
• Title: ClinSDT: LLM-Encoded Clinical Semantic Guidance for Sepsis Treatment via Decision Transformer
• Title（参考訳）: ClinSDT : 決定変換器による敗血症治療のためのLCM符号化臨床意味指導
• Abstract要約: オフライン切開治療のためのLCM支援決定変換フレームワークであるClinSDTを提案する。 ICUトラジェクトリ、すなわちプロファイル、コンテキスト、アドバイザリーから3つの臨床的セマンティックビューを構築する。 ClinSDTは、現在利用可能な患者の状態からセマンティック入力をリフレッシュすることでクローズドループ処理のロールアウトを行う。
• 参考スコア（独自算出の注目度）: 12.121320890253488
• License:
• Abstract: Offline sepsis treatment aims to learn treatment policies from retrospective ICU trajectories. Decision Transformer-based methods provide a natural sequence modeling framework for this task, but they mainly rely on raw physiological states and historical clinician actions. Such raw trajectory tokens may not explicitly capture clinical semantics that clinicians use in practice, such as patient severity, recent treatment response, and current risk priorities. To address this limitation, we propose ClinSDT, an LLM-assisted Decision Transformer framework for offline sepsis treatment. ClinSDT uses a frozen LLM as a semantic bridge rather than a treatment decision maker. It constructs three clinical semantic views from ICU trajectories, namely Profile, Context, and Advisory, and inserts their encoded representations as independent tokens into a Decision Transformer policy. To support policy refinement and rollout, ClinSDT further trains a Treatment-Response Forecaster to estimate the next physiological state, SAPS-II change, and predictive uncertainty from state-action inputs. In the second training stage, the forecaster screens local counterfactual treatment candidates, and only low-uncertainty candidates with lower predicted SAPS-II increase are distilled into the policy after semantic regeneration. During inference, ClinSDT performs closed-loop treatment rollout by refreshing semantic inputs from the currently available patient state. Experiments on MIMIC-III and MIMIC-IV show that ClinSDT achieves consistent relative improvements over representative imitation learning, offline reinforcement learning, and Decision Transformer baselines under the same rollout protocol. Code and data are available at https://github.com/KAG778/ClinSDT.
• Abstract（参考訳）: オフライン敗血症治療は、振り返りICUトラジェクトリから治療方針を学ぶことを目的としている。 決定トランスフォーマーに基づく手法は、このタスクに自然なシーケンスモデリングの枠組みを提供するが、それらは主に生の生理的状態と歴史的な臨床行動に依存している。 このような生の軌跡トークンは、患者重症度、最近の治療反応、現在のリスク優先順位など、臨床医が実際に用いている臨床的意味を明示的に捉えてはならない。 この制限に対処するために,LLM支援型決定変換器フレームワークであるClinSDTを提案する。 ClinSDTは凍結LDMを治療意思決定者ではなくセマンティックブリッジとして使用する。 ICUトラジェクトリ、すなわちプロファイル、コンテキスト、アドバイザリから3つの臨床的セマンティックビューを構築し、符号化された表現を独立したトークンとしてデシジョントランスフォーマーポリシーに挿入する。 政策の洗練と展開を支援するため、ClinSDTはさらに治療応答予測器を訓練し、次の生理状態、SAPS-IIの変化、状態-動作入力からの予測不確実性を推定する。 第2の訓練段階において、予測者は局所的偽善治療候補をスクリーニングし、予測されたSAPS-IIの増加率の低い低不確実性候補のみをセマンティック・リジェネレーション後のポリシーに蒸留する。 推論中、ClinSDTは、現在利用可能な患者の状態からセマンティックインプットをリフレッシュすることでクローズドループ処理のロールアウトを行う。 MIMIC-IIIとMIMIC-IVの実験では、ClinSDTは、同じロールアウトプロトコルの下で、代表模倣学習、オフライン強化学習、決定変換器ベースラインよりも一貫した相対的な改善を達成している。 コードとデータはhttps://github.com/KAG778/ClinSDTで公開されている。

関連論文リスト

• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Treatment Stitching with Schrödinger Bridge for Enhancing Offline Reinforcement Learning in Adaptive Treatment Strategies [16.34689464480395]
  臨床的に有効な治療トラジェクトリを生成する新しいデータ拡張フレームワークであるMessage Stitchingを提案する。 TreatStitchは、異なる軌跡にまたがる類似の患者状態を特定し、それぞれのセグメントを縫合する。 これらの合成軌道を元のデータセットに拡張することで、オフラインRLはより多様なデータセットから学習することができる。
  論文  参考訳（メタデータ） (2025-11-15T07:37:49Z)
• Reinforcement Learning enhanced Online Adaptive Clinical Decision Support via Digital Twin powered Policy and Treatment Effect optimized Reward [3.3025649517524793]
  本稿では、強化学習がポリシーを提供し、患者デジタルツインが環境を提供し、治療効果が報酬を定義するオンライン適応ツールを提案する。 人工臨床シミュレータの実験では、レイテンシの低下、スループットの安定、安全度の高いクエリ率の低下、標準値ベースラインに対するリターンの改善などが示されている。
  論文  参考訳（メタデータ） (2025-08-24T04:51:22Z)
• Double Check My Desired Return: Transformer with Target Alignment for Offline Reinforcement Learning [64.6334337560557]
  教師付き学習(RvS)による強化学習は、シーケンスモデリングタスクとしてオフラインRLをフレーム化する。 決定変換器(DT)は、実際の完了したリターンを特定のターゲットリターンと確実に整合させるのに苦労する。 そこで我々は,Offline RLの目標アライメントによる変換器の二重チェックを行う新しいアプローチであるDoctorを提案する。
  論文  参考訳（メタデータ） (2025-08-22T14:30:53Z)
• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• Clinical Decision Transformer: Intended Treatment Recommendation through Goal Prompting [8.81521901097629]
  そこで本研究では,目標とする臨床状態に到達するための医薬品のシーケンスを生成するレコメンデーションシステムであるCDTを提案する。 実験では, 4788例の治療履歴を含むEHRシステムから糖尿病データセットを抽出した。 我々の知る限りでは、ゴール・プロンプトの観点から臨床レコメンデーションを探求する最初の研究である。
  論文  参考訳（メタデータ） (2023-02-01T17:26:01Z)
• Counterfactually Guided Off-policy Transfer in Clinical Settings [7.313613282363874]
  本稿では,基礎となる生成過程を因果メカニズムでモデル化し,非政治的移行の手法を提案する。 観測不能なコンファウンディングの存在下で、データの空白にどのように対処するかを実証する。
  論文  参考訳（メタデータ） (2020-06-20T20:36:56Z)

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。