論文の概要: From Scores to Safe Sets: Exact Safety--Constrained Decoding for Medication Recommendation
- arxiv url: http://arxiv.org/abs/2610.29228v1
- Date: Wed, 21 Oct 2026 05:38:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.247948
- Title: From Scores to Safe Sets: Exact Safety--Constrained Decoding for Medication Recommendation
- Title（参考訳）: スコアから安全なセットへ--医薬勧告のための厳格な復号化
- Abstract要約: 最近の創薬推奨システムは最終的に薬のセットを生成するが、薬物と薬物の相互作用の制約はセット全体に依存する。
凍結した臨床モデルであっても、そのスコアが制限された薬物セットにどのように変換されるかは、最終的な予測に実質的に影響を与える可能性がある。
- 参考スコア（独自算出の注目度）: 0.10874100424278173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent generative medication recommendation systems ultimately produce sets of drugs, but drug--drug interaction (DDI) constraints depend on the set as a whole. A natural post-hoc approach is to first predict medications and then locally repair interacting pairs by removing one drug at a time. We ask whether this local repair step itself introduces avoidable error. Using fixed medication scores from FLAME's frozen classifier on MIMIC-III, we compare increasingly strong local repair strategies with an exact global decoder while holding the scores, output size, and DDI constraint fixed. The global decoder jointly selects the highest-scoring feasible medication set using mixed-integer linear programming. Across validation and test splits, global decoding consistently achieves higher Jaccard similarity than greedy repair, degree-aware repair, and degree-aware repair strengthened with exhaustive 1-swap local search. Its advantage is small under loose DDI constraints and becomes larger as the constraint tightens; on the test split it reaches +0.0064 Jaccard over the strongest local baseline at the strict DDI operating point. The finding also holds across a fine accuracy--DDI sweep at matched realized DDI exposure and under three score representations. At the strict setting, global decoding retains more true-positive medications while removing more false positives. These results show that medication recommendation is not only a representation-learning problem: even with a frozen clinical model, how its scores are converted into a constrained medication set can materially affect the final prediction.
- Abstract（参考訳）: 最近の創薬推奨システムは最終的に薬のセットを生成するが、薬物と薬物の相互作用(DDI)の制約はセット全体に依存する。
自然なポストホックアプローチは、まず薬を予測し、次に一度に1つの薬を除去することで相互作用するペアを局所的に修復することである。
この局所的な修復ステップ自体が回避可能なエラーをもたらすかどうかを問う。
MIMIC-III上のFLAMEの凍結型分類器の固定薬品スコアを用いて、スコア、出力サイズ、DDI制約を固定しながら、より強力な局所修復戦略と正確なグローバルデコーダを比較した。
グローバルデコーダは、混合整数線形プログラミングを用いて、最高の検査可能な医薬を共同で選択する。
検証とテストの分割を通じて、グローバルデコーディングは、徹底的な1-スワップローカルサーチによって強化された、欲求的修復、学位対応修復、学位対応修復よりも高いジャカード類似性を一貫して達成する。
その利点は緩いDDI制約の下で小さくなり、制約が引き締まるにつれて大きくなり、テストスプリットでは、厳密なDDI操作点において最強のローカルベースライン上で+0.0064 Jaccardに達する。
この発見はまた、精密なDDIスイープ--一致した実写DDI露光と3つのスコア表現の精度にも耐えられる。
厳格な設定では、グローバルデコーディングはより真陽性の薬を服用し、さらに偽陽性の薬を除去する。
これらの結果から, 薬剤推奨は表現学習の問題であるだけでなく, 凍結した臨床モデルにおいても, 最終予測に実質的に影響を与える可能性が示唆された。
関連論文リスト
- A Controlled Audit of Architectural Complexity in Uncertainty-Aware Multi-Organ Ultrasound Classification [19.598719060464866]
多臓器超音波分類器は、注意力、熟練者の混在、不確実性ゲーティング、そして明らかな深層学習(EDL)の目的を組み合わさりつつある。
本稿では,最大公示候補であるFull-EDLと簡易な代替品との展開決定に応用した,制御された複雑性監査フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-28T08:30:43Z) - GRAIN: Molecules Are Not the Right Granularity -- Active-Ingredient Modeling for Safe Medication Recommendation [2.26215287738502]
電子健康記録からの薬剤の推奨は、多薬効下での有害薬物・薬物相互作用(DDI)のリスクに対する予測精度のバランスをとる必要がある。
有効成分は、粒度の不足であり、その周辺に構築された医薬品推奨フレームワークであるGRAINを導入している。
GRAINは、長い不規則な訪問シーケンスを線形時間で処理する選択的な状態空間バックボーンで、縦方向の患者軌跡(診断、手順、過去の薬品)を符号化する。
論文 参考訳（メタデータ） (2026-07-30T18:13:30Z) - SafeImpute: Reliable Clinical Data Imputation via Conformal Selection [35.40404498771435]
臨床医療は重要な検査指標に頼っていることが多いが、実際の患者訪問は少なく、検査は不規則に発注される。
本研究は, 信頼性のある治療効果を選択的に解放しつつ, 正確な治療効果を生み出すことを目的として, 信頼性の高い治療効果について検討する。
本稿では,不規則かつスパースな臨床記録のための信頼性のある計算手法であるSafeImputeを提案する。
論文 参考訳（メタデータ） (2026-07-06T20:16:21Z) - CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。
本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。
CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
論文 参考訳（メタデータ） (2026-06-22T15:34:32Z) - Distributionally Robust Transfer Learning with Structurally Missing Covariates, with Application to Cross-National Cardiac Arrest Prediction [6.540707401117924]
本稿では,予測モデルを対象人口に転送するフレームワークとしてDRUM(underlineDtributionally underlineRobust underlineUn)を提案する。
DRUMは, より良い教師付き予測を行い, 臨床分類性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-22T20:53:04Z) - Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
条件付きカバレッジ推定が分類問題であることを示す。
得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。
ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
論文 参考訳（メタデータ） (2025-12-12T18:47:39Z) - MedREK: Retrieval-Based Editing for Medical LLMs with Key-Aware Prompts [70.64143198545031]
本稿では,情報誘導のための注目型プロンプトエンコーダと正確なマッチングのための共有クエリキーモジュールを統合した検索ベースの編集フレームワークであるMedREKを提案する。
各種医用ベンチマークの結果から,MedREKは異なるコアメトリクス間で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-10-15T12:50:33Z) - Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳（メタデータ） (2024-03-13T09:42:46Z) - Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。
MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。
総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文 参考訳（メタデータ） (2022-03-28T05:44:29Z) - SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。
ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
論文 参考訳（メタデータ） (2021-05-05T00:20:48Z)
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。