論文の概要: From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLM-Generated Health Summaries

• arxiv url: http://arxiv.org/abs/2610.31467v1
• Date: Thu, 22 Oct 2026 15:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.46675
• Title: From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLM-Generated Health Summaries
• Title（参考訳）: 構造化記録から患者のナラティブへ--LCMを生かした医療サプライヤーにおける臨床アライメントの保存
• Abstract要約: LLM(Large Language Models)は、構造化された臨床情報を読みやすい物語に翻訳するための有望なメカニズムを提供する。 本研究では,制約生成フレームワークを用いた月経健康モニタリングのためのエビデンス・グラウンドド・ヘルス・サマリゼーションについて検討した。 自然言語推論(NLI)、原子事実性測定、可読性測定を用いて意味的アライメントを評価する。
• 参考スコア（独自算出の注目度）: 0.254890465057467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As wearable and digital health systems increasingly generate longitudinal physiological records, communicating these observations in patient-accessible language remains a significant challenge. Large Language Models (LLMs) offer a promising mechanism for translating structured clinical information into readable narratives, but this process may introduce semantic drift, where clinically precise meaning is distorted during simplification. We investigate evidence-grounded health summarization for menstrual health monitoring using a constrained generation framework that combines structured evidence conditioning with Retrieval-Augmented Generation (RAG) using a prompt-based constrained generation framework. We evaluate semantic alignment using Natural Language Inference (NLI), atomic factuality metrics, and readability measures. Across three LLMs and 4,500 generated summaries, explicit grounding constraints consistently improve clinical alignment, particularly by improving uncertainty preservation and, once faithfulness is evaluated against retrieved evidence, generally preserving or improving faithfulness, while effects on omission remain model-dependent. We also find that improved clinical alignment comes at the cost of increased reading difficulty and medical terminology. These findings highlight the need to jointly evaluate faithfulness, uncertainty preservation, and readability when developing patient-facing medical LLM systems.
• Abstract（参考訳）: ウェアラブルとデジタルの健康システムが縦断的な生理的記録をますます生み出しているため、患者に親しみやすい言語でこれらの観察を伝達することは大きな課題である。 大言語モデル(LLM)は、構造化された臨床情報を読みやすい物語に翻訳するための有望なメカニズムを提供するが、このプロセスは、単純化中に臨床的に正確な意味が歪められるセマンティックドリフトを導入する可能性がある。 本研究では,構造的エビデンスと構造的エビデンス(RAG)を組み合わした制約生成フレームワークを用いた月経健康モニタリングのためのエビデンス・グラウンド・ヘルス・サマリゼーションについて,プロンプトベースの制約生成フレームワークを用いて検討する。 自然言語推論(NLI)、原子事実性測定、可読性測定を用いて意味的アライメントを評価する。 3つのLCMと4,500個のサマリーにまたがって、明示的な根拠制約は、特に不確実性保存を改善することによって、臨床の整合性を一貫して改善し、回復された証拠に対して忠実性を評価すると、一般的には忠実性を維持するか改善する一方、省略に対する影響はモデル依存のままである。 また,読解難読度の向上や医学用語の整備などにより,臨床症状の改善がもたらされることも見いだされた。 これらの知見は, 患者の医療用LLMシステムの開発において, 忠実度, 不確実性, 可読性を共同評価する必要性を浮き彫りにした。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• 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)
• Hallucination Mitigating for Medical Report Generation [19.773914014955746]
  ファイングラインドされたtextbfReinforced Rewards textbfMedical Report Generation (KERM) を用いた textbfKnowledge-textbf フレームワークを提案する。 本手法は,MedCLIPを知識検索に活用することによりLVLMへの入力を改良し,キュレートされた知識コーパスから関連する病変事実文を取り入れた。 次に,検索した知識が患者の臨床的文脈とコンテキスト的に関連していることを保証するために,新たな浄化モジュールを導入する。
  論文  参考訳（メタデータ） (2026-01-22T08:13:59Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
  本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。 MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
  論文  参考訳（メタデータ） (2025-07-15T07:32:16Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Graph-Augmented LLMs for Personalized Health Insights: A Case Study in Sleep Analysis [2.303486126296845]
  大規模言語モデル(LLM)は、インタラクティブなヘルスアドバイスを提供する上で、有望であることを示している。 Retrieval-Augmented Generation (RAG) やファインチューニングのような従来の手法は、複雑で多次元で時間的に関係のあるデータを完全に活用できないことが多い。 本稿では,健康意識のパーソナライズと明確性を高めるために,グラフ拡張LDMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T01:22:54Z)
• Beyond Self-Consistency: Ensemble Reasoning Boosts Consistency and Accuracy of LLMs in Cancer Staging [0.33554367023486936]
  がんのステージング状態は臨床報告で確認できるが、抽出するには自然言語処理が必要である。 臨床指向の大規模言語モデルの進歩により、アルゴリズムの訓練に多大な努力を払わずに、そのような状態を抽出することが期待されている。 本研究では,モデル生成の一貫性向上を目的としたアンサンブル推論手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T19:34:35Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

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。