論文の概要: AskGLP1: A Knowledge Graph LLM Agent for Exploring GLP-1 Experience from Online Patient Narratives
- arxiv url: http://arxiv.org/abs/2610.34987v1
- Date: Mon, 26 Oct 2026 07:59:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.78968
- Title: AskGLP1: A Knowledge Graph LLM Agent for Exploring GLP-1 Experience from Online Patient Narratives
- Title（参考訳）: AskGLP1: オンライン患者のナラティブから GLP-1 体験を探索する知識グラフ LLM エージェント
- Abstract要約: AskGLP1は、オンライン患者の物語を知識グラフ(KG)に変換し、薬物経験に関する質問に答えるシステムである。
GLP-1体験は、ソースおよび薬物特異的であることが判明した。
ポスト紙は、セマグルチドよりもチルゼパタイドの吐き気や吐き気が少なく、オゼムピクよりもウェゴヴィの疲労が強く、ムンジャロよりもゼップバウンドの方が疲れていると報告している。
- 参考スコア（独自算出の注目度）: 8.637747477115987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GLP-1 medications are increasingly used for weight management, and many people share their experiences online. These narratives show why people take the drugs and what they experience, but they remain unstructured and disconnected from formal pharmacovigilance. We therefore present AskGLP1, a system that transforms online patient narratives into a knowledge graph (KG) and answers questions about medication experiences. Through an LLM-assisted pipeline grounded in the MedDRA terminology, AskGLP1 screens nearly 8.5 million Reddit posts for medication experiences and distills 163,135 of them, with 2,506 WebMD reviews, into a KG of 385,790 drug-side-effect and drug-purpose relations. We find that GLP-1 experiences are source- and drug-specific. Online narratives share the most common gastrointestinal symptoms with FAERS, but they foreground everyday burdens such as fatigue and food aversion, whereas FAERS reports more often include injection-site reactions and selected serious diagnoses such as pancreatitis. We further find that posts report less nausea and vomiting for tirzepatide than for semaglutide, more fatigue for Wegovy than Ozempic and for Zepbound than Mounjaro. Evaluations show that the agent answers with verifiable evidence and declines requests for medical advice. Our findings reveal gaps between what FAERS captures and what people report online, and they call for patient-centered approaches to pharmacovigilance. Code, prompts, and evaluation questions are available at https://github.com/ZhaoqianXue/AskGLP1.
- Abstract（参考訳）: GLP-1の服薬はますます体重管理に使われており、多くの人がオンラインで経験を共有している。
これらの物語は、人々がなぜ薬を服用し、どのように経験するかを示しているが、正式な薬物移動とは無関係であり、切り離されている。
そこで我々は,オンライン患者の物語を知識グラフ(KG)に変換し,薬物経験に関する質問に答えるシステムAskGLP1を提案する。
MedDRAの用語に根ざしたLLM支援パイプラインを通じて、AskGLP1は、約850万件のReddit投稿をスクリーニングし、163,135件を蒸留し、そのうち2,506件のWebMDレビューを385,790件のドラッグサイドエフェクトと薬物目的の関係のKGに分類した。
GLP-1体験は、ソースおよび薬物特異的であることが判明した。
オンラインの物語は、最も一般的な消化管症状をFAERSと共有しているが、疲労や食生活の逆転といった日常的な負担を予見する一方、FAERSの報告では、注射部位反応や膵炎などの重篤な診断を多く含んでいる。
さらに,セマグルチドよりも吐き気や吐き気が少なく,オゼムピクやゼップバウンドではムンジャロよりも疲労が多いことが報告されている。
評価は、エージェントが検証された証拠を回答し、医療アドバイスの要求を減らしていることを示している。
FAERSが捉えたものとオンラインに報告するものとの間にはギャップがあり、患者中心の薬物移動アプローチが求められている。
コード、プロンプト、評価に関する質問はhttps://github.com/ZhaoqianXue/AskGLP1.comで公開されている。
関連論文リスト
- DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing [55.45112712244231]
DrugReasonはマルチビュー推論フレームワークであり、LLMが生成する薬物再精製の機械的推論と接地KG推論を統合している。
PharmaDB, DDInter, DrugBankの実験によると、DragonReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2026-09-06T18:54:26Z) - Knowledge-augmented Agentic AI for Mental Health Medication Information Seeking [13.195098267589726]
患者はオンラインで薬情報を求める傾向にあるが、精神医学薬の安全性に関する知識は、規制上の不適切な記録と患者の物語に分けられる。
ここでは、Redditの466,525件の投稿、60,782件のWebMDレビュー、および9件の抗うつ薬に対する米国食品医薬品局(FDA)の逆イベント報告システム記録の20年間を統合した、実績に富んだ知識グラフベースのフレームワークを開発する。
論文 参考訳（メタデータ） (2026-06-24T16:54:50Z) - MedRedFlag: Investigating how LLMs Redirect Misconceptions in Real-World Health Communication [4.557109813131144]
患者からの現実の健康に関する質問は、しばしば意図せずに偽の仮定や前提を埋め込む。
このようなケースでは、安全な医療コミュニケーションは通常、暗黙の誤解に対処し、基礎となる患者のコンテキストに応答する、リダイレクトを伴う。
本研究では,大規模言語モデル(LLM)が現実の健康問題に埋め込まれた誤った前提にどのように反応するかを検討する。
論文 参考訳（メタデータ） (2026-01-14T20:23:02Z) - Do "New Snow Tablets" Contain Snow? Large Language Models Over-Rely on Names to Identify Ingredients of Chinese Drugs [79.00288739947406]
伝統的な中国医学(TCM)は医療に採用され、臨床応用をサポートするために、LLM(Large Language Models)が出現している。
これらのモデルの基本的な要件は、TCM薬物成分の正確な同定である。
我々の系統的分析では、一貫した障害パターンが明らかである: モデルでは、しばしば文字通り、薬物名を理解し、関連性に関係なく共通のハーブを過剰に使用し、不慣れな定式化に直面した時に不規則な振る舞いを示す。
論文 参考訳（メタデータ） (2025-04-03T17:43:45Z) - MedHallu: A Comprehensive Benchmark for Detecting Medical Hallucinations in Large Language Models [82.30696225661615]
MedHalluは、医学的幻覚検出に特化して設計された最初のベンチマークである。
GPT-4o, Llama-3.1, および医学的に微調整されたUltraMedicalを含む最先端のLSMは、このバイナリ幻覚検出タスクに苦慮している。
双方向の包絡クラスタリングを用いて, 難解な幻覚は, 意味論的に真実に近いことを示す。
論文 参考訳（メタデータ） (2025-02-20T06:33:23Z) - Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。
NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。
本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
論文 参考訳（メタデータ） (2025-01-13T09:51:50Z) - MedHalu: Hallucinations in Responses to Healthcare Queries by Large Language Models [26.464489158584463]
大規模言語モデル(LLM)は、Web検索のような伝統的な情報探索メカニズムを補完し始めている。
LLMは幻覚を起こす傾向があり、不正確な情報や偽造情報を生成する。
本研究は, LLMによる患者からのリアルタイム医療クエリに対する幻覚反応の先駆的な研究である。
論文 参考訳（メタデータ） (2024-09-29T00:09:01Z) - A randomized simulation trial evaluating ABiMed, a clinical decision support system for medication reviews and polypharmacy management [3.8243906257653504]
STOPP/START v2ガイドラインの実装に基づき,臨床診断支援システムであるABiMedを設計した。
ランダム化シミュレーション試験において,39名の薬剤師によるABiMedの評価を行った。
論文 参考訳（メタデータ） (2024-09-03T13:50:59Z) - Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
本稿では,Re$3$Writer法を提案する。
本手法が患者の退院指示生成に有効であることを示す。
論文 参考訳（メタデータ） (2022-10-23T16:34:39Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - Medicinal Boxes Recognition on a Deep Transfer Learning Augmented
Reality Mobile Application [23.693329212391845]
我々は,このフレームドメディカルに関する重要な詳細をユーザに提示できる拡張現実モバイルアプリケーションを紹介した。
特に、アプリはディープニューラルネットワークに基づく推論エンジン、すなわち、そのパッケージから薬品を認識するように微調整されたディープネットを実装している。
論文 参考訳（メタデータ） (2022-03-26T09:21:56Z)
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。