論文の概要: Can JEV Support Clinical Trial Criteria Assessment?

• arxiv url: http://arxiv.org/abs/2610.35721v1
• Date: Mon, 26 Oct 2026 16:41:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.113675
• Title: Can JEV Support Clinical Trial Criteria Assessment?
• Title（参考訳）: JEVは臨床試験基準を支持できるか?
• Abstract要約: 臨床試験前スクリーニングでは、患者記録の不十分な証拠と未測定の条件を区別する必要がある。 我々は、非生成的決定モデルであるJEVを、スキーマ制約付きQwen Flashと比較した。 3つのデータセット全体では、JEVは中央値のジョブレイテンシが低く、53%-74%低い状態であった。
• 参考スコア（独自算出の注目度）: 6.163543840551238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical trial prescreening requires distinguishing unmet conditions from insufficient evidence in patient records. Given patient records, criterion questions, and predefined answer options, we retrospectively compared JEV, a non-generative decision model returning native option probabilities, with schema-constrained Qwen Flash across 2,048 test patient-condition pairs from TrialGPT and question-answer datasets derived from MIMIC-III and MIMIC-IV, all evaluated under strict Zero Data Retention (ZDR) policies to ensure clinical data privacy. Both models assessed conditions individually or in batches sharing the same patient context, with performance measured against reference labels. In batch mode, JEV and Qwen achieved similar macro-F1 scores on TrialGPT (0.652 vs. 0.660) and MIMIC-IV (0.807 vs. 0.814), whereas JEV substantially outperformed Qwen on MIMIC-III (0.768 vs. 0.534; $Δ$ = +0.234, 95% CI: 0.187-0.281). This advantage largely reflected higher recall for conditions labeled as having insufficient information (56.3% vs. 9.9%). Across all three datasets, JEV also had lower observed median job latency (1.18-1.40 vs. 2.80-8.90 s) and 53%-74% lower estimated cost per condition. These findings position JEV as an initial assessment component that provides criterion-level judgments and flags potential information gaps for review. JEV's observed errors in interpreting clinical evidence underscore the need to verify its outputs against patient records before they inform eligibility decisions.
• Abstract（参考訳）: 臨床試験前スクリーニングでは、患者記録の不十分な証拠と未測定の条件を区別する必要がある。 患者記録, 基準質問, および事前定義された回答オプションについて, 臨床データプライバシーを確保するために厳格なZero Data Retention(ZDR)ポリシーで評価されたTrialGPTおよびMIMIC-IV由来の質問応答データセットの2,048対のスキーマ制約Qwen Flashと, 非生成的決定モデルであるJEVを比較した。 どちらのモデルも、同一の患者コンテキストを共有する個別またはバッチの状態を評価し、基準ラベルに対してパフォーマンスを測定した。 バッチモードでは、JEVとQwenはTrialGPT(0.652 vs. 0.660)とMIMIC-IV(0.807 vs. 0.814)で同様のマクロF1スコアを達成したが、JEVはMIMIC-III(0.768 vs. 0.534;$$$$ = +0.234, 95% CI: 0.187-0.281)でQwenを大きく上回った。 この利点は、情報不足(56.3%対9.9%)とラベル付けされた条件に対する高いリコールを反映している。 3つのデータセット全体では、JEVは中央値のジョブレイテンシ(1.18-1.40 vs. 2.80-8.90 s)が低く、53%-74%低い状態であった。 これらの知見は、JEVを基準レベルの判断を提供し、レビューのための潜在的な情報ギャップをフラグする初期評価コンポーネントとして位置付けている。 JEVは、臨床証拠を解釈する際の誤りを観察し、そのアウトプットを患者の記録に対して検証し、適性決定を通知する必要性を浮き彫りにした。

関連論文リスト

• RetiJev: Fast and Source-Grounded Ophthalmic Decision Models [49.18315352624845]
  自己回帰型大規模言語モデル(LLM)は、事前に定義されたアクション間の決定にかなりのレイテンシと計算オーバーヘッドをもたらす。 RetiJev-Dataは,78,158個の臨床診断と診断質問からなる眼科原点検コーパスである。 RetiJev は 0.8B-9B 決定モデルのファミリーで, 自己回帰的復号化を伴わず, 直接解を求める。
  論文  参考訳（メタデータ） (2026-10-22T08:59:47Z)
• Beyond Accuracy: Counterfactual Fragility and Demographic Bias in Clinical Evaluation of LLMs [0.0]
  我々は,150のMedQA USMLE質問に対して,2つの自動摂動試験を用いて6つのLSMを評価し,その性能を評価した。 OpenBioLLMは回答変更率とEDDが最も高かったが, GLMはステレオタイプフラグレートが最も高かった。
  論文  参考訳（メタデータ） (2026-09-26T17:28:46Z)
• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models [0.0]
  ローカルにデプロイ可能なフレームワークは、外部データ転送なしでEHRから直接臨床質問に答える。 オープンソースの大規模言語モデル(LLM)は、4Bから70Bまでのパラメータを完全にオフラインでベンチマークした。
  論文  参考訳（メタデータ） (2026-03-27T14:03:51Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• The Value Sensitivity Gap: How Clinical Large Language Models Respond to Patient Preference Statements in Shared Decision-Making [0.6768558752130311]
  大規模言語モデル (LLM) は意思決定支援ツールとして臨床に導入されているが, 患者価値の明示的な記述に対する対応方法はまだ検討されていない。 我々は,98,759人の未確認メディケイド遭遇ノートから得られた臨床ヴィニグレットを用いて因子分析を行った。 全てのモデルでは、非コントロール試験の100%で患者の値を認めたが、実際の推奨シフトは控えめであった。
  論文  参考訳（メタデータ） (2026-02-12T21:42:21Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Matching Patients to Clinical Trials with Large Language Models [29.265158319106604]
  本稿では,大規模言語モデルを用いたゼロショット患者間マッチングのためのエンドツーエンドフレームワークTrialGPTを紹介する。 TrialGPTは3つのモジュールから構成されており、まず大規模フィルタリングを行い、候補トライアル(TrialGPT-Retrieval)を検索し、次に基準レベルの患者資格(TrialGPT-Matching)を予測し、最終的にトライアルレベルのスコア(TrialGPT-Ranking)を生成する。
  論文  参考訳（メタデータ） (2023-07-27T17:56:56Z)
• AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
  本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。 70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
  論文  参考訳（メタデータ） (2023-05-19T01:04:16Z)

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。