論文の概要: Large Language Models for Accurate Medical Chart Abstraction: Enabling Scalable and Secure Artificial Intelligence Deployment in Stroke
- arxiv url: http://arxiv.org/abs/2610.38009v1
- Date: Tue, 27 Oct 2026 22:00:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 19:06:52.771847
- Title: Large Language Models for Accurate Medical Chart Abstraction: Enabling Scalable and Secure Artificial Intelligence Deployment in Stroke
- Title（参考訳）: 正確な医用チャート抽象化のための大規模言語モデル:ストロークにおけるスケーラブルでセキュアな人工知能の展開を実現する
- Abstract要約: 医学チャートの抽象化は、構造化されていない臨床物語を研究と品質モニタリングのための構造化変数に変換する。
神経インターベンショナル脳卒中介入報告2,416例から8つの臨床変数を抽出するためのプロンプトベース大規模言語モデルフレームワークについて検討した。
アーキテクチャ, モデルサイズ, バイオメディカル適応の2つのオープンソース LLM の評価を行った。
- 参考スコア（独自算出の注目度）: 4.100218120137957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical chart abstraction transforms unstructured clinical narratives into structured variables for research and quality monitoring. We evaluated a prompting-based large language model (LLM) framework for extracting eight clinical variables from 2,416 neurointerventional acute stroke intervention reports across three hospitals. Twenty-two instruction-tuned open-source LLMs were evaluated across architectures, model sizes, and biomedical adaptations using Quick Response and Chain-of-Thought (CoT) prompting. Non-expert staff annotations served as the cross-model reference standard. Evaluation was restricted to report-variable pairs with a valid LLaMA3.3-70B CoT prediction and a corresponding reference label. Performance measures included extraction accuracy, inference latency, and agreement with expert adjudication. Twenty discordant cases per variable underwent review by two senior physicians and four medical students. LLaMA3.3-70B achieved the highest overall accuracy (94.8%). CoT improved performance on inference-dependent variables such as site of occlusion, while Quick Response was optimal for directly stated procedural fields. Expert adjudication showed that AI predictions were more closely aligned with expert interpretations than non-expert annotations for most variables, with intracranial angioplasty remaining a challenge. Locally deployed LLMs can support scalable clinical information extraction and retrospective stroke registry curation, with expert oversight for ambiguous cases.
- Abstract（参考訳）: 医学チャートの抽象化は、構造化されていない臨床物語を研究と品質モニタリングのための構造化変数に変換する。
当院における2,416症例の急性期脳梗塞インターベンション報告から臨床変数を抽出するためのプロンプトベース大規模言語モデル(LLM)について検討した。
アーキテクチャ, モデルサイズ, バイオメディカルな適応を, クイックレスポンスとチェーン・オブ・ソート(CoT)のプロンプトを用いて評価した。
非専門家のスタッフアノテーションはクロスモデル参照標準として機能した。
評価は、有効なLLaMA3.3-70B CoT予測と対応する参照ラベルを持つレポート変数ペアに制限された。
パフォーマンス対策としては、抽出精度、推論遅延、専門家の判断との一致などがあった。
高齢者2名と医学生4名による各変数20例について検討した。
LLaMA3.3-70Bは最高精度(94.8%)を達成した。
CoTは、オクルージョンサイトのような推論依存変数のパフォーマンスを改善し、クイックレスポンスは、直接記述された手続きフィールドに最適であった。
専門家の判断によれば、AIの予測は、ほとんどの変数に対する非専門家アノテーションよりも専門家の解釈と密接に一致しており、頭蓋内血管形成は課題のままである。
ローカルにデプロイされたLSMは、拡張性のある臨床情報抽出と振り返り脳卒中登録のキュレーションをサポートし、曖昧なケースを専門家が監視する。
関連論文リスト
- DocTalk: Enhancing Medical Knowledge Retrieval via Fine-tuned Large Language Models with Chain-of-Thought Reasoning for Robust Clinical Decision Support [1.2132884030603328]
本研究では,医師支援型質問応答システムDocTalkを紹介する。
我々は500組のQAペアを生産する高忠実度データ生成パイプラインを開発した。
DocTalk-QAでは、命令チューニングは語彙的、意味的、臨床的忠実度の測定に一貫した改善をもたらした。
論文 参考訳（メタデータ） (2026-10-26T05:35:26Z) - Representation-guided in-context learning for medical image interpretation with multimodal large language models [51.36834689637422]
表現誘導型インコンテキスト学習(RG-ICL)は、凍結エンコーダを用いてクエリアラインなデモを検索する。
RG-ICLは、非文脈や従来のICLよりも分類(平均20ポイント)と視覚的質問応答(VQA)を改善した。
論文 参考訳（メタデータ） (2026-09-21T03:34:38Z) - An integrated diffusion-weighted imaging processing and interpretation platform for MR-guided radiotherapy [9.982705541579456]
生MR-Linac DWIを構造化した文献的臨床解釈に応用したWebベースのプラットフォームについて述べる。
我々は、その検索強化世代(RAG)解釈モジュールを、独立した専門家評価によって評価する。
論文 参考訳（メタデータ） (2026-08-20T19:33:08Z) - Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - LiveMedBench: A Contamination-Free Medical Benchmark for LLMs with Automated Rubric Evaluation [22.211535340726073]
LiveMedBenchは、オンライン医療コミュニティからリアルな臨床ケースを抽出する、継続的に更新されたベンチマークである。
LiveMedBenchは、38の専門医と複数の言語にまたがる2,756の現実世界のケースで構成され、16,702のユニークな評価基準と組み合わせている。
大規模な評価では、最高のパフォーマンスモデルでさえ39.2%しか達成せず、84%のモデルがカット後のケースで性能劣化を示す。
論文 参考訳（メタデータ） (2026-02-10T23:38:25Z) - MaLei at MultiClinSUM: Summarisation of Clinical Documents using Perspective-Aware Iterative Self-Prompting with LLMs [5.40185721303932]
本稿では,MultiClinSUM共有タスクにおける臨床事例文書の要約手法について述べる。
我々はLLMにタスク固有のプロンプトを生成するよう依頼することで,大規模言語モデル(LLM)に反復的自己プロンプト手法を適用した。
語彙と埋め込み空間のメトリクスであるROUGEとBERTスコアを用いて、エポックによるモデル微調整をガイドした。
論文 参考訳（メタデータ） (2025-09-09T11:52:16Z) - Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。
我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:03:30Z) - Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。
本稿では,構造化医療推論を利用した新しいアプローチを提案する。
我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
論文 参考訳（メタデータ） (2025-03-05T05:24:55Z) - SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
臨床知識を符号化するための言語モデル(LLM)が示されている。
6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。
ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
論文 参考訳（メタデータ） (2024-07-03T11:02:12Z) - 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。