論文の概要: Structured Clinical Memory as Context for Probabilistic Decision Models: A Synthetic Evaluation with Jev

• arxiv url: http://arxiv.org/abs/2611.04101v1
• Date: Tue, 03 Nov 2026 00:22:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:45:15.114092
• Title: Structured Clinical Memory as Context for Probabilistic Decision Models: A Synthetic Evaluation with Jev
• Title（参考訳）: 確率的決定モデルのコンテキストとしての構造化された臨床記憶:Jevを用いた総合評価
• Abstract要約: 12の臨床領域にまたがる30の完全合成症例を作成し,それぞれに合成記憶と組み合わせ,120の型付き質問票をJevで評価した。 生のヴィニネットアームは90.0%の精度を達成し、メモリの追加は93.3%に達した。 これらの結果は, 臨床的に有効ではなく, 順向きに肯定的であり, 症例は合成であり, ラベルは単一著者による判断であり, 記憶は抽出された生産出力よりも上オラクル境界である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Longitudinal clinical context is often distributed across noisy, repetitive forms and narrative records. We study whether a compact structured memory can improve a probabilistic decision model's answers when the underlying patient vignette is already available. We created 30 fully synthetic cases spanning twelve clinical domains, paired each with synthetically generated structured memory, and evaluated 120 typed questions with Jev. The raw-vignette arm achieved 90.0% accuracy (95% normal-approximation confidence interval: 84.6%-95.4%); adding memory achieved 93.3% (88.9%-97.8%). Five questions changed from incorrect to correct and one changed in the opposite direction (exact McNemar $p=0.219$). Choice log loss decreased from 0.258 to 0.175 and binary Brier score from 0.054 to 0.022. Memory added 310 input tokens per call on average, while observed mean latency was unchanged at approximately 0.5 seconds. These results are directionally positive rather than clinically validating: the cases are synthetic, the labels are single-author judgments, and the memory is an oracle upper bound rather than extracted production output. The pilot supports evaluating structured clinical memory as a reusable state interface for decision models.
• Abstract（参考訳）: 縦断的な臨床状況は、しばしば騒々しい、反復的な形態と物語の記録に散らばっている。 本研究は,患者ビグネットが既に利用可能である場合に,コンパクトな構造化メモリが確率論的決定モデルの解法を改善することができるかどうかを考察する。 12の臨床領域にまたがる30の完全合成症例を作成し,それぞれに合成記憶と組み合わせ,120の型付き質問票をJevで評価した。 生のヴィニネットアームは90.0%の精度(95%の正規近似信頼区間:84.6%-95.4%)を獲得し、追加のメモリは93.3%(88.9%-97.8%)に達した。 5つの質問は誤りから正しいものに変更され、1つは反対方向に変更された(例: McNemar $p=0.219$)。 選択ログ損失は0.258から0.175に減少し、バイナリブリアスコアは0.054から0.022に低下した。 メモリは1コールあたり平均で310の入力トークンを追加し、平均レイテンシは0.5秒で変化した。 これらの結果は, 臨床的に有効ではなく, 順向きに陽性であり, 症例は総合的であり, ラベルは単一著者による判断であり, 記憶は抽出された生産出力ではなく, オラクル上界である。 パイロットは、決定モデルのための再利用可能な状態インターフェースとして、構造化された臨床記憶の評価をサポートする。

関連論文リスト

• Auditable Hierarchical Inference with Multimodal Evidence and Bayesian Active Inquiry [2.218243067623878]
  本稿では,客観的多モーダル推論と能動調査を分離した総合評価フレームワークを提案する。 証明に富む知識コアとトレーニングのみの回答モデルは、33以上の細かい用語を絞り込むベイジアンをサポートする。
  論文  参考訳（メタデータ） (2026-10-28T19:48:34Z)
• 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)
• Toward System One Clinical Intelligence: Parameter-Efficient Fine-Tuning and Counterfactual Explainability of Decision Foundation Models [0.0]
  決定基礎モデルは、自由形式のテキスト生成のない候補クラスに直接表現をマッピングすることで代替を提供する。 我々は,Qwen3.5のバックボーン上に構築された9ビリオンパラメータ決定モデルであるClef-Flashを,Symphom2ベンチマークで24クラスの疾患分類に適用した。 4ビットの量子化低ランク適応(QLoRA)と差分学習率、960のトレーニングと240のテストケースの階層分割を用いて、95.42%のモデルは診断精度を達成し、マクロF1スコアは0.9551である。
  論文  参考訳（メタデータ） (2026-10-10T16:13:49Z)
• ScienceBuddy-PV: A Verifier-Governed Recursive Improvement Protocol for Panvascular Intervention Research [10.439532348359288]
  ScienceBuddyはScienceBuddyのデザインを、構造化されたエビデンス台帳、デバイス容器、禁断契約、障害銀行の維持を通じて、血管介入の研究に適合させる。 我々は、ARCADE構文と狭窄タスクを別々に使用して、完全なエージェントシステムではなく、固定されたコンポーネントを監査する。
  論文  参考訳（メタデータ） (2026-10-10T03:35:28Z)
• Passing Coarse Marginal Checks Can Be Cheap: Persona Mixtures and Imprecise Treatment-Response Estimates in an LLM Persona Panel [0.0]
  戦略ゲームにおける16個の軽量人格条件付きGPT-4.1構成の固定パネルについて検討した。 変化は急激なインデクシングであったが、そのシェアは不確実性の仮定に依存していた。 結果は、1つの固定されたモデル・プロンプトパネルに関係し、人間の置換性を確立しない。
  論文  参考訳（メタデータ） (2026-08-02T04:10:11Z)
• Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
  シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。 我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。 GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
  論文  参考訳（メタデータ） (2026-06-04T05:43:12Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• 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)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)

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。