論文の概要: MedGraph: Maintaining Patient State with Graph Memory for Long-Term Medical Dialogue

• arxiv url: http://arxiv.org/abs/2611.08433v1
• Date: Thu, 05 Nov 2026 18:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.621259
• Title: MedGraph: Maintaining Patient State with Graph Memory for Long-Term Medical Dialogue
• Title（参考訳）: MedGraph: 長期医療対話のためのグラフメモリによる患者の状態維持
• Abstract要約: 縦断的医療対話における5つの記憶システムの誤りについて検討した。 この3つのケース用に構築されたグラフメモリであるMedGraphを提示する。 MedMemoryBenchでは、GPTとQwenのバックボーンの両方で、MedGraphの全体的な精度が最も高い。
• 参考スコア（独自算出の注目度）: 2.4117766186464964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM-based medical assistants that follow a patient across visits need a memory that keeps the patient's clinical state correct as it changes. We examine the errors of five memory systems on longitudinal medical dialogue and find three recurring causes: the retrieved evidence gives an outdated state, includes another person's health facts, or lacks a safety fact the answer depends on. We present MedGraph, a graph memory built for these three cases. Construction extracts dated facts from each session, attributes each fact to the person it describes, and links medication, diagnosis, and measurement records into chains that keep earlier states. Retrieval ranks the patient's chains as units, reads each chain at the time the question asks about, and adds the original dialogue text; a patient profile lists every recorded safety fact with every question. On MedMemoryBench, MedGraph has the highest overall accuracy with both a GPT and a Qwen backbone, 10.5 and 10.4 points above the strongest of five baselines, with efficient memory construction and answering in the GPT setting.
• Abstract（参考訳）: 訪問する患者をフォローするLLMベースの医療アシスタントは、患者の臨床状態が変化しても正しい状態を維持する記憶を必要とする。 検索された証拠は古い状態を与え、他人の健康状態を含むか、答えが依存する安全事実を欠くかの3つを繰り返す。 この3つのケース用に構築されたグラフメモリであるMedGraphを提示する。 構築は各セッションから日付のある事実を抽出し、各事実を記述した人物に属性付け、医薬品、診断、測定記録を以前の状態を維持するチェーンにリンクする。 Retrievalは患者のチェーンを単位としてランク付けし、質問された時点で各チェーンを読み、元の対話テキストを追加します。 MedMemoryBenchにおいて、MedGraphはGPTとQwenのバックボーンの両方で全体的な精度が最も高く、5つのベースラインよりも10.5と10.4ポイント高く、GPT設定での効率的なメモリ構築と応答が可能である。

関連論文リスト

• PIA: A Personal Intelligence Agent Turning Health Conversations into Records and Records into Understanding [41.32158161225706]
  我々は、消費者健康エージェントと共に展開される個人情報エージェントであるPIAを提示する。 PIAはエージェントの自然言語要求を受信し、会話の書き方や読み方を決め、タイプされた臨床記録や記録をユーザーの合成された理解に変換する。
  論文  参考訳（メタデータ） (2026-09-25T13:32:20Z)
• Triplet-Structured Knowledge Integration for Multi-Turn Medical Reasoning [21.44813166265882]
  大規模言語モデル(LLM)は静的医療質問応答(QA)タスクにおいて高いパフォーマンスを示している。 本稿では,LLMの推論信頼性を高める三重構造アプローチであるTriMediQを紹介する。 2つのインタラクティブな医療QAベンチマークの実験によると、TriMediQは既存の5つのベースラインよりも最大10.4%精度が向上している。
  論文  参考訳（メタデータ） (2025-10-03T22:11:17Z)
• TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
  既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。 臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:26Z)
• From Patient Consultations to Graphs: Leveraging LLMs for Patient Journey Knowledge Graph Construction [3.0874677990361246]
  患者ジャーニー知識グラフ(PJKG)は、断片化された医療データの課題に対処するための新しいアプローチである。 PJKGのプロセスと構造 : 形式的臨床文書と非構造的患者とプロジェクタの会話 これらのグラフは、臨床遭遇、診断、治療、結果の間の時間的および因果関係をカプセル化する。
  論文  参考訳（メタデータ） (2025-03-18T14:44:28Z)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• 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)
• A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks and Datasets [70.32630628211803]
  本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。 マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。 本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
  論文  参考訳（メタデータ） (2022-04-19T16:43:21Z)
• Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
  MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
  論文  参考訳（メタデータ） (2021-05-05T05:51:30Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。