MedPlan:A Two-Stage RAG-Based System for Personalized Medical Plan Generation

要約

大規模な言語モデル（LLM）を電子健康記録（EHR）に適用することに最近の成功にもかかわらず、ほとんどのシステムは、主に治療計画ではなく評価に焦点を当てています。
現在のアプローチにおける3つの重要な制限を特定します。臨床医が使用する連続的な推論プロセスに従うのではなく、単一のパスで治療計画を生成します。
患者固有の歴史的背景を組み込むことはめったにありません。
そして、彼らは主観的および客観的な臨床情報を効果的に区別することができません。
SOAP方法論（主観的、客観的、評価、計画）に動機付けられて、実際の臨床医のワークフローに合わせてLLMの推論を構成する新しいフレームワークである\ ours {}を紹介します。
私たちのアプローチは、患者の症状と客観的データに基づいて最初に臨床評価を生成する2段階のアーキテクチャを採用し、次にこの評価によって通知され、検索された生成を通じて患者固有の情報を豊かにする構造化された治療計画を策定します。
包括的な評価は、この方法が評価の精度と治療計画の品質の両方でベースラインアプローチを大幅に上回ることを示しています。

要約(オリジナル)

Despite recent success in applying large language models (LLMs) to electronic health records (EHR), most systems focus primarily on assessment rather than treatment planning. We identify three critical limitations in current approaches: they generate treatment plans in a single pass rather than following the sequential reasoning process used by clinicians; they rarely incorporate patient-specific historical context; and they fail to effectively distinguish between subjective and objective clinical information. Motivated by the SOAP methodology (Subjective, Objective, Assessment, Plan), we introduce \ours{}, a novel framework that structures LLM reasoning to align with real-life clinician workflows. Our approach employs a two-stage architecture that first generates a clinical assessment based on patient symptoms and objective data, then formulates a structured treatment plan informed by this assessment and enriched with patient-specific information through retrieval-augmented generation. Comprehensive evaluation demonstrates that our method significantly outperforms baseline approaches in both assessment accuracy and treatment plan quality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google