ICD-11
PulseAugur coverage of ICD-11 — every cluster mentioning ICD-11 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新双代理AI框架助力精神科诊断
研究人员开发了PsyCIDRA，一个新颖的双代理框架，旨在协助精神科访谈和诊断推理。该系统利用一个代理进行自由形式的访谈，维护笔记并参考ICD-11等诊断标准，而第二个代理则分析访谈记录以生成具有支持或冲突证据的诊断假设。在模拟和真人参与者中的评估表明，与直接提示方法相比，PsyCIDRA实现了更高的诊断一致性，显示出LLM代理在精神科评估中的巨大潜力。
-
新本体旨在统一危机管理知识表示
研究人员开发了欧洲危机管理本体（ECMO），这是一个基于OWL的模块化本体，用于跨部门危机管理和灾害风险降低。ECMO-CORE建立了诸如危害、影响和响应等基本概念，还包括特定领域的模块，例如一个与SNOMED CT和ICD-11对齐的公共卫生模块。该本体用于表示来自“开源疫情情报”系统的数据，证明了其支持危机响应一致知识表示和集成的能力。
-
新框架提升小型语言模型精神病学推理能力
研究人员开发了ClinMPO，一个旨在增强小型语言模型（SLMs）精神病学推理能力的新型强化学习框架。该方法利用精神科医生定义的策略和在大量临床数据上训练的奖励模型来提高SLM的性能。评估表明，ClinMPO显著提升了Qwen3模型的推理能力，其中8B参数版本在精神病学诊断和能力评估方面超越了资深医学生的表现。
-
新的 MedReaMM 基准揭示大型多模态模型在临床诊断方面存在困难
研究人员推出了 MedReaMM，这是一个旨在评估大型多模态模型（LMM）在临床环境中诊断综合能力的新基准。与之前侧重于孤立文本或视觉任务的基准不同，MedReaMM 整合了患者病史和多张医学影像，以评估鉴别诊断的准确性。该基准包含 625 个专家验证的病例，结果显示，在接受评估的 23 个 LMM 中，大多数的诊断准确率低于 50%，这凸显了它们在执行专家级临床推理能力方面存在的显著差距。
-
新的虚拟环境评估大型语言模型在精神科临床问诊中的表现
研究人员开发了MentalHospital，一个新颖的虚拟环境，旨在评估大型语言模型（LLMs）在模拟完整的精神科临床问诊中的表现。该环境遵循主观问诊、客观检查、诊断评估和治疗计划（S.O.A.P.）工作流程，利用来自一千多个去标识化电子健康记录案例的标准患者。为了扩大专家判断的规模，他们还创建了MentalEval，一套使用监督微调和直接偏好优化训练的五个领域特定评估器，这些评估器与人类临床医生表现出高度一致性。
-
新的LLM方法提高了疾病分类映射的准确性
研究人员开发了一种新的疾病分类系统映射方法，解决了代码之间一对多关系带来的挑战。该方法借鉴了实体解析管道的思路，采用基于大型语言模型的阻塞和匹配策略来识别有效的映射。该方法旨在平衡精确率、召回率和覆盖率，在不同ICD版本对上均表现出性能提升。
-
新的MCP服务器集成了7种医学术语，用于LLM
一个名为medical-terminologies-mcp的新模型上下文协议（MCP）服务器已发布，它提供了对七个主要医学术语系统的统一访问。该工具旨在帮助大型语言模型（LLM）准确检索特定的医疗代码和信息，克服它们在记忆此类数据方面的固有局限性。该服务器支持各种LLM客户端，并为常见的临床和研究任务提供了几个预定义的提示，旨在提高医疗保健和研究领域的效率。