RASPER：下流予測器自身の損失に対して退院サマリーを訓練する

電子健康記録における非構造化の退院ノートには、標準化されたコホートレベルのコードでは捉えられない患者固有の根拠が含まれているが、その信号は、特定の予測を念頭に置かずに書かれた長くノイズの多いテキストの中に埋もれている。要約は明らかな緩和策だが、流暢さに最適化された汎用的な要約は、決定的な根拠を日常的に省略する一方で、もっともらしいが有益でない詳細を保持してしまう。

RASPERは、要約器を下流の臨床タスクに対して直接訓練する。予測フィードバックからの強化学習が予測器の損失から導かれる報酬を供給し、縦断エンコーダが構造化コードをソフトプロンプトに変換して各患者の臨床的文脈を組み込む。得られた予測の品質に報酬を与えることで、要約器は構造化コードを重複させるのではなく補完する根拠を保持するよう促される。

RASPERは、MIMIC-IIIおよびMIMIC-IVにわたる再入院予測と薬剤推奨において強力なベースラインを一貫して上回り、本論文はEMNLP 2026本会議に採択された。

要約を、読むためではなく、それが供給する意思決定のために最適化する

流暢さ志向の目的関数には、予測を覆すその一つの詳細を保持する理由がない。

下流予測器の損失は、根拠としての有用性を示す直接的で自動的な信号である。

構造化コードからのソフトプロンプトにより、要約はコードを繰り返すのではなく補完するものになる。

患者ごとの文脈が重要である。同じノートでも、予測タスクが異なれば異なる要約が求められる。

ある構成要素が下流モデルに供給される場合、汎用的な品質指標ではなく、そのモデルのフィードバックに対して訓練せよ。流暢さは有用性ではない。

本論文は、MIMIC-IIIおよびMIMIC-IVにわたる再入院予測と薬剤推奨において強力なベースラインを一貫して上回る成果を報告しており、EMNLP 2026本会議に採択された。