Newest papers

From Structured Records to Patient Narratives: Preserving Clinical Alignment in LLM-Generated Health Summaries

Bayram Ayadi, Florian Geißler, Johanna Schmidhuber · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.31467 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Khi các hệ thống y tế kỹ thuật số ngày càng tạo ra các hồ sơ sinh lý dọc, truyền đạt những quan sát này bằng ngôn ngữ có thể tiếp cận được bệnh nhân vẫn là một thách thức đáng kể. Các mô hình ngôn ngữ lớn (LLM) cung cấp một cơ chế đầy hứa hẹn để dịch thông tin lâm sàng có cấu trúc thành các câu chuyện có thể đọc được, nhưng quá trình này có thể giới thiệu một khung phát sinh bị hạn chế theo thời gian, nơi ý nghĩa chính xác lâm sàng bị biến dạng trong quá trình đơn giản hóa. Chúng tôi điều tra tổng hợp sức khỏe dựa trên bằng chứng cho việc giám sát sức khỏe kinh nguyệt bằng cách sử dụng một khuôn khổ thế hệ bị hạn chế kết hợp các điều kiện bằng chứng có cấu trúc với thế hệ tăng cường thu được (RAG) bằng cách sử dụng một khuôn khổ thế hệ bị hạn chế theo thời gian. Chúng tôi đánh giá sự

Machine translation (Meta M2M100); the English original follows.

Abstract

As wearable and digital health systems increasingly generate longitudinal physiological records, communicating these observations in patient-accessible language remains a significant challenge. Large Language Models (LLMs) offer a promising mechanism for translating structured clinical information into readable narratives, but this process may introduce semantic drift, where clinically precise meaning is distorted during simplification. We investigate evidence-grounded health summarization for menstrual health monitoring using a constrained generation framework that combines structured evidence conditioning with Retrieval-Augmented Generation (RAG) using a prompt-based constrained generation framework. We evaluate semantic alignment using Natural Language Inference (NLI), atomic factuality metrics, and readability measures. Across three LLMs and 4,500 generated summaries, explicit grounding constraints consistently improve clinical alignment, particularly by improving uncertainty preservation and, once faithfulness is evaluated against retrieved evidence, generally preserving or improving faithfulness, while effects on omission remain model-dependent. We also find that improved clinical alignment comes at the cost of increased reading difficulty and medical terminology. These findings highlight the need to jointly evaluate faithfulness, uncertainty preservation, and readability when developing patient-facing medical LLM systems.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Readability, Automatic summarization, Computer science, Unified Medical Language System, Natural language generation, Natural language processing

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange