論文の概要: TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools

• arxiv url: http://arxiv.org/abs/2503.10970v1
• Date: Fri, 14 Mar 2025 00:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:08:51.933484
• Title: TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools
• Title（参考訳）: TxAgent: ツールの宇宙全体にわたる治療的推論のためのAIエージェント
• Authors: Shanghua Gao, Richard Zhu, Zhenglun Kong, Ayush Noori, Xiaorui Su, Curtis Ginder, Theodoros Tsiligkaridis, Marinka Zitnik,
• Abstract要約: TxAgentは、薬物相互作用、禁忌、患者固有の治療戦略を分析するAIエージェントである。 ToolUniverseは、1939年以降、FDAが承認したすべての薬物を含む信頼できる情報源から211のツールを統合する。 オープンエンドドラッグ推論タスクでは92.1%の精度で、GPT-4oを超え、構造化多段階推論ではDeepSeek-R1(671B)を上回っている。
• 参考スコア（独自算出の注目度）: 22.322166889507184
• License:
• Abstract: Precision therapeutics require multimodal adaptive models that generate personalized treatment recommendations. We introduce TxAgent, an AI agent that leverages multi-step reasoning and real-time biomedical knowledge retrieval across a toolbox of 211 tools to analyze drug interactions, contraindications, and patient-specific treatment strategies. TxAgent evaluates how drugs interact at molecular, pharmacokinetic, and clinical levels, identifies contraindications based on patient comorbidities and concurrent medications, and tailors treatment strategies to individual patient characteristics. It retrieves and synthesizes evidence from multiple biomedical sources, assesses interactions between drugs and patient conditions, and refines treatment recommendations through iterative reasoning. It selects tools based on task objectives and executes structured function calls to solve therapeutic tasks that require clinical reasoning and cross-source validation. The ToolUniverse consolidates 211 tools from trusted sources, including all US FDA-approved drugs since 1939 and validated clinical insights from Open Targets. TxAgent outperforms leading LLMs, tool-use models, and reasoning agents across five new benchmarks: DrugPC, BrandPC, GenericPC, TreatmentPC, and DescriptionPC, covering 3,168 drug reasoning tasks and 456 personalized treatment scenarios. It achieves 92.1% accuracy in open-ended drug reasoning tasks, surpassing GPT-4o and outperforming DeepSeek-R1 (671B) in structured multi-step reasoning. TxAgent generalizes across drug name variants and descriptions. By integrating multi-step inference, real-time knowledge grounding, and tool-assisted decision-making, TxAgent ensures that treatment recommendations align with established clinical guidelines and real-world evidence, reducing the risk of adverse events and improving therapeutic decision-making.
• Abstract（参考訳）: 精密治療には、パーソナライズされた治療レコメンデーションを生成するマルチモーダル適応モデルが必要である。 我々はTxAgentというAIエージェントを紹介した。TxAgentは211のツールボックスにまたがって多段階の推論とリアルタイムのバイオメディカル知識検索を利用して、薬物相互作用、禁忌、患者固有の治療戦略を分析する。 TxAgentは、薬物が分子レベル、薬物動態レベル、臨床レベルでどのように相互作用するかを評価し、患者の共生性および同時投与薬に基づいて禁忌を識別し、個々の患者特性に対する治療戦略を調整する。 複数のバイオメディカルソースから証拠を取得し合成し、薬物と患者の状態の間の相互作用を評価し、反復的推論を通じて治療勧告を洗練する。 タスクの目的に基づいてツールを選択し、臨床推論とクロスソース検証を必要とする治療タスクを解決するために構造化された関数呼び出しを実行する。 ツールUniverseは、1939年からFDAが承認したすべての薬物を含む信頼できる情報源からの211のツールを統合し、Open Targetsからの臨床的な洞察を検証している。 TxAgentは,3,168の薬物推論タスクと456のパーソナライズされた治療シナリオを含む,5つの新しいベンチマーク – DrugPC, BrandPC, GenericPC, TreatmentPC, DescriptionPC – で,主要なLCM,ツール使用モデル,推論エージェントよりも優れています。 オープンエンドドラッグ推論タスクでは92.1%の精度で、GPT-4oを超え、構造化多段階推論ではDeepSeek-R1(671B)を上回っている。 TxAgentは薬物名の変種や記述を一般化する。 マルチステップ推論、リアルタイム知識基盤、ツールによる意思決定を統合することで、TxAgentは、治療レコメンデーションが確立された臨床ガイドラインや実世界の証拠と一致することを保証し、有害事象のリスクを低減し、治療の意思決定を改善する。

関連論文リスト

• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
  本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。 これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• MDAgents: An Adaptive Collaboration of LLMs for Medical Decision-Making [45.74980058831342]
  MDAgents(Medical Decision-making Agents)と呼ばれる新しいマルチエージェントフレームワークを導入する。 割り当てられた単独またはグループの共同作業構造は、実際の医療決定過程をエミュレートして、手元にある医療タスクに合わせて調整される。 MDAgentsは医療知識の理解を必要とするタスクに関する10のベンチマークのうち7つのベンチマークで最高のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2024-04-22T06:30:05Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• AgentMD: Empowering Language Agents for Risk Prediction with Large-Scale Clinical Tool Learning [11.8292941452582]
  我々は,臨床電卓を様々な臨床状況でキュレートし,応用できる新しい言語エージェントであるAgentMDを紹介した。 AgentMDは、実行可能な機能と構造化ドキュメントを備えた2,164の多様な臨床電卓のコレクションを自動でキュレートした。 手作業による評価では、3つの品質指標に対して80%以上の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-20T18:37:19Z)
• RECOMED: A Comprehensive Pharmaceutical Recommendation System [8.681590862953623]
  Drugs.com と Druglib.com から抽出された患者と薬物の特徴に基づいて医薬品推薦システムが設計された。 本研究は, 患者に適切な特定の薬剤を選択するためのアプローチとして, 患者状況と病歴を考察した最初のグループである。
  論文  参考訳（メタデータ） (2022-12-31T20:04:31Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)

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。