論文の概要: CDR-Agent: Intelligent Selection and Execution of Clinical Decision Rules Using Large Language Model Agents

• arxiv url: http://arxiv.org/abs/2505.23055v1
• Date: Thu, 29 May 2025 03:51:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.663753
• Title: CDR-Agent: Intelligent Selection and Execution of Clinical Decision Rules Using Large Language Model Agents
• Title（参考訳）: CDR-Agent:大規模言語モデルエージェントを用いた臨床決定規則の知的選択と実行
• Authors: Zhen Xiang, Aliyah R. Hsu, Austin V. Zane, Aaron E. Kornblith, Margaret J. Lin-Martore, Jasmanpreet C. Kaur, Vasuda M. Dokiparthi, Bo Li, Bin Yu,
• Abstract要約: 臨床決定規則(CDR)は、徴候、症状、臨床変数を決定木に組み合わせ、一貫した正確な診断を行う。 CDRは、しばしば臨床医の認知負荷によって妨げられ、迅速にリコールし、適切な規則を適用する能力を制限する。 CDR-Agentは、ED意思決定を自律的に識別し、最も適切なCDRを適用して強化する、新しいLCMベースのシステムである。
• 参考スコア（独自算出の注目度）: 14.576481970073509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision-making is inherently complex and fast-paced, particularly in emergency departments (EDs) where critical, rapid and high-stakes decisions are made. Clinical Decision Rules (CDRs) are standardized evidence-based tools that combine signs, symptoms, and clinical variables into decision trees to make consistent and accurate diagnoses. CDR usage is often hindered by the clinician's cognitive load, limiting their ability to quickly recall and apply the appropriate rules. We introduce CDR-Agent, a novel LLM-based system designed to enhance ED decision-making by autonomously identifying and applying the most appropriate CDRs based on unstructured clinical notes. To validate CDR-Agent, we curated two novel ED datasets: synthetic and CDR-Bench, although CDR-Agent is applicable to non ED clinics. CDR-Agent achieves a 56.3\% (synthetic) and 8.7\% (CDR-Bench) accuracy gain relative to the standalone LLM baseline in CDR selection. Moreover, CDR-Agent significantly reduces computational overhead. Using these datasets, we demonstrated that CDR-Agent not only selects relevant CDRs efficiently, but makes cautious yet effective imaging decisions by minimizing unnecessary interventions while successfully identifying most positively diagnosed cases, outperforming traditional LLM prompting approaches. Code for our work can be found at: https://github.com/zhenxianglance/medagent-cdr-agent
• Abstract（参考訳）: 臨床的意思決定は本質的に複雑で急激なペースで行われており、特に重大かつ迅速かつ高い意思決定が下される救急部門(ED)ではなおさらである。 臨床決定規則 (CDR) は、症状、症状、臨床変数を決定木に組み合わせ、一貫した正確な診断を行うための標準的エビデンスベースのツールである。 CDRの使用は、しばしば臨床医の認知負荷によって妨げられ、適切な規則を迅速に思い出し適用する能力を制限する。 CDR-Agentは、非構造的臨床ノートに基づいて、最も適切なCDRを自律的に識別し、適用することにより、ED意思決定を強化するために設計された新しいLCMベースのシステムである。 CDR-Agentを検証するために、CDR-Agentは非EDクリニックに適用できるが、CDR-BenchとCDR-Agentの2つの新しいEDデータセットをキュレートした。 CDR-Agentは、CDR選択においてスタンドアロンLCMベースラインに対して56.3\%(合成)と8.7\%(CDR-Bench)の精度向上を達成する。 さらに、CDR-Agentは計算オーバーヘッドを大幅に削減する。 これらのデータセットを用いて、CDR-AgentはCDRを効率よく選択するだけでなく、不要な介入を最小限に抑えつつ、最も陽性と診断された症例を同定し、従来のLCMのプロンプトアプローチより優れていることを実証した。 私たちの仕事のコードは、https://github.com/zhenxianglance/medagent-cdr-agent.comにある。

関連論文リスト

• Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
  提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。 組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
  論文  参考訳（メタデータ） (2025-05-27T17:59:50Z)
• The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
  大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。 我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
  論文  参考訳（メタデータ） (2025-05-23T11:40:58Z)
• How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
  RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。 また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
  論文  参考訳（メタデータ） (2024-12-12T18:20:16Z)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice through Interactive Sequential Benchmarking [58.25862290294702]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments [2.567146936147657]
  シミュレーションされた臨床環境における大規模言語モデル(LLM)の評価のためのマルチモーダルエージェントベンチマークであるAgentClinicを紹介する。 我々は,AgentClinicの逐次決定形式におけるMedQA問題の解決が極めて困難であることに気付き,診断精度が元の精度の10分の1以下に低下することを発見した。
  論文  参考訳（メタデータ） (2024-05-13T17:38:53Z)
• Exploring LLM Multi-Agents for ICD Coding [15.730751450511333]
  ICD符号化のためのマルチエージェント方式は実世界の符号化プロセスを効果的に模倣し、一般的な符号と稀な符号の両方の性能を向上させる。 提案手法は, 事前学習や微調整を必要とする最先端のICD符号化手法に匹敵する結果を得るとともに, 稀なコード精度, 説明可能性で性能を向上する。
  論文  参考訳（メタデータ） (2024-04-01T15:17:39Z)
• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• Development and Testing of a Novel Large Language Model-Based Clinical Decision Support Systems for Medication Safety in 12 Clinical Specialties [3.963266190903893]
  本稿では, 安全な薬剤処方をサポートするために, 臨床診断支援システム (CDSS) として, 新規な検索言語モデル (LLM) フレームワークを導入する。 本研究は、12の異なる医療・外科専門分野の23の臨床ヴィグネットに61のプリスクリプティングエラーシナリオを組み込んだ。
  論文  参考訳（メタデータ） (2024-01-29T16:03:29Z)

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。