論文の概要: Demo: Healthcare Agent Orchestrator (HAO) for Patient Summarization in Molecular Tumor Boards

• arxiv url: http://arxiv.org/abs/2509.06602v1
• Date: Mon, 08 Sep 2025 12:15:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.117429
• Title: Demo: Healthcare Agent Orchestrator (HAO) for Patient Summarization in Molecular Tumor Boards
• Title（参考訳）: デモ:分子腫瘍ボードにおける患者要約のための医療エージェントオーケストレータ(HAO)
• Authors: Noel Codella, Sam Preston, Hao Qiu, Leonardo Schettini, Wen-wai Yim, Mert Öz, Shrey Jain, Matthew P. Lungren, Thomas Osborne,
• Abstract要約: 分子腫瘍ボード(MTB)の正確かつ包括的な患者要約を生成するための医療エージェントオーケストラ(HAO)について紹介する。 予測された患者要約を真実に対して評価することは、様式的変動、順序付け、同義語の使用、表現の違いによる追加的な課題を提示する。 本稿では,生成された要約の包括性と簡潔さを評価するためのモデル・アズ・ア・ジャッジのフレームワークTBFactを提案する。
• 参考スコア（独自算出の注目度）: 8.410395208222537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular Tumor Boards (MTBs) are multidisciplinary forums where oncology specialists collaboratively assess complex patient cases to determine optimal treatment strategies. A central element of this process is the patient summary, typically compiled by a medical oncologist, radiation oncologist, or surgeon, or their trained medical assistant, who distills heterogeneous medical records into a concise narrative to facilitate discussion. This manual approach is often labor-intensive, subjective, and prone to omissions of critical information. To address these limitations, we introduce the Healthcare Agent Orchestrator (HAO), a Large Language Model (LLM)-driven AI agent that coordinates a multi-agent clinical workflow to generate accurate and comprehensive patient summaries for MTBs. Evaluating predicted patient summaries against ground truth presents additional challenges due to stylistic variation, ordering, synonym usage, and phrasing differences, which complicate the measurement of both succinctness and completeness. To overcome these evaluation hurdles, we propose TBFact, a ``model-as-a-judge'' framework designed to assess the comprehensiveness and succinctness of generated summaries. Using a benchmark dataset derived from de-identified tumor board discussions, we applied TBFact to evaluate our Patient History agent. Results show that the agent captured 94% of high-importance information (including partial entailments) and achieved a TBFact recall of 0.84 under strict entailment criteria. We further demonstrate that TBFact enables a data-free evaluation framework that institutions can deploy locally without sharing sensitive clinical data. Together, HAO and TBFact establish a robust foundation for delivering reliable and scalable support to MTBs.
• Abstract（参考訳）: 分子腫瘍ボード(英: molecular tumor Boards, MTBs)は、腫瘍専門医が複雑な患者を共同で評価し、最適な治療戦略を決定する多分野のフォーラムである。 このプロセスの中心的な要素は、典型的には医療腫瘍学者、放射線腫瘍学者、外科医、あるいはその訓練された医療助手によってまとめられた患者の要約であり、異種医療記録を簡潔な物語に蒸留して議論を促進する。 この手動のアプローチは、しばしば労働集約的で主観的で、重要な情報の欠落を招きやすい。 これらの制約に対処するために,多エージェントの臨床ワークフローをコーディネートした大規模言語モデル(LLM)駆動型AIエージェントであるHealthcare Agent Orchestrator (HAO)を導入し,MDBの正確かつ包括的な患者要約を生成する。 予測された患者要約を地底真実に対して評価することは、スタイリスティックな変化、順序付け、同義語の使用、表現の違いによる追加の課題を示し、簡潔さと完全性の両方の測定を複雑にする。 これらの評価ハードルを克服するために,生成された要約の包括性と簡潔性を評価するための「モデル・アズ・ア・ジャッジ」フレームワークであるTBFactを提案する。 未同定腫瘍ボードの議論から得られたベンチマークデータセットを用いて, TBFactを患者履歴エージェントの評価に応用した。 その結果、エージェントは高重要情報の94%(部分的含意を含む)を捕獲し、厳格な含意基準の下でTBFactリコール0.84を達成した。 さらに、TBFactは、機密性のある臨床データを共有せずに、組織がローカルにデプロイできるデータフリー評価フレームワークを可能にすることを実証する。 HAOとTBFactは共に、MTBに信頼性とスケーラブルなサポートを提供するための堅牢な基盤を確立している。

関連論文リスト

• Automated Clinical Problem Detection from SOAP Notes using a Collaborative Multi-Agent LLM Architecture [8.072932739333309]
  我々は,このギャップに対処するために,臨床相談チームをモデル化する共同マルチエージェントシステム(MAS)を導入する。 このシステムは、SOAPノートの主観的(S)および目的的(O)セクションのみを分析することによって、臨床上の問題を特定する。 マネージャエージェントは、階層的で反復的な議論に従事し、合意に達するために、動的に割り当てられた専門家エージェントのチームを編成する。
  論文  参考訳（メタデータ） (2025-08-29T17:31:24Z)
• From EMR Data to Clinical Insight: An LLM-Driven Framework for Automated Pre-Consultation Questionnaire Generation [9.269061009613033]
  複雑な電子カルテ(EMR)から事前コンサルテーションアンケートを作成するための新しい枠組みを提案する。 この枠組みは、明確な臨床知識を構築することによって直接的手法の限界を克服する。 実世界のEMRデータセットを用いて評価し,臨床専門家が検証し,情報カバレッジ,診断関連性,理解可能性,生成時間に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-01T12:24:49Z)
• Comparing representations of long clinical texts for the task of patient note-identification [4.552065156611815]
  患者ノートの識別には、匿名化された臨床ノートを対応する患者と正確に一致させ、関連するノートのセットで表現する。 BERTモデルを含む様々な埋め込み手法を探索し,中長期臨床テキストを効果的に処理する。 以上の結果から,BERTをベースとした埋め込みは従来型および階層型モデル,特に長期臨床ノートの処理において優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-03-31T12:31:44Z)
• TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
  Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。 本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。 TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
  論文  参考訳（メタデータ） (2025-03-26T15:58:16Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis [3.5492837081144204]
  トランスフォーマーベースのマルチモーダルオートエンコーダ(TMAE)は,クレームデータから有意義な情報を符号化することで,効率的な患者表現を学習することができる。 我々は,60,000人以上の患者を対象とする実世界の小児検診データセットを用いてTMAEを訓練した。
  論文  参考訳（メタデータ） (2021-06-23T21:29:50Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。