論文の概要: PAME-AI: Patient Messaging Creation and Optimization using Agentic AI

• arxiv url: http://arxiv.org/abs/2509.24263v1
• Date: Mon, 29 Sep 2025 04:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.740527
• Title: PAME-AI: Patient Messaging Creation and Optimization using Agentic AI
• Title（参考訳）: PAME-AI:エージェントAIを用いた患者メッセージ作成と最適化
• Authors: Junjie Luo, Yihong Guo, Anqi Liu, Ritu Agarwal, Gordon, Gao,
• Abstract要約: 我々は,エージェントAIを用いた患者メッセージ作成と最適化のための新しいアプローチであるPAME-AIを開発した。 Data-Information-Knowledge-Wisdom階層に基づいて構築されたPAME-AIは、生データから高性能メッセージング設計のための実行可能な洞察に移行するための構造化されたフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 14.101613325628074
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Messaging patients is a critical part of healthcare communication, helping to improve things like medication adherence and healthy behaviors. However, traditional mobile message design has significant limitations due to its inability to explore the high-dimensional design space. We develop PAME-AI, a novel approach for Patient Messaging Creation and Optimization using Agentic AI. Built on the Data-Information-Knowledge-Wisdom (DIKW) hierarchy, PAME-AI offers a structured framework to move from raw data to actionable insights for high-performance messaging design. PAME-AI is composed of a system of specialized computational agents that progressively transform raw experimental data into actionable message design strategies. We demonstrate our approach's effectiveness through a two-stage experiment, comprising of 444,691 patient encounters in Stage 1 and 74,908 in Stage 2. The best-performing generated message achieved 68.76% engagement compared to the 61.27% baseline, representing a 12.2\% relative improvement in click-through rates. This agentic architecture enables parallel processing, hypothesis validation, and continuous learning, making it particularly suitable for large-scale healthcare communication optimization.
• Abstract（参考訳）: メッセージング患者は医療コミュニケーションの重要な部分であり、服薬の順守や健康的な行動の改善に役立つ。 しかし、従来のモバイルメッセージの設計には、高次元の設計空間を探索できないため、大きな制限がある。 我々は,エージェントAIを用いた患者メッセージ作成と最適化のための新しいアプローチであるPAME-AIを開発した。 Data-Information-Knowledge-Wisdom (DIKW)階層に基づいて構築されたPAME-AIは、生データから高性能メッセージング設計のための実行可能な洞察に移行するための構造化されたフレームワークを提供する。 PAME-AIは、生の実験データを行動可能なメッセージ設計戦略に段階的に変換する特殊な計算エージェントのシステムで構成されている。 第1ステージで44,691人,第2ステージで74,908人,第2ステージで444,691人,第2ステージで74,908人からなる2段階実験により,アプローチの有効性を実証した。 最高のパフォーマンスで生成されたメッセージは61.27%のベースラインに比べて68.76%のエンゲージメントを達成した。 このエージェントアーキテクチャは並列処理、仮説検証、継続的な学習を可能にし、大規模医療コミュニケーションの最適化に特に適している。

関連論文リスト

• Holistic Artificial Intelligence in Medicine; improved performance and explainability [4.862319939462255]
  xHAIM(Explainable HAIM)は、ジェネレーティブAIを活用して予測と説明可能性の両方を強化する新しいフレームワークである。 xHAIM は平均 AUC を 79.9% から 90.3% に改善する。 AIをブラックボックスの予測装置から説明可能な意思決定支援システムに変換し、臨床医が関連する患者データにインタラクティブに予測を追跡できるようにする。
  論文  参考訳（メタデータ） (2025-06-30T19:15:06Z)
• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• METHOD: Modular Efficient Transformer for Health Outcome Discovery [0.25112747242081457]
  本稿では,電子カルテにおける臨床シーケンスモデリングの課題に対処するために,新しいトランスフォーマーアーキテクチャである Method を紹介する。 1)効率的なバッチ処理を可能にしながら情報漏洩を防止する患者対応アテンション機構,(2)マルチスケールの時間的依存関係をキャプチャする適応型スライディングウィンドウアテンションスキーム,(3)動的スキップ接続を備えたU-Netインスピレーションアーキテクチャ。 MIMIC-IVデータベースにおける評価は、手法が最先端のETHOSモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-16T15:52:56Z)
• A Method for the Architecture of a Medical Vertical Large Language Model Based on Deepseek R1 [6.589206192038366]
  本稿では,知識獲得,モデル圧縮,計算強化といった課題に対処する,軽量な医療用大規模言語モデルアーキテクチャを提案する。 我々は,Low-Rank Adaptation (LoRA) を用いて,DeepSeek-R1-Distill-70BからDeepSeek-R1-Distill-7Bへの知識伝達パイプラインを設計した。 提案手法では,USMLEでは92.1%の精度を維持しながら,メモリ消費を64.7%削減し,12.4%のレイテンシをベースライン推論モデルと比較した。
  論文  参考訳（メタデータ） (2025-04-25T14:28:29Z)
• In-Context Learning for Preserving Patient Privacy: A Framework for Synthesizing Realistic Patient Portal Messages [0.9112162560071937]
  新型コロナウイルス(COVID-19)のパンデミック以降、臨床医は患者のポータルメッセージに大きくて持続的な流入を見てきた。 本研究では,現実的な患者ポータルメッセージ生成のための LLM を利用したフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-10T18:06:55Z)
• Representation Learning of Structured Data for Medical Foundation Models [29.10129199884847]
  我々はUniStructアーキテクチャを導入し、構造化されていないテキストと構造化データのマルチモーダル医療基盤モデルを設計する。 本手法は,広範囲な内部医療データベースと構造化医療記録の公開リポジトリのモデル事前学習を通じて検証される。
  論文  参考訳（メタデータ） (2024-10-17T09:02:28Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)

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。