論文の概要: CLARITY: Clinical Assistant for Routing, Inference, and Triage
- arxiv url: http://arxiv.org/abs/2510.02463v1
- Date: Thu, 02 Oct 2025 18:18:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.120581
- Title: CLARITY: Clinical Assistant for Routing, Inference, and Triage
- Title（参考訳）: CLARITY:ルーティング、推論、トリアージのための臨床アシスタント
- Authors: Vladimir Shaposhnikov, Aleksandr Nesterov, Ilia Kopanichuk, Ivan Bakulin, Egor Zhelvakov, Ruslan Abramov, Ekaterina Tsapieva, Dmitry V. Dylov, Ivan Oseledets,
- Abstract要約: CLARITY(Clinical Assistant for Routing, Inference, and Triage)は、患者から特定者へのルーティング、臨床相談、患者の状態の重症度評価を容易にするAI駆動型プラットフォームである。
モジュール化されたフレームワーク上に構築されたCLARITYは、安全で効率的で堅牢なパフォーマンスを保証すると同時に、医療における既存およびITソリューションの要求を満たすために、柔軟で容易にスケーラブルである。
臨床助手を全国規模の総合病院間ITプラットフォームに統合し,2ヶ月以内に55,000件以上のコンテンツ豊富なユーザ対話を完了し,そのうち2500件を専門家による注釈付きで報告した。
- 参考スコア（独自算出の注目度）: 35.015615721508205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present CLARITY (Clinical Assistant for Routing, Inference, and Triage), an AI-driven platform designed to facilitate patient-to-specialist routing, clinical consultations, and severity assessment of patients' conditions. Its hybrid architecture combines a Finite State Machine (FSM) for structured dialogue flows with collaborative agents that employ Large Language Model (LLM) to analyze symptoms and prioritize referrals to appropriate specialists. Built on a modular microservices framework, CLARITY ensures safe, efficient, and robust performance, flexible and readily scalable to meet the demands of existing workflows and IT solutions in healthcare. We report integration of our clinical assistant into a large-scale nation-wide inter-hospital IT platform, with over 55,000 content-rich user dialogues completed within the two months of deployment, 2,500 of which were expert-annotated for a consequent validation. The validation results show that CLARITY surpasses human-level performance in terms of the first-attempt routing precision, naturally requiring up to 3 times shorter duration of the consultation than with a human.
- Abstract（参考訳）: 患者と専門医のルーティング, 臨床相談, 患者状態の重症度評価を容易にするために設計された, CLARITY (Clinical Assistant for Routing, Inference, and Triage) を提案する。
そのハイブリッドアーキテクチャは、構造化対話フローのための有限状態機械(FSM)と、LLM(Large Language Model)を用いた協調エージェントを組み合わせて、症状を分析し、適切な専門家への参照を優先順位付けする。
モジュール型のマイクロサービスフレームワーク上に構築されたCLARITYは、医療における既存のワークフローやITソリューションの要求を満たすために、安全で効率的で堅牢なパフォーマンス、柔軟性と容易なスケーラビリティを保証する。
本報告では,2ヶ月以内に55,000件以上のコンテンツ豊富なユーザ対話が完了し,そのうち2500件を専門家による検証に用いた,全国規模のITプラットフォームへの臨床助手の統合について報告する。
評価の結果,CLARITYは第1段階のルーティング精度で人間レベルの性能を上回り,人間に比べて相談の最大3倍の時間を要することが明らかとなった。
関連論文リスト
- A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。
エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。
2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2025-09-18T14:33:36Z) - Asking the Right Questions: Benchmarking Large Language Models in the Development of Clinical Consultation Templates [3.225928471841556]
145名の専門家によるテンプレートを用いて,臨床的整合性,簡潔さ,優先順位付けされた臨床質問スキーマの作成能力の評価を行った。
o3のようなモデルは高い包括性(最大92.2%)を達成するが、常に非常に長いテンプレートを生成する。
パフォーマンスは専門分野によって異なり、精神医学や痛み医学のような物語駆動の分野において著しく低下している。
論文 参考訳（メタデータ） (2025-08-02T02:51:27Z) - 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) - Designing AI Tools for Clinical Care Teams to Support Serious Illness Conversations with Older Adults in the Emergency Department [53.52248484568777]
この研究は、EDベースの重篤な病的会話の実証的な理解に貢献し、ハイテイクな臨床環境におけるAIの設計上の考察を提供する。
専門医2名と専門医9名を対象にインタビューを行った。
我々は4段階の重篤な会話ワークフロー(識別、準備、伝導、文書化)を特徴とし、各段階における重要なニーズと課題を特定した。
既存の臨床実践に適合するSICをサポートするAIツールの設計ガイドラインを提示する。
論文 参考訳（メタデータ） (2025-05-30T21:15:57Z) - From Questions to Clinical Recommendations: Large Language Models Driving Evidence-Based Clinical Decision Making [14.48848307485775]
Quickerは大規模言語モデル(LLM)を利用したエビデンスベースの臨床意思決定支援システムである。
本研究は,大規模言語モデル(LLM)を用いたエビデンスに基づく臨床意思決定支援システムQuickerを紹介する。
論文 参考訳（メタデータ） (2025-05-15T13:30:39Z) - Expertise Is What We Want [0.0]
アプリケーションアーキテクチャ、LLE(Large Language Expert)は、LLM(Large Language Models)の柔軟性とパワーと、Expert Systemsの解釈可能性、説明可能性、信頼性を組み合わせたものです。
LLE(Large Language Expert)システムのパワーを強調するために,新たに癌と診断された患者の作業を支援するLLEを構築した。
論文 参考訳（メタデータ） (2025-02-27T18:05:15Z) - 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) - ClinicalAgent: Clinical Trial Multi-Agent System with Large Language Model-based Reasoning [16.04933261211837]
大規模言語モデル(LLM)とマルチエージェントシステムは、自然言語処理において顕著な能力を示しているが、臨床試験では課題に直面している。
臨床用マルチエージェントシステムである臨床エージェントシステム(ClinicalAgent)について紹介する。
論文 参考訳（メタデータ） (2024-04-23T06:30:53Z) - 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)
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。