論文の概要: From Passive to Proactive: A Multi-Agent System with Dynamic Task Orchestration for Intelligent Medical Pre-Consultation

• arxiv url: http://arxiv.org/abs/2511.01445v1
• Date: Mon, 03 Nov 2025 10:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.228062
• Title: From Passive to Proactive: A Multi-Agent System with Dynamic Task Orchestration for Intelligent Medical Pre-Consultation
• Title（参考訳）: パッシブからプロアクティブへ:インテリジェント医療前処理のための動的タスクオーケストレーションによるマルチエージェントシステム
• Authors: ChengZhang Yu, YingRu He, Hongyan Cheng, nuo Cheng, Zhixing Liu, Dongxu Mu, Zhangrui Shen, Zhanpeng Jin,
• Abstract要約: 本研究では,受動的医療用AIシステムを積極的な調査エージェントに変換する階層型マルチエージェントフレームワークを提案する。 我々は,前処理を4つの主要なタスクに分解する集中制御機構を備えた8エージェントアーキテクチャを開発した。 このフレームワークは、初等部署のトリアージで87.0%、二次部署の分類で80.5%の精度を達成した。
• 参考スコア（独自算出の注目度）: 2.4425677941617194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global healthcare systems face critical challenges from increasing patient volumes and limited consultation times, with primary care visits averaging under 5 minutes in many countries. While pre-consultation processes encompassing triage and structured history-taking offer potential solutions, they remain limited by passive interaction paradigms and context management challenges in existing AI systems. This study introduces a hierarchical multi-agent framework that transforms passive medical AI systems into proactive inquiry agents through autonomous task orchestration. We developed an eight-agent architecture with centralized control mechanisms that decomposes pre-consultation into four primary tasks: Triage ($T_1$), History of Present Illness collection ($T_2$), Past History collection ($T_3$), and Chief Complaint generation ($T_4$), with $T_1$--$T_3$ further divided into 13 domain-specific subtasks. Evaluated on 1,372 validated electronic health records from a Chinese medical platform across multiple foundation models (GPT-OSS 20B, Qwen3-8B, Phi4-14B), the framework achieved 87.0% accuracy for primary department triage and 80.5% for secondary department classification, with task completion rates reaching 98.2% using agent-driven scheduling versus 93.1% with sequential processing. Clinical quality scores from 18 physicians averaged 4.56 for Chief Complaints, 4.48 for History of Present Illness, and 4.69 for Past History on a 5-point scale, with consultations completed within 12.7 rounds for $T_2$ and 16.9 rounds for $T_3$. The model-agnostic architecture maintained high performance across different foundation models while preserving data privacy through local deployment, demonstrating the potential for autonomous AI systems to enhance pre-consultation efficiency and quality in clinical settings.
• Abstract（参考訳）: 世界の医療システムは、患者数の増加や相談時間の制限から重要な課題に直面しており、多くの国では、プライマリケアの訪問は平均5分以下である。 トリアージと構造化された履歴取得を含む事前解釈プロセスは潜在的な解決策を提供するが、既存のAIシステムにおける受動的相互作用パラダイムとコンテキスト管理の課題によって制限されている。 本研究では,受動的医療用AIシステムを自律的なタスクオーケストレーションを通じて,積極的な調査エージェントに変換する階層型マルチエージェントフレームワークを提案する。 我々は,前処理を4つの主要なタスクに分解する集中型制御機構を備えた8エージェントアーキテクチャを開発した。Triage(T_1$), History of Present Illness collection(T_2$), Past History collection(T_3$), Chief Complaint generation(T_4$), with $T_1$-$T_3$。 中国の医療プラットフォームから複数の基礎モデル(GPT-OSS 20B、Qwen3-8B、Phi4-14B)にわたる電子健康記録を1,372件評価し、初等部署のトリアージでは87.0%、中等部の分類では80.5%、タスク完了率は98.2%に達し、逐次処理では93.1%となった。 18名の医師が平均4.56ドル、現在病歴4.48ドル、過去史4.69ドル、12.7ラウンドでT_2$、16.9ラウンドでT_3$となった。 モデルに依存しないアーキテクチャは、さまざまな基礎モデル間で高いパフォーマンスを維持しながら、ローカルデプロイメントを通じてデータのプライバシを保存する。

関連論文リスト

• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Leveraging AI to Accelerate Medical Data Cleaning: A Comparative Study of AI-Assisted vs. Traditional Methods [3.2666593942117688]
  Octoziは、大規模な言語モデルとドメイン固有性を組み合わせて医療データレビューを変換する人工知能支援プラットフォームである。 代表的な第3相腫瘍学試験の経済分析により、潜在的コスト削減は510万ドルであることが判明した。
  論文  参考訳（メタデータ） (2025-08-07T15:49:32Z)
• Collaborative Medical Triage under Uncertainty: A Multi-Agent Dynamic Matching Approach [4.474709234869498]
  パンデミック後の医療需要の急増と重度の介護不足は、医療トリアージシステムに前例のない圧力を与えている。 我々は、現在のAIベースのトリアージシステムにおける3つの基本的な課題に対処する、医療トリアージのためのマルチエージェントインタラクティブなインテリジェントシステムを提案する。
  論文  参考訳（メタデータ） (2025-07-30T09:21:59Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• MAP: Evaluation and Multi-Agent Enhancement of Large Language Models for Inpatient Pathways [26.013336927642765]
  入院経路は包括的患者情報に基づく複雑な臨床診断を必要とする。 3つの臨床薬品を併用した多段階入院経路(MAP)フレームワークを提案する。 LLM HuatuoGPT2-13Bと比較して診断精度は25.10%向上した。
  論文  参考訳（メタデータ） (2025-03-17T14:14:28Z)
• 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 with Interactive Sequence [68.05876437208505]
  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)

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。