論文の概要: Multi-agent Self-triage System with Medical Flowcharts

• arxiv url: http://arxiv.org/abs/2511.12439v1
• Date: Sun, 16 Nov 2025 03:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.096673
• Title: Multi-agent Self-triage System with Medical Flowcharts
• Title（参考訳）: 医療用フローチャートを用いたマルチエージェントセルフトリアージシステム
• Authors: Yujia Liu, Sophia Yu, Hongyue Jin, Jessica Wen, Alexander Qian, Terrence Lee, Mattheus Ramsis, Gi Won Choi, Lianhui Qin, Xin Liu, Edward J. Wang,
• Abstract要約: 我々は,米国医学会から臨床検査された100個のフローチャートを用いて,LLMをガイドする概念的対話型セルフトレージシステムを紹介した。 シミュレーションされた会話の合成データセットを用いて,大規模に評価した。
• 参考スコア（独自算出の注目度）: 36.31241490919295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online health resources and large language models (LLMs) are increasingly used as a first point of contact for medical decision-making, yet their reliability in healthcare remains limited by low accuracy, lack of transparency, and susceptibility to unverified information. We introduce a proof-of-concept conversational self-triage system that guides LLMs with 100 clinically validated flowcharts from the American Medical Association, providing a structured and auditable framework for patient decision support. The system leverages a multi-agent framework consisting of a retrieval agent, a decision agent, and a chat agent to identify the most relevant flowchart, interpret patient responses, and deliver personalized, patient-friendly recommendations, respectively. Performance was evaluated at scale using synthetic datasets of simulated conversations. The system achieved 95.29% top-3 accuracy in flowchart retrieval (N=2,000) and 99.10% accuracy in flowchart navigation across varied conversational styles and conditions (N=37,200). By combining the flexibility of free-text interaction with the rigor of standardized clinical protocols, this approach demonstrates the feasibility of transparent, accurate, and generalizable AI-assisted self-triage, with potential to support informed patient decision-making while improving healthcare resource utilization.
• Abstract（参考訳）: オンライン医療資源と大規模言語モデル(LLMs)は、医療意思決定の第一点としてますます利用されているが、医療における信頼性は、低い正確性、透明性の欠如、未検証の情報に対する感受性によって制限されている。 我々は,米国医学会から臨床に検証された100個のフローチャートを用いてLCMを誘導し,患者意思決定支援のための構造化された,監査可能な枠組みを提供する,概念的対話型セルフトレージシステムを提案する。 本システムは、検索エージェント、意思決定エージェント、チャットエージェントからなるマルチエージェントフレームワークを利用して、最も関連性の高いフローチャートを特定し、患者反応を解釈し、パーソナライズされた患者フレンドリーなレコメンデーションを提供する。 シミュレーションされた会話の合成データセットを用いて,大規模に評価した。 このシステムは、フローチャート検索における95.29%の精度(N=2,000)と、様々な会話スタイルと状況(N=37,200)にわたるフローチャートナビゲーションにおける99.10%の精度を達成した。 標準化された臨床プロトコルの厳密さと自由テキストインタラクションの柔軟性を組み合わせることで、透明性、正確、一般化可能なAI支援型セルフトリアージの実現可能性を示し、医療資源利用の向上を図りながら、患者の意思決定を支援する可能性を示した。

関連論文リスト

• DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
  大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。 本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
  論文  参考訳（メタデータ） (2025-10-24T08:01:21Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• Enhancing Clinical Decision-Making: Integrating Multi-Agent Systems with Ethical AI Governance [1.0195618602298682]
  実験結果, バイタルサイン, 臨床状況を分析するために, モジュラーエージェントを用いた新規エージェントシステムの設計を比較した。 我々は,eICUデータベースを用いて,実験室分析,バイタルのみのインタプリタ,文脈推論エージェントなどのエージェントシステムを実装した。
  論文  参考訳（メタデータ） (2025-03-25T05:32:43Z)
• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• Simulated patient systems are intelligent when powered by large language model-based AI agents [32.73072809937573]
  我々は,大規模言語モデルに基づくAIエージェントを用いた,インテリジェントシミュレートされた患者システムAIatientを開発した。 このシステムにはRetrieval Augmented Generationフレームワークが組み込まれており、複雑な推論のために6つのタスク固有のLLMベースのAIエージェントが使用されている。 シミュレーションの現実のために、このシステムはAIPatient KG (Knowledge Graph) も利用している。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)

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。