論文の概要: EpiPlanAgent: Agentic Automated Epidemic Response Planning

• arxiv url: http://arxiv.org/abs/2512.10313v1
• Date: Thu, 11 Dec 2025 06:03:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.210237
• Title: EpiPlanAgent: Agentic Automated Epidemic Response Planning
• Title（参考訳）: EpiPlanAgent: エージェント・オートマチック・エピデミック・レスポンス・プランニング
• Authors: Kangkun Mao, Fang Xu, Jinru Ding, Yidong Jiang, Yujun Yao, Yirong Chen, Junming Liu, Xiaoqin Wu, Qian Wu, Xiaoyan Huang, Jie Xu,
• Abstract要約: EpiPlanAgentは、大規模言語モデル(LLM)を使用して、デジタル緊急対応計画の生成と検証を自動化するエージェントベースのシステムである。 公衆衛生の専門家は、コントロールされた評価で現実世界の流行シナリオを使用してシステムをテストした。
• 参考スコア（独自算出の注目度）: 9.237435272733032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epidemic response planning is essential yet traditionally reliant on labor-intensive manual methods. This study aimed to design and evaluate EpiPlanAgent, an agent-based system using large language models (LLMs) to automate the generation and validation of digital emergency response plans. The multi-agent framework integrated task decomposition, knowledge grounding, and simulation modules. Public health professionals tested the system using real-world outbreak scenarios in a controlled evaluation. Results demonstrated that EpiPlanAgent significantly improved the completeness and guideline alignment of plans while drastically reducing development time compared to manual workflows. Expert evaluation confirmed high consistency between AI-generated and human-authored content. User feedback indicated strong perceived utility. In conclusion, EpiPlanAgent provides an effective, scalable solution for intelligent epidemic response planning, demonstrating the potential of agentic AI to transform public health preparedness.
• Abstract（参考訳）: エピデミック・レスポンス・プランニングは必要不可欠であるが、伝統的に労働集約的な手作業に頼っている。 本研究では,大規模言語モデル(LLM)を用いたエージェントベースシステムであるEpiPlanAgentを設計・評価し,デジタル緊急対応計画の生成と検証を自動化することを目的とした。 マルチエージェントフレームワークはタスク分解、知識基盤、シミュレーションモジュールを統合している。 公衆衛生の専門家は、コントロールされた評価で現実世界の流行シナリオを使用してシステムをテストした。 その結果、EpiPlanAgentは、手動のワークフローに比べて開発時間を劇的に短縮しつつ、計画の完全性とガイドラインの整合性を大幅に改善した。 専門家による評価では、AI生成コンテンツと人間によるコンテンツの間で高い一貫性が確認された。 ユーザからのフィードバックは、強力に認識された実用性を示している。 結論として、EpiPlanAgentはインテリジェントな疫病対策計画のための効果的でスケーラブルなソリューションを提供する。

関連論文リスト

• EpidemIQs: Prompt-to-Paper LLM Agents for Epidemic Modeling and Analysis [0.0]
  大規模言語モデル(LLM)は、複雑な学際研究を自動化する新しい機会を提供する。 EpidemIQsは、ユーザ入力を統合し、文献のレビュー、分析的導出、ネットワークモデリング、シミュレーションの呼び出し、データの可視化と分析、そして最後に構造化された原稿での発見の文書化を行う、新しいマルチエージェントLCMフレームワークである。 我々は、計算コスト、完成率、AIおよび生成されたレポートの人間専門家レビューを測定する様々なシナリオにおいて、エピデムIQを評価した。
  論文  参考訳（メタデータ） (2025-09-24T18:54:56Z)
• CardAIc-Agents: A Multimodal Framework with Hierarchical Adaptation for Cardiac Care Support [37.20545002349272]
  CardAIc-Agentsは、AIモデルを外部ツールで拡張し、多様な心臓タスクを適応的にサポートするフレームワークである。 カルディアックRAGのエージェントは、心の知識から一般的な計画を作成し、チーフエージェントはこれらの計画を自律的に実行し、決定を下すためのツールを統合した。 3つのデータセットを対象とした実験では、主流のVision-Language Models (VLM)、最先端のエージェントシステム、微調整されたVLMと比較して、CardAIc-Agentsの有効性が示された。
  論文  参考訳（メタデータ） (2025-08-18T16:17:12Z)
• ConfAgents: A Conformal-Guided Multi-Agent Framework for Cost-Efficient Medical Diagnosis [11.18347744454527]
  私たちは、新しいメタレベルの進化メカニズムを通じて制限を克服する、自己進化型AIエージェントであるHealthFlowを紹介します。 HealthFlowは、手続き的な成功と失敗を永続的で戦略的知識基盤に蒸留することで、独自のハイレベルな問題解決ポリシーを自律的に洗練する。 私たちの実験では、HealthFlowの自己進化アプローチが最先端のエージェントフレームワークを大幅に上回っていることを実証しています。
  論文  参考訳（メタデータ） (2025-08-06T22:39:38Z)
• HealthFlow: A Self-Evolving AI Agent with Meta Planning for Autonomous Healthcare Research [32.21457361323802]
  本稿では,新たなメタレベルの進化機構を通じて制限を克服する,自己進化型AIエージェントであるHealthFlowを紹介する。 HealthFlowは、手続き的な成功と失敗を永続的で構造化された知識ベースに蒸留することで、ハイレベルな問題解決ポリシーを自律的に洗練する。 私たちの実験では、HealthFlowの自己進化アプローチが最先端のエージェントフレームワークを大幅に上回っていることを実証しています。
  論文  参考訳（メタデータ） (2025-08-04T17:08:47Z)
• Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
  プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。 本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T14:07:28Z)
• KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [52.34892973785117]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。 この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。 我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
  論文  参考訳（メタデータ） (2024-03-05T16:39:12Z)
• Counterfactual Planning in AGI Systems [0.0]
  反現実的計画の鍵となるステップは、AGI機械学習システムを使用して反現実的世界モデルを構築することである。 対物計画エージェントは、この対物計画世界で期待される実用性を最大限に発揮する行動を決定する。 我々は、AGIエージェントの緊急停止ボタンと、諜報機関が爆発する前に自動的にエージェントを停止させる安全インターロックを構築するために、偽造計画を使用している。
  論文  参考訳（メタデータ） (2021-01-29T13:44:14Z)
• Modelling Multi-Agent Epistemic Planning in ASP [66.76082318001976]
  本稿では,マルチショット・アンサー・セット・プログラミング・ベース・プランナの実装について述べる。 本稿は, アドホックなエピステミック状態表現とASPソルバの効率を生かしたプランナーが, 文献から収集したベンチマークに対して, 競合的な性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-08-07T06:35:56Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。