論文の概要: When OpenClaw Meets Hospital: Toward an Agentic Operating System for Dynamic Clinical Workflows
- arxiv url: http://arxiv.org/abs/2603.11721v1
- Date: Thu, 12 Mar 2026 09:28:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.990763
- Title: When OpenClaw Meets Hospital: Toward an Agentic Operating System for Dynamic Clinical Workflows
- Title（参考訳）: OpenClawが病院と出会う:ダイナミックな臨床ワークフローのためのエージェントオペレーティングシステム
- Authors: Wenxian Yang, Hanzheng Qiu, Bangqun Zhang, Chengquan Li, Zhiyong Huang, Xiaobin Feng, Rongshan Yu, Jiahong Dong,
- Abstract要約: 大規模言語モデル(LLM)エージェントは、推論、ツール呼び出し、永続メモリを統合することで、従来の生成モデルを拡張する。
本研究は,LLMエージェントを病院環境に適用するアーキテクチャを提案する。
この設計では、Linuxマルチユーザシステムにインスパイアされた限定実行環境、長期臨床コンテキスト管理用に設計されたページインデックスメモリアーキテクチャ、臨床タスクシーケンスのアドホックな構成を可能にするキュレートされた医療スキルライブラリの4つのコアコンポーネントが導入された。
- 参考スコア（独自算出の注目度）: 6.1854144328781935
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large language model (LLM) agents extend conventional generative models by integrating reasoning, tool invocation, and persistent memory. Recent studies suggest that such agents may significantly improve clinical workflows by automating documentation, coordinating care processes, and assisting medical decision making. However, despite rapid progress, deploying autonomous agents in healthcare environments remains difficult due to reliability limitations, security risks, and insufficient long-term memory mechanisms. This work proposes an architecture that adapts LLM agents for hospital environments. The design introduces four core components: a restricted execution environment inspired by Linux multi-user systems, a document-centric interaction paradigm connecting patient and clinician agents, a page-indexed memory architecture designed for long-term clinical context management, and a curated medical skills library enabling ad-hoc composition of clinical task sequences. Rather than granting agents unrestricted system access, the architecture constrains actions through predefined skill interfaces and resource isolation. We argue that such a system forms the basis of an Agentic Operating System for Hospital, a computing layer capable of coordinating clinical workflows while maintaining safety, transparency, and auditability. This work grounds the design in OpenClaw, an open-source autonomous agent framework that structures agent capabilities as a curated library of discrete skills, and extends it with the infrastructure-level constraints required for safe clinical deployment.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、推論、ツール呼び出し、永続メモリを統合することで、従来の生成モデルを拡張する。
近年の研究では、これらの薬剤は、ドキュメンテーションの自動化、ケアプロセスのコーディネート、医療意思決定の支援により、臨床ワークフローを著しく改善する可能性が示唆されている。
しかし、急激な進歩にもかかわらず、信頼性の限界、セキュリティリスク、長期記憶のメカニズムが不十分なため、医療環境における自律エージェントの展開は依然として困難である。
本研究は,LLMエージェントを病院環境に適用するアーキテクチャを提案する。
この設計では、Linuxマルチユーザシステムにインスパイアされた制限された実行環境、患者と臨床エージェントをつなぐドキュメント中心のインタラクションパラダイム、長期臨床コンテキスト管理用に設計されたページインデックスメモリアーキテクチャ、臨床タスクシーケンスのアドホックな構成を可能にするキュレートされた医療スキルライブラリの4つのコアコンポーネントが導入されている。
エージェントに制限のないシステムアクセスを与えるのではなく、アーキテクチャは事前に定義されたスキルインターフェースとリソース分離を通じてアクションを制約する。
このようなシステムは, 安全, 透明性, 監査性を維持しつつ, 臨床ワークフローをコーディネートできるコンピュータ・レイヤである, 病院のエージェント・オペレーティング・システムの基礎をなすものである,と我々は主張する。
これはオープンソースの自律エージェントフレームワークで、エージェント機能を個別スキルのキュレートされたライブラリとして構成し、安全な臨床展開に必要なインフラストラクチャレベルの制約で拡張する。
関連論文リスト
- OpenSage: Self-programming Agent Generation Engine [56.399761469404496]
自己生成型トポロジとツールセットでエージェントを自動生成する最初のエージェント開発キットであるOpenSageを提案する。
OpenSageは、エージェントが独自のサブエージェントとツールキットを作成し管理するための効果的な機能を提供する。
OpenSageは、人間中心のパラダイムからAI中心のパラダイムへと焦点を移す、次世代のエージェント開発への道を開くことができる、と私たちは信じています。
論文 参考訳（メタデータ） (2026-02-18T21:16:29Z) - Towards Verifiably Safe Tool Use for LLM Agents [53.55621104327779]
大規模言語モデル(LLM)ベースのAIエージェントは、データソース、API、検索エンジン、コードサンドボックス、さらにはその他のエージェントなどのツールへのアクセスを可能にすることで、機能を拡張する。
LLMは意図しないツールインタラクションを起動し、機密データを漏洩したり、クリティカルレコードを上書きしたりするリスクを発生させる。
モデルベースセーフガードのようなリスクを軽減するための現在のアプローチは、エージェントの信頼性を高めるが、システムの安全性を保証することはできない。
論文 参考訳（メタデータ） (2026-01-12T21:31:38Z) - MCP-AI: Protocol-Driven Intelligence Framework for Autonomous Reasoning in Healthcare [0.0]
MCP-AIは、モデルコンテキストプロトコル上に構築された、説明可能な医療意思決定のための新しいアーキテクチャである。
MCP-AIは、ケア設定全体にわたって適応的、縦断的、協調的な推論をサポートする。
論文 参考訳（メタデータ） (2025-12-05T02:02:22Z) - MedDCR: Learning to Design Agentic Workflows for Medical Coding [55.51674334874892]
医療符号化は、フリーテキスト臨床ノートを標準化された診断および手続きコードに変換する。
本稿では,設計を学習問題として扱うクローズドループフレームワークであるMedDCRを提案する。
ベンチマークデータセットでは、MedDCRは最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-11-17T13:30:51Z) - CXRAgent: Director-Orchestrated Multi-Stage Reasoning for Chest X-Ray Interpretation [62.0150409256153]
我々は、CXR解釈のためのディレクター調整型多段階エージェントであるCXRAgentを提案する。
エージェントは、Evidence-driven Validatorによって正規化され検証された出力を持つ一連のCXR分析ツールを戦略的にオーケストレーションする。
様々なCXR解釈タスクの実験は、CXRAgentが強いパフォーマンスを示し、視覚的証拠を提供し、異なる複雑さの臨床的タスクにうまく一般化していることを示している。
論文 参考訳（メタデータ） (2025-10-24T10:31:30Z) - A Model-Driven Engineering Approach to AI-Powered Healthcare Platforms [0.03262230127283451]
医療AIに特化したモデル駆動工学(MDE)フレームワークを導入する。
フレームワークは、フォーマルなメタモデル、ドメイン固有言語、そして、ハイレベルな仕様から実行中のソフトウェアに移行するための自動変換に依存しています。
マルチセンター癌免疫療法研究において,本手法について検討した。
論文 参考訳（メタデータ） (2025-10-10T12:00:12Z) - From Explainability to Action: A Generative Operational Framework for Integrating XAI in Clinical Mental Health Screening [0.3181700357675698]
本稿では,このギャップは翻訳問題であり,生成操作フレームワークを提案する。
このフレームワークは、様々なXAIツールから得られた生の技術的出力を取り込み、臨床ガイドラインでそれらを合成するように設計されている。
論文 参考訳（メタデータ） (2025-10-10T05:46:39Z) - 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) - An LLM-enabled Multi-Agent Autonomous Mechatronics Design Framework [49.633199780510864]
本研究は, 機械設計, 最適化, エレクトロニクス, ソフトウェア工学の専門知識を統合した多エージェント自律メカトロニクス設計フレームワークを提案する。
このフレームワークは、言語駆動のワークフローを通じて運用され、構造化された人間のフィードバックを組み込んで、現実世界の制約下での堅牢なパフォーマンスを保証する。
完全に機能する自律型容器は、最適化された推進、コスト効率の高い電子機器、高度な制御を備えていた。
論文 参考訳（メタデータ） (2025-04-20T16:57:45Z) - Learning to Be A Doctor: Searching for Effective Medical Agent Architectures [32.82784216021035]
本稿では,医療エージェントアーキテクチャの自動設計のための新しいフレームワークを紹介する。
自動機械学習(AutoML)の成功に触発され、階層的で表現力のあるエージェント検索空間を定義する。
本フレームワークは,多様な機能ノード型からなるグラフベースのアーキテクチャとして医療エージェントを概念化する。
論文 参考訳（メタデータ） (2025-04-15T15:44:21Z)
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。