論文の概要: Development, Evaluation, and Deployment of a Multi-Agent System for Thoracic Tumor Board

• arxiv url: http://arxiv.org/abs/2604.12161v1
• Date: Tue, 14 Apr 2026 00:35:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.172886
• Title: Development, Evaluation, and Deployment of a Multi-Agent System for Thoracic Tumor Board
• Title（参考訳）: 胸部腫瘍板用マルチエージェントシステムの開発, 評価, 展開
• Abstract要約: 腫瘍ボードは、実行可能な患者ケアレコメンデーションを作成するための、複数の学際的な会議である。 そこで我々は,Stanford Thoracic tumor Boardで患者のサマリーを生成するために,手動でAIベースのワークフローを開発した。 我々は,いくつかの自動AIチャート要約手法を開発し,医師のゴールド・スタンダード・サマリーやファクト・ベース・スコアリング・ルーリックに対して評価を行った。
• 参考スコア（独自算出の注目度）: 2.9838803937327474
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tumor boards are multidisciplinary conferences dedicated to producing actionable patient care recommendations with live review of primary radiology and pathology data. Succinct patient case summaries are needed to drive efficient and accurate case discussions. We developed a manual AI-based workflow to generate patient summaries to display live at the Stanford Thoracic Tumor board. To improve on this manually intensive process, we developed several automated AI chart summarization methods and evaluated them against physician gold standard summaries and fact-based scoring rubrics. We report these comparative evaluations as well as our deployment of the final state automated AI chart summarization tool along with post-deployment monitoring. We also validate the use of an LLM as a judge evaluation strategy for fact-based scoring. This work is an example of integrating AI-based workflows into routine clinical practice.
• Abstract（参考訳）: 腫瘍ボード(英: tumor boards)は、患者の治療を推奨するための複数の学際的な会議であり、一次放射線学と病理学のデータをライブレビューする。 患者事例要約は、効率よく正確な事例議論を進めるために必要である。 そこで我々は,Stanford Thoracic tumor Boardで患者のサマリーを生成するために,手動でAIベースのワークフローを開発した。 この手動集約的なプロセスを改善するために,いくつかの自動AIチャート要約法を開発し,医師のゴールド・スタンダード・サマリーやファクト・ベース・スコアリング・ルーリックに対して評価を行った。 これらの比較評価と、最終状態の自動AIチャート要約ツールのデプロイと、デプロイ後の監視について報告する。 また,実感に基づく評価のための判断評価戦略としてLLMを用いたことを検証する。 この研究は、AIベースのワークフローを定期的な臨床実践に統合する例である。

関連論文リスト

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training [10.948633957490221]
  我々は,足場指向多言語モデル(LLM)AI標準化患者(AI-SP)訓練プラットフォームを開発した。 本システムは、シミュレートダイアログのための患者エージェントと、診断情報を開示することなくソクラティックプロンプトを提供するチューターエージェントと、臨床経過を監視するターンレベル評価エージェントとを含む。 最も実質的で一貫した改善は、コミュニケーション、共感の表現、そして特定の歴史的行動において観察された。
  論文  参考訳（メタデータ） (2026-09-10T00:56:03Z)
• Can Physician Expertise Improve Machine Learning Identification of Delirium? [3.023141540283701]
  デリリウムは入院患者によく見られ、定期治療で欠席することが多い。 ユーザ中心の対話型機械学習(UC-iML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-16T01:12:47Z)
• Demo: Healthcare Agent Orchestrator (HAO) for Patient Summarization in Molecular Tumor Boards [7.69748973216707]
  分子腫瘍ボード(MTB)の正確かつ包括的な患者要約を生成するための医療エージェントオーケストラ(HAO)について紹介する。 予測された患者要約を真実に対して評価することは、様式的変動、順序付け、同義語の使用、表現の違いによる追加的な課題を提示する。 本稿では,生成された要約の包括性と簡潔さを評価するためのモデル・アズ・ア・ジャッジのフレームワークTBFactを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:15:53Z)
• Comparing representations of long clinical texts for the task of patient note-identification [4.552065156611815]
  患者ノートの識別には、匿名化された臨床ノートを対応する患者と正確に一致させ、関連するノートのセットで表現する。 BERTモデルを含む様々な埋め込み手法を探索し,中長期臨床テキストを効果的に処理する。 以上の結果から,BERTをベースとした埋め込みは従来型および階層型モデル,特に長期臨床ノートの処理において優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-03-31T12:31:44Z)
• Self-Evolving Multi-Agent Simulations for Realistic Clinical Interactions [26.167030665482184]
  MedAgentSimは、医師、患者、測定エージェントによる、オープンソースのシミュレートされた臨床環境である。 従来のアプローチとは違って,本フレームワークでは,マルチターン会話を通じて医師が患者と活発に交流する必要がある。 我々は、モデルが診断戦略を反復的に洗練できる自己改善メカニズムを組み込んだ。
  論文  参考訳（メタデータ） (2025-03-28T17:59:53Z)
• TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
  Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。 本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。 TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
  論文  参考訳（メタデータ） (2025-03-26T15:58:16Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• 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)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19 Assessment in Primary Care [45.43645878061283]
  本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。 私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。 本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
  論文  参考訳（メタデータ） (2023-06-17T23:35:51Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。