論文の概要: Coding-Free and Privacy-Preserving MCP Framework for Clinical Agentic Research Intelligence System
- arxiv url: http://arxiv.org/abs/2604.12258v1
- Date: Tue, 14 Apr 2026 04:22:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.229874
- Title: Coding-Free and Privacy-Preserving MCP Framework for Clinical Agentic Research Intelligence System
- Title（参考訳）: 臨床エージェント研究インテリジェンスシステムのためのコーディングフリー・プライバシ保護型MPPフレームワーク
- Authors: Taehun Kim, Hyeryun Park, Hyeonhoon Lee, Yushin Lee, Kyungsang Kim, Hyung-Chul Lee,
- Abstract要約: 臨床研究ワークフローを自動化する臨床エージェントリサーチインテリジェンスシステム(CARIS)を開発した。
CARISは大規模言語モデル(LLM)とモデルコンテキストプロトコル(MCP)を介してモジュールツールを統合し、適切なツールの自然言語駆動オーケストレーションを可能にする。
研究計画、文献検索、コホート構築、IRB(Institutional Review Board)ドキュメント、Vibe Machine Learning (ML)、レポート生成などである。
- 参考スコア（独自算出の注目度）: 4.939671899632412
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical research involves labor-intensive processes such as study design, cohort construction, model development, and documentation, requiring domain expertise, programming skills, and access to sensitive patient data. These demands create barriers for clinicians and external researchers conducting data-driven studies. To overcome these limitations, we developed a Clinical Agentic Research Intelligence System (CARIS) that automates the clinical research workflow while preserving data privacy, enabling comprehensive studies without direct access to raw data. CARIS integrates Large Language Models (LLMs) with modular tools via the Model Context Protocol (MCP), enabling natural language-driven orchestration of appropriate tools. Databases remain securely within the MCP server, and users access only the outputs and final research reports. Based on user intent, CARIS automatically executes the full pipeline: research planning, literature search, cohort construction, Institutional Review Board (IRB) documentation, Vibe Machine Learning (ML), and report generation, with iterative human-in-the-loop refinement. We evaluated CARIS on three heterogeneous datasets with distinct clinical tasks. Research plans and IRB documents were finalized within three to four iterations, using evidence from literature and data. The system supported Vibe ML by exploring feature-model combinations, ranking the top ten models, and generating performance visualizations. Final reports showed high completeness based on a checklist derived from the TRIPOD+AI framework, achieving 96% coverage in LLM evaluation and 82% in human evaluation. CARIS demonstrates that agentic AI can transform clinical hypotheses into executable research workflows across heterogeneous datasets. By eliminating the need for coding and direct data access, the system lowers barriers and bridges public and private clinical data environments.
- Abstract（参考訳）: 臨床研究には、研究設計、コホート構築、モデル開発、ドキュメントなど労働集約的なプロセス、ドメインの専門知識、プログラミングスキル、センシティブな患者データへのアクセスなどが含まれる。
これらの要求は、臨床医や外部研究者がデータ駆動研究を行うための障壁を生み出します。
これらの制約を克服するために,データプライバシを保ちながら臨床研究ワークフローを自動化し,生データに直接アクセスすることなく包括的な研究を可能にする臨床エージェントリサーチインテリジェンスシステム(CARIS)を開発した。
CARISは大規模言語モデル(LLM)とモデルコンテキストプロトコル(MCP)を介してモジュールツールを統合し、適切なツールの自然言語駆動オーケストレーションを可能にする。
データベースはMPPサーバ内に安全に保持され、ユーザは出力と最終研究報告のみにアクセスする。
研究計画、文献検索、コホート構築、機関レビュー委員会(IRB)のドキュメント、Vibe Machine Learning(ML)、レポート生成など、反復的な人間-イン-ザ-ループの洗練によって、CARISは自動的に完全なパイプラインを実行する。
臨床的タスクが異なる3つの異種データセットを用いてCARISを評価した。
研究計画とIRB文書は3～4回の反復で完了し、文献とデータから証拠が得られた。
このシステムは、機能モデルの組み合わせを探求し、上位10モデルをランク付けし、パフォーマンスビジュアライゼーションを生成することで、Vibe MLをサポートした。
最終報告ではTRIPOD+AIフレームワークから得られたチェックリストに基づいて高い完全性を示し, LLM評価では96%, 人的評価では82%を達成している。
CARISは、エージェントAIが臨床仮説を異種データセットにわたる実行可能な研究ワークフローに変換することを実証している。
コーディングと直接データアクセスの必要性を排除することで、システムは障壁を減らし、公的および民間の臨床データ環境を橋渡しする。
関連論文リスト
- Harnessing Large Language Models for Precision Querying and Retrieval-Augmented Knowledge Extraction in Clinical Data Science [3.4325249294405555]
本研究では,2つの基礎的電子健康記録(EHR)データサイエンスタスクに対して,Large Language Models (LLMs)を適用した。
我々は、LLMが分析のための大規模な構造化データセットと正確に相互作用する能力をテストする。
本稿では,各データセットやタスクの特徴に合わせて,合成質問と解答ペアを自動生成するフレキシブルな評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-28T14:57:36Z) - 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) - OpenLens AI: Fully Autonomous Research Agent for Health Infomatics [22.16210485266852]
OpenLens AIは、健康情報学に適した完全に自動化されたフレームワークである。
文献レビュー、データ分析、コード生成、原稿作成のための特殊エージェントを統合している。
このフレームワークは研究パイプライン全体を自動化し、出版可能な原稿を生成する。
論文 参考訳（メタデータ） (2025-09-18T09:25:57Z) - Launching Insights: A Pilot Study on Leveraging Real-World Observational Data from the Mayo Clinic Platform to Advance Clinical Research [15.04629464273677]
マヨクリニックプラットフォーム(MCP)は、臨床研究とAI開発をサポートするスケーラブルなエコシステムを提供することによって、課題に対処するために設立された。
我々は,MPPのデータ基盤と分析能力を活用する4つの研究プロジェクトを実施し,実世界のエビデンス生成とAIによる臨床洞察を促進する可能性を実証した。
論文 参考訳（メタデータ） (2025-03-21T16:06:21Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - PyTrial: Machine Learning Software and Benchmark for Clinical Trial
Applications [49.69824178329405]
PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。
患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。
PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
論文 参考訳（メタデータ） (2023-06-06T21:19:03Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Benchmark datasets driving artificial intelligence development fail to
capture the needs of medical professionals [4.799783526620609]
臨床およびバイオメディカル自然言語処理(NLP)の幅広い領域に関するデータセットとベンチマークのカタログを公開した。
450のNLPデータセットが手動で体系化され、豊富なメタデータで注釈付けされた。
我々の分析は、AIベンチマークの直接臨床関連性は乏しく、臨床医が対応したい仕事のほとんどをカバーできないことを示唆している。
論文 参考訳（メタデータ） (2022-01-18T15:05:28Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z)
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。