論文の概要: FastOMOP: A Foundational Architecture for Reliable Agentic Real-World Evidence Generation on OMOP CDM data
- arxiv url: http://arxiv.org/abs/2604.24572v1
- Date: Mon, 27 Apr 2026 15:02:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:08.105117
- Title: FastOMOP: A Foundational Architecture for Reliable Agentic Real-World Evidence Generation on OMOP CDM data
- Title（参考訳）: FastOMOP: OMOP CDMデータに基づく信頼性のあるエージェント実世界エビデンス生成のための基礎的アーキテクチャ
- Authors: Niko Moeller-Grell, Shihao Shenzhang, Zhangshu Joshua Jiang, Richard JB Dobson, Vishnu V Chandrabalan,
- Abstract要約: FastOMOPは、現実世界のエビデンスを生成するためのオープンソースのマルチエージェントアーキテクチャである。
インフラストラクチャ層、ガバナンス、可観測性、オーケストレーションをプラグイン可能なエージェントチームから分離する。
FastOMOP はスコープ外ブロックレートで 0.84-0.94 の完全な信頼性スコアを達成した。
- 参考スコア（独自算出の注目度）: 1.7254559529043572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Observational Medical Outcomes Partnership Common Data Model (OMOP CDM), maintained by the Observational Health Data Sciences and Informatics (OHDSI) collaboration, enabled the harmonisation of electronic health records data of nearly one billion patients in 83 countries. Yet generating real-world evidence (RWE) from these repositories remains a manual process requiring clinical, epidemiological and technical expertise. LLMs and multi-agent systems have shown promise for clinical tasks, but RWE automation exposes a fundamental challenge: agentic systems introduce emergent behaviours, coordination failures and safety risks that existing approaches fail to govern. No infrastructure exists to ensure agentic RWE generation is flexible, safe and auditable across the lifecycle. We introduce FastOMOP, an open-source multi-agent architecture that addresses this gap by separating three infrastructure layers, governance, observability and orchestration, from pluggable agent-teams. Governance is enforced at the process boundary through deterministic validation independent of agent reasoning, ensuring no compromised or hallucinating agent can bypass safety controls. Agent teams for phenotyping, study design and statistical analysis inherit these guarantees through controlled tool exposure. We validated FastOMOP using a natural-language-to-SQL agent team across three OMOP CDM datasets: synthetic data from Synthea, MIMIC-IV and a real-world NHS dataset from Lancashire Teaching Hospitals (IDRIL). FastOMOP achieved reliability scores of 0.84-0.94 with perfect adversarial and out-of-scope block rates, demonstrating process-boundary governance delivers safety guarantees independent of model choice. These results indicate that the reliability gap in RWE deployment is architectural rather than model capability, and establish FastOMOP as a governed architecture for progressive RWE automation.
- Abstract（参考訳）: 観察医療データサイエンス・インフォマティクス(OHDSI)の協力によって維持されているOMOP CDMは、83カ国10億近い患者の電子健康記録データの調和を可能にした。
しかし、これらのリポジトリから現実世界のエビデンス(RWE)を生成することは、臨床、疫学的、技術的専門知識を必要とする手作業のままである。
LLMとマルチエージェントシステムは臨床上の課題を約束しているが、RWE自動化は基本的な課題を露呈している。
エージェントRWE生成がライフサイクル全体で柔軟で安全で監査可能であることを保証するためのインフラストラクチャは存在しない。
私たちはFastOMOPというオープンソースのマルチエージェントアーキテクチャを紹介します。これは3つのインフラストラクチャレイヤ、ガバナンス、可観測性、オーケストレーションをプラグイン可能なエージェントチームから分離することで、このギャップに対処します。
ガバナンスは、エージェントの推論とは無関係に決定論的検証を通じてプロセス境界で実施される。
表現型付け、研究、統計分析のためのエージェントチームは、これらの保証を制御ツールの露出を通じて継承する。
我々は,3つのOMOP CDMデータセット(Synthea,MIMIC-IVの合成データ,ランカシャー教育病院(IDRIL)の実世界のNHSデータセット)の自然言語-SQLエージェントチームを用いてFastOMOPを検証する。
FastOMOPの信頼性スコアは 0.84-0.94 で、完全な対向性とスコープ外ブロックレートを達成し、プロセス境界ガバナンスがモデル選択とは無関係に安全保証を提供することを示した。
これらの結果は、RWEデプロイメントの信頼性ギャップがモデル能力よりもアーキテクチャであることを示し、プログレッシブなRWE自動化のための管理アーキテクチャとしてFastOMOPを確立した。
関連論文リスト
- Can LLM Agents Generate Real-World Evidence? Evaluating Observational Studies in Medical Databases [17.35673829214932]
我々は、MIMIC-IVをベースとしたRWE-benchについて、ピアレビューによる観察研究から紹介する。
各タスクは対応する研究プロトコルを基準として提供し、エージェントは実際のデータベースで実験を行う必要がある。
162タスク全体では、タスク成功率は低く、最高のエージェントが39.9%、最高のオープンソースモデルが30.4%に達する。
論文 参考訳（メタデータ） (2026-03-24T03:50:34Z) - Empowering Locally Deployable Medical Agent via State Enhanced Logical Skills for FHIR-based Clinical Tasks [15.634158040789474]
State-Enhanced Logical-Skill Memory (SELSM) は、シミュレートされた臨床軌道をエンティティに依存しない運用ルールに蒸留する、トレーニング不要のフレームワークである。
MedAgentBench - 実際の臨床データでベンチマークされた唯一の信頼性の高い高忠実な仮想EHRサンドボックス。
論文 参考訳（メタデータ） (2026-03-06T21:42:14Z) - A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。
ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。
本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T18:48:21Z) - 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) - Distributed Agent Reasoning Across Independent Systems With Strict Data Locality [0.0]
本稿では,分散システムにおけるエージェント・エージェント間通信のコンセプト実証について述べる。
エージェントはOperationRelayコールを通じて通信し、簡潔な自然言語要約を交換する。
このプロトタイプの目標は、臨床的に検証された生産可能なシステムを提供することではなく、実現可能性を示すことにある。
論文 参考訳（メタデータ） (2025-11-20T12:13:20Z) - 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) - Secure Multi-Modal Data Fusion in Federated Digital Health Systems via MCP [0.0]
本研究では,モデルコンテキストプロトコル(MCP)を,セキュアなクロスエージェント通信のための相互運用層として活用する新しいフレームワークを提案する。
提案アーキテクチャは,臨床画像,電子カルテ,ウェアラブルIoTデータに対するマルチモーダルな特徴アライメント,患者に敏感な更新を保護するために差分プライバシによるセキュアなアグリゲーション,モバイルクライアントにおけるドロップアウトを軽減するためのエネルギー認識スケジューリングの3つの柱を統合する。
論文 参考訳（メタデータ） (2025-10-02T08:19:56Z) - DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。
本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。
DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
論文 参考訳（メタデータ） (2025-05-20T05:18:15Z) - LLM Agent Swarm for Hypothesis-Driven Drug Discovery [2.7036595757881323]
ファーマシュワーム(PharmaSwarm)は、新規な薬物標的および鉛化合物の仮説を提唱し、検証し、洗練するために、特殊な「エージェント」を編成する統合マルチエージェントフレームワークである。
PharmaSwarmはAIの副操縦士として機能することで、翻訳研究を加速し、従来のパイプラインよりも効率的に高信頼の仮説を提供することができる。
論文 参考訳（メタデータ） (2025-04-24T22:27:50Z) - Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。
現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。
情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
論文 参考訳（メタデータ） (2025-03-21T18:06:28Z)
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。