論文の概要: An Empirical Study of Agent Skills for Healthcare: Practice, Gaps, and Governance

• arxiv url: http://arxiv.org/abs/2605.02709v1
• Date: Mon, 04 May 2026 15:16:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.365284
• Title: An Empirical Study of Agent Skills for Healthcare: Practice, Gaps, and Governance
• Title（参考訳）: 医療におけるエージェントスキルの実証的研究--実践,ギャップ,ガバナンス
• Abstract要約: 医療の自動化は、局所的な手続きと組織的な制約によって形成されている。 エージェントスキルは、AIエージェントの再利用可能な手順をパッケージする自己完結したディレクトリである。 これらの知見は、現在のベンチマークやリスクフレームワークではまだ対処されていない手続き的なレイヤーとして、医療スキルを位置づけている。
• 参考スコア（独自算出の注目度）: 23.36211081686395
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare automation is shaped by local procedures and organizational constraints, so agent capabilities rarely transfer unchanged across settings. Agent skills, self-contained directories that package reusable procedures for AI agents, are emerging as a procedural layer for adapting healthcare agents across diverse healthcare settings. We present the first empirical analysis of healthcare agent skills, drawing on 557 healthcare-related skills filtered from 58,159 public skills on ClawHub and annotated along ten dimensions covering function, deployment context, autonomy, and safety. We find that public healthcare skills emphasize patient-facing workflow automation and monitoring rather than the diagnostic and treatment-oriented tasks foregrounded in healthcare-agent research; coverage of the healthcare lifecycle and specialized clinical inputs remains uneven; and general technical risk does not reliably capture clinical risk. These findings position healthcare skills as a procedural layer not yet addressed by current benchmarks and risk frameworks.
• Abstract（参考訳）: 医療の自動化は、局所的な手続きと組織的な制約によって形成されているため、エージェントの能力は設定によって変化しないことは滅多にない。 AIエージェントの再利用可能な手順をパッケージ化する、自己完結型のディレクトリであるエージェントスキルは、さまざまなヘルスケア設定にヘルスケアエージェントを適用するための手続きレイヤーとして現れている。 我々は,ClawHubの58,159の公開スキルから抽出された557の医療関連スキルを,機能,展開状況,自律性,安全に関する10次元に沿って注釈付けした,医療エージェントスキルに関する最初の実証分析を行った。 公衆医療のスキルは、医療従事者研究の根底にある診断・治療指向のタスクよりも、患者のワークフローの自動化とモニタリングを重視していること、医療のライフサイクルと専門的な臨床インプットのカバレッジが不均一であること、一般的な技術的リスクが臨床リスクを確実に捉えているわけではないこと、が分かる。 これらの知見は、現在のベンチマークやリスクフレームワークではまだ対処されていない手続き的なレイヤーとして、医療スキルを位置づけている。

関連論文リスト

• ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
  臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。 ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。 盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
  論文  参考訳（メタデータ） (2026-08-07T17:04:41Z)
• The Path to Self-Evolving Clinical Systems: Scaling Medical Agents from Assistance to Autonomy [33.20812920007743]
  この研究は、医療エージェントが実際に信頼される前に、どんなタスク、耐性ベンチマーク、インタラクティブなトレーニング環境が必要なのかを尋ねる。 医療機関は、部分的に可観測性の下でのシーケンシャルな意思決定システムとして形式化されている。 この枠組みの中では、臨床環境のスケーリング、ツール、データ、臨床体育館の統合が、最も実行可能で未調査の方向として特定されている。
  論文  参考訳（メタデータ） (2026-07-13T07:16:50Z)
• A Multi-Agent LLM Framework for Rating the Quality of Surgical Feedback [52.053200111780626]
  手術室の外科医が行う言語的フィードバックは、居住スキル獲得において重要な形式的役割を担っている。 本稿では,手術訓練の文脈に根ざした,解釈可能なフィードバック品質基準を発見するための2段階のLCMベースのフレームワークを提案する。 本手法では,多エージェントおよび外科領域の知識注入を用いて,人間の解釈可能な評価基準の小さなセットを探索する。
  論文  参考訳（メタデータ） (2026-05-25T05:31:44Z)
• The Doctor Will (Still) See You Now: On the Structural Limits of Agentic AI in Healthcare [18.202521625229732]
  我々は、開発者、実装者、エンドユーザーを含む20人の利害関係者へのインタビューに基づく質的研究を提示する。 エージェントの定義に関する概念的断片化」という3つの相互強化的緊張について分析した。 我々はエージェントAIが、技術的願望、商業的インセンティブ、臨床的制約が交わる、争われた意味作りの場として機能すると主張している。
  論文  参考訳（メタデータ） (2026-02-06T02:53:40Z)
• Responsible Evaluation of AI for Mental Health [72.85175110624736]
  メンタルヘルスケアにおけるAIツールの評価に対する現在のアプローチは、断片化されており、臨床実践、社会的コンテキスト、ファーストハンドのユーザエクスペリエンスと不整合である。 本稿では,臨床の健全性,社会的文脈,公平性を統合した学際的枠組みを導入することにより,責任ある評価を再考する。
  論文  参考訳（メタデータ） (2026-01-20T12:55:10Z)
• Beyond Benchmarks: Dynamic, Automatic And Systematic Red-Teaming Agents For Trustworthy Medical Language Models [87.66870367661342]
  大規模言語モデル(LLM)は、医療におけるAIアプリケーションで使用される。 LLMを継続的にストレステストするレッドチームフレームワークは、4つのセーフティクリティカルなドメインで重大な弱点を明らかにすることができる。 敵エージェントのスイートは、自律的に変化するテストケースに適用され、安全でないトリガー戦略を特定し、評価する。 私たちのフレームワークは、進化可能でスケーラブルで信頼性の高い、次世代の医療AIのセーフガードを提供します。
  論文  参考訳（メタデータ） (2025-07-30T08:44:22Z)
• DeepSeek reshaping healthcare in China's tertiary hospitals [0.0]
  DeepSeekは、2025年1月から中国の第3次病院に広く展開されている、主要なAIシステムである。 継続的な技術進歩により、AIはゲノミクスや放射線学といったマルチモーダルなデータソースを統合することが期待されている。 医療におけるAIの未来は、透明な規制構造、業界協力、適応的なガバナンスフレームワークの開発に依存する。
  論文  参考訳（メタデータ） (2025-02-23T22:09:17Z)
• Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
  大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。 本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-10-24T15:41:56Z)
• AgentMD: Empowering Language Agents for Risk Prediction with Large-Scale Clinical Tool Learning [11.8292941452582]
  我々は,臨床電卓を様々な臨床状況でキュレートし,応用できる新しい言語エージェントであるAgentMDを紹介した。 AgentMDは、実行可能な機能と構造化ドキュメントを備えた2,164の多様な臨床電卓のコレクションを自動でキュレートした。 手作業による評価では、3つの品質指標に対して80%以上の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-20T18:37:19Z)
• RAISE -- Radiology AI Safety, an End-to-end lifecycle approach [5.829180249228172]
  放射線学へのAIの統合は、臨床ケアの供給と効率を改善する機会をもたらす。 モデルが安全性、有効性、有効性の最高基準を満たすことに注力すべきである。 ここで提示されるロードマップは、放射線学におけるデプロイ可能で信頼性があり、安全なAIの達成を早めることを目的としている。
  論文  参考訳（メタデータ） (2023-11-24T15:59:14Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)

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。