論文の概要: An Agentic LLM-Based Framework for Population-Scale Mental Health Screening

• arxiv url: http://arxiv.org/abs/2605.13046v1
• Date: Wed, 13 May 2026 06:08:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.838071
• Title: An Agentic LLM-Based Framework for Population-Scale Mental Health Screening
• Title（参考訳）: 集団的メンタルヘルススクリーニングのためのエージェントLDMベースのフレームワーク
• Authors: Giuliano Lorenzoni, Paulo Alencar, Donald Cowan,
• Abstract要約: 本稿では,ロバストなLLMパイプライン構築のためのエージェントフレームワークを提案する。 トランスクリプトベースの検出における概念実証は、フレームワークが安定した構成に収束することを証明している。 結果は、大規模な臨床データセット上で集団レベルのメンタルヘルススクリーニングを可能にするエージェントAIの可能性を強調している。
• 参考スコア（独自算出の注目度）: 0.3568466510804538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mental health disorders affect millions worldwide, and healthcare systems are increasingly overwhelmed by the volume of clinical data generated from electronic records, telemedicine platforms, and population-level screening programs. At the same time, the emergence of novel AI-based approaches in healthcare calls for intelligent frameworks capable of processing domain-specific unstructured clinical information while adapting to patient-specific needs. This paper proposes an agentic framework for building robust LLM-based pipelines, where each stage is encapsulated as a LangChain agent governed by explicit policies and proxy-guided evaluation. Stages are incrementally locked once validated, ensuring that later adaptations cannot overwrite configurations without demonstrated improvement. The proposed framework evolves from feature-level exploration, through proxy-based tuning and freeze/rollback mechanisms, to full orchestration by an Orchestrator Agent that coordinates preprocessing, retrieval, selection, diversity, threshold optimization, and decoding. A proof-of-concept in transcript-based depression detection demonstrates that the framework converges to stable configurations, such as cosine similarity, dynamic Top-k, and threshold 0.75, while controlling evaluation costs and avoiding regressions. These results highlight the potential of agentic AI to enable population-level mental health screening over large clinical datasets, addressing critical challenges in trustworthiness, reproducibility, and adaptability required in healthcare environments.
• Abstract（参考訳）: メンタルヘルス障害は世界中の何百万もの人に影響を与えており、医療システムは電子記録、遠隔医療プラットフォーム、人口レベルのスクリーニングプログラムから得られた臨床データに圧倒されている。 同時に、医療における新しいAIベースのアプローチの出現は、患者固有のニーズに適応しつつ、ドメイン固有の非構造的臨床情報を処理できるインテリジェントなフレームワークを要求する。 本稿では,ロバストなLCMパイプライン構築のためのエージェントフレームワークを提案し,各ステージは明示的なポリシーとプロキシ誘導評価によって制御されたLangChainエージェントとしてカプセル化される。 ステージは一度検証されると段階的にロックされ、後続の適応が改善を示すことなく構成を上書きできないことが保証される。 提案されたフレームワークは、プロキシベースのチューニングとフリーズ/ロールバック機構を通じて機能レベルの探索から、前処理、検索、選択、多様性、しきい値最適化、復号をコーディネートするOrchestrator Agentによる完全なオーケストレーションへと進化している。 トランスクリプトベースの抑うつ検出における概念実証は、フレームワークがコサイン類似性、動的Top-k、しきい値0.75などの安定な構成に収束し、評価コストを制御し、回帰を回避することを証明している。 これらの結果は、エージェントAIが、医療環境に必要な信頼性、再現性、適応性における重要な課題に対処し、大規模な臨床データセット上で集団レベルのメンタルヘルススクリーニングを可能にする可能性を強調している。

関連論文リスト

• CPEMH: An Agentic Framework for Prompt-Driven Behavior Evaluation and Assurance in Foundation-Model Systems for Mental Health Screening [0.326654570054705]
  CPEMHは、大規模言語システムにおける行動保証のエンジニアリング方法論として機能する。 オーケストレータ、推論、評価エージェントを組み合わせたモジュラーエージェント設計により、トレーサビリティ、ロバスト性、ロバスト性はライフサイクルを通して保証される。
  論文  参考訳（メタデータ） (2026-05-11T23:52:01Z)
• ADAPTS: Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms [36.94429692322632]
  ADAPTS(Agentic Decomposition for Automated Protocol-Agnostic Tracking of Symptoms)は、うつ病と不安度の自動評価のためのフレームワークである。 このアプローチは、長期臨床面接を症状特異的推論タスクに分解する。 レーティングは、オリジナルの人間のレーティングよりも、専門家のベンチマークを近似した。
  論文  参考訳（メタデータ） (2026-05-04T23:08:42Z)
• Toward Zero-Egress Psychiatric AI: On-Device LLM Deployment for Privacy-Preserving Mental Health Decision Support [3.560737321459875]
  プライバシは、メンタルヘルスケアにおけるAI採用の障壁として最も重要でありながら、最も深刻なもののひとつだ。 既存のAI対応の精神診断支援システムは、クラウドベースの推論パイプラインに依存している。 プライバシ保護型精神科的意思決定支援のためのゼロ・エグレス・オン・デバイスAIプラットフォームを提案する。
  論文  参考訳（メタデータ） (2026-04-20T14:09:01Z)
• TRACE: Temporal Reasoning via Agentic Context Evolution for Streaming Electronic Health Records (EHRs) [7.2159153945746795]
  LLM(Large Language Models)は、広範囲にわたる医学的知識を符号化するが、縦断的患者の軌跡に確実に適用することは困難である。 凍結LDMによる時間的臨床推論を可能にするフレームワークであるTRACEを紹介する。 MIMIC-IVによる縦断的臨床イベントストリームの評価
  論文  参考訳（メタデータ） (2026-02-13T11:39:19Z)
• AgentScore: Autoformulation of Deployable Clinical Scoring Systems [45.88028371034407]
  本稿では,単位重み付き臨床チェックリストのセマンティックガイドによる最適化を行うAgentScoreを紹介する。 AgentScoreは既存のスコア生成方法より優れており、より柔軟な解釈可能なモデルに匹敵するAUCを実現している。 さらに2つの外部検証タスクにおいて、AgentScoreは、確立されたガイドラインベースのスコアよりも高い差別を達成する。
  論文  参考訳（メタデータ） (2026-01-29T21:11:06Z)
• 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)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)

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。