論文の概要: CAREAgent: Clinical Agent with Structured Reasoning and Tool-Integrated for Order Generation

• arxiv url: http://arxiv.org/abs/2606.01094v1
• Date: Sun, 31 May 2026 08:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.201944
• Title: CAREAgent: Clinical Agent with Structured Reasoning and Tool-Integrated for Order Generation
• Title（参考訳）: CAREAgent:秩序生成のための構造的推論とツール付き臨床薬
• Authors: Ruihui Hou, Ziyue Huai, Chennuo Zhang, Ziyan Liu, Siran Zhao, Yao Yu, Jie Zhai, Tong Ruan,
• Abstract要約: 既存のエージェントは、主に粗粒度の決定に焦点を合わせ、臨床命令に必要な細粒度で実行可能な情報を見落としている。 このギャップに対処するため,臨床オーダー生成のためのエージェントであるCAREAgentを提案する。 トレーニングを支援するために,2段階のエージェント推論データ構築手法を提案する。 構築されたデータに基づいて、モデルはまず教師付き微調整によって訓練され、基本的な推論形式と医療知識を取得する。
• 参考スコア（独自算出の注目度）: 10.3425347749644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical order generation serves as a critical bridge between clinical decision-making and real-world practice, translating medical decisions into concrete and executable orders. Existing agents mainly focus on coarse-grained decisions and overlook the fine-grained, executable information required for clinical orders. To address this gap, we propose CAREAgent, an agent for clinical order generation. To support its training, we introduce a two-stage agentic reasoning data construction method. First, we design an agent framework that constructs verifiable reasoning trajectories aligned with realistic clinical tool usage. Second, we filter reasoning trajectories by format compliance, order validity, and clinical plausibility. Building on the constructed data, the model is first trained via supervised fine-tuning to acquire fundamental reasoning formats and medical knowledge, and is subsequently optimized through reinforcement learning with multi-dimensional reward functions to enhance complex clinical reasoning capabilities. Experiments on multiple benchmarks demonstrate the effectiveness of CAREAgent. On ClinicalBench (unseen during training), CAREAgent improves the F1 score by 5.05%, 2.09%, and 0.86% over the single-agent, multi-agent, and agentic reasoning methods, respectively.
• Abstract（参考訳）: 臨床オーダー生成は、臨床意思決定と実世界の実践の間に重要な橋渡しとなり、医学的な決定を具体的および実行可能な順序に翻訳する。 既存のエージェントは、主に粗粒度の決定に焦点を合わせ、臨床命令に必要な細粒度で実行可能な情報を見落としている。 このギャップに対処するため,臨床オーダー生成のためのエージェントであるCAREAgentを提案する。 トレーニングを支援するために,2段階のエージェント推論データ構築手法を提案する。 まず、現実的な臨床ツールの使用と整合した検証可能な推論軌道を構築するエージェント・フレームワークを設計する。 第2に、フォーマット順応、順序妥当性、臨床的妥当性による推論軌跡のフィルタリングを行う。 構築されたデータに基づいて、モデルはまず教師付き微調整により基礎的推論形式と医療知識を習得し、その後、多次元報酬関数による強化学習により、複雑な臨床推論能力を向上させることで最適化される。 複数のベンチマークの実験では、CAREAgentの有効性が示されている。 臨床ベンチでは、CAREAgentはF1のスコアを5.05%、2.09%、0.86%改善する。

関連論文リスト

• ClinicalAgents: Multi-Agent Orchestration for Clinical Decision Making with Dual-Memory [17.805771452487612]
  専門医の認知ワークフローをシミュレートする新しいマルチエージェントフレームワークであるCrysicalAgentsを紹介する。 厳密なシーケンシャルチェーンとは異なり、CricerAgentsはモンテカルロ木探索(MCTS)プロセスとしてモデル化された動的オーケストレーション機構を採用している。 これにより、Orchestratorは仮説を反復的に生成し、証拠を積極的に検証し、重要な情報が欠落した時にバックトラッキングをトリガーすることができる。
  論文  参考訳（メタデータ） (2026-03-27T08:52:19Z)
• TARSE: Test-Time Adaptation via Retrieval of Skills and Experience for Reasoning Agents [30.35248346284844]
  2つの明確で検索可能なリソースを持つエージェント問題として,臨床質問応答の枠組みを定めている。 実行可能な決定ルールとして整理されたガイドラインスタイルのドキュメントから,スキルライブラリを構築する。 次に、検索した項目にモデルを適用することで、インスタンスステップのミスアライメントを低減する。
  論文  参考訳（メタデータ） (2026-03-01T19:31:23Z)
• 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)
• A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
  KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。 エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。 2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T14:33:36Z)
• Medchain: Bridging the Gap Between LLM Agents and Clinical Practice with Interactive Sequence [68.05876437208505]
  臨床ワークフローの5つの重要な段階をカバーする12,163の臨床症例のデータセットであるMedChainを提示する。 フィードバック機構とMCase-RAGモジュールを統合したAIシステムであるMedChain-Agentも提案する。
  論文  参考訳（メタデータ） (2024-12-02T15:25:02Z)
• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• ReflecTool: Towards Reflection-Aware Tool-Augmented Clinical Agents [22.596827147978598]
  大規模言語モデル(LLM)は医療分野で有望な可能性を示している。 ClinicalAgent Bench (CAB) は、5つの重要な臨床次元にわたる18のタスクからなる総合的な医療エージェントベンチマークである。 ReflecToolはドメイン固有のツールを2段階以内で利用できる新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-23T08:19:18Z)

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。