論文の概要: WEQA: Wearable hEalth Question Answering with Query-Adaptive Agentic Reasoning

• arxiv url: http://arxiv.org/abs/2606.18147v1
• Date: Tue, 16 Jun 2026 16:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.55588
• Title: WEQA: Wearable hEalth Question Answering with Query-Adaptive Agentic Reasoning
• Title（参考訳）: WEQA:クエリ適応型エージェント推論によるウェアラブルなhEalth質問回答
• Abstract要約: 本稿では,LLM推論を特殊なウェアラブル分析・モデリングツールと統合するクエリ適応型エージェントフレームワークWEQAを提案する。 また、3つの異なる健康領域における分析および予測タスクを含む4つのオープンなウェアラブルデータセットにまたがるベンチマークをキュレートする。 実験の結果,LLMやエージェントベースラインよりも24%の精度が得られ,12名の医療専門家と8名のユーザによる盲目調査の結果,有用性や臨床的健全性は著しく向上した。
• 参考スコア（独自算出の注目度）: 30.134429515719905
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Language models are remarkably capable at medical question answering, in some cases surpassing the accuracy of general physicians. However, answering questions about wearable health data remains challenging and understudied, as these ubiquitous sensors produce continuous, high-dimensional, and longitudinal data, which is non-trivial to align with text-centric distributions in LLM pretraining. The diversity of sensor modalities and user intents cannot be effectively handled by a fixed reasoning workflow or a single pretrained foundation model. To address these challenges, we propose WEQA, a query-adaptive agent framework that unifies LLM reasoning with specialized wearable analytical and modeling tools. An LLM controller is employed to synthesize execution plans and dynamically route each query to the appropriate combination of sensor analysis and pretrained models, and perform grounded response auditing with external knowledge. We also curate a benchmark spanning four open wearable datasets comprising analytic and predictive tasks in three different health domains. Experiments show that our framework is 24% more accurate than LLM and agentic baselines, and a blinded study with 12 medical experts and 8 users shows substantial gains in usefulness and clinical soundness.
• Abstract（参考訳）: 言語モデルは、一般医師の精度を超える場合もあり、医学的疑問に答える能力は極めて高い。 しかし、これらのユビキタスセンサが連続的、高次元的、縦長のデータを生成するため、LLM事前学習におけるテキスト中心の分布と整合しにくいため、ウェアラブルの健康データに関する疑問に答えることは困難であり、まだ検討されていない。 センサの多様性とユーザ意図の多様性は、固定推論ワークフローや1つの事前訓練された基礎モデルによって効果的に扱えない。 これらの課題に対処するため、特殊なウェアラブル分析・モデリングツールとLCM推論を統合するクエリ適応型エージェントフレームワークWEQAを提案する。 LLMコントローラを用いて、実行計画を合成し、各クエリをセンサ分析と事前学習モデルの適切な組み合わせに動的にルーティングし、外部知識による接地応答監査を行う。 また、3つの異なる健康領域における分析および予測タスクを含む4つのオープンなウェアラブルデータセットにまたがるベンチマークをキュレートする。 実験の結果,LLMやエージェントベースラインよりも24%の精度が得られ,12名の医療専門家と8名のユーザによる盲目調査の結果,有用性や臨床的健全性は著しく向上した。

関連論文リスト

• 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)
• 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)
• Enhancing the Medical Context-Awareness Ability of LLMs via Multifaceted Self-Refinement Learning [49.559151128219725]
  大規模言語モデル(LLM)は医療分野で大きな可能性を示しており、いくつかのベンチマークで高いパフォーマンスを実現している。 しかし、実際の医療シナリオではパフォーマンスが低下し続けており、コンテキスト認識の強化が要求されることが多い。 データ駆動型アプローチであるMultifaceted Self-Refinement (MuSeR)を提案する。
  論文  参考訳（メタデータ） (2025-11-13T08:13:23Z)
• 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)
• LLM Ensemble for RAG: Role of Context Length in Zero-Shot Question Answering for BioASQ Challenge [0.03437656066916039]
  大規模言語モデル (LLM) は情報検索に使用できる。 ゼロショットモデルのアンサンブルは、ドメイン固有のYes/No QAタスクで最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2025-09-10T13:50:49Z)
• Trustworthy AI Psychotherapy: Multi-Agent LLM Workflow for Counseling and Explainable Mental Disorder Diagnosis [11.025486717604972]
  DSM5AgentFlowは、DSM-5 Level-1診断票を自律的に生成する最初のLCMベースのエージェントワークフローである。 特定のクライアントプロファイルでセラピストとクライアントの対話をシミュレートすることで、このフレームワークは透明でステップバイステップの障害予測を提供する。 このワークフローは、精神的な健康診断のための補完的なツールとして機能し、倫理的および法的基準の遵守を保証する。
  論文  参考訳（メタデータ） (2025-08-15T11:08:32Z)
• HealthBranches: Synthesizing Clinically-Grounded Question Answering Datasets via Decision Pathways [12.855316833585908]
  HealthBranchesは、医療質問回答(Q&A)のための新しいベンチマークデータセット このデータセットは半自動パイプラインを通じて生成され、医療ソースから関連する質問や回答を持つ現実的な患者に明確な決定経路を変換する。 17の医療トピックにわたる4,063のケーススタディをカバーし、各データポイントは臨床的に検証された推論チェーンに基づいています。
  論文  参考訳（メタデータ） (2025-08-10T11:45:34Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• LLM-MedQA: Enhancing Medical Question Answering through Case Studies in Large Language Models [18.6994780408699]
  大規模言語モデル (LLM) は、医学的質問応答において重大な課題に直面している。 マルチエージェント医療質問応答システムに類似の事例生成を取り入れた新しい手法を提案する。 本手法は, モデル固有の医療知識と推論能力を活用し, 追加のトレーニングデータの必要性を解消する。
  論文  参考訳（メタデータ） (2024-12-31T19:55:45Z)
• MediQ: Question-Asking LLMs and a Benchmark for Reliable Interactive Clinical Reasoning [36.400896909161006]
  我々は積極的に質問を行い、より多くの情報を集め、確実に応答するシステムを開発する。 LLMの問合せ能力を評価するためのベンチマーク - MediQ を導入する。
  論文  参考訳（メタデータ） (2024-06-03T01:32:52Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

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。