論文の概要: MedEvoEval: Evaluating Continual Evolution of Doctor Agents through Simulated Clinical Episodes

• arxiv url: http://arxiv.org/abs/2606.28900v1
• Date: Sat, 27 Jun 2026 13:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.726836
• Title: MedEvoEval: Evaluating Continual Evolution of Doctor Agents through Simulated Clinical Episodes
• Title（参考訳）: MedEvoEval:シミュレートされた臨床エピソードによる医師エージェントの継続的な進化の評価
• Abstract要約: MedEvoEvalは、アクション・ゲート・シミュレートされた外来患者エピソードに基づく持続的縦断的評価フレームワークである。 700の処理されたエピソード、前処理ノート、スキーマ、エピソードランナー、スコアリングスクリプト、構成、サンプルログ、分析コード、トラジェクトリとステップレベルのデリバティブを備えた、実行中のE&Dアーティファクトをリリースする。
• 参考スコア（独自算出の注目度）: 3.8002695519087073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Doctor agents are moving beyond single-turn answer generation toward evolving clinical decision systems. Within an outpatient episode, they acquire evidence, use examination and consultation resources, and decide when to finalize a diagnosis and management plan. Across episodes, their behavior may change through memory, retrieval, reflection, or other update mechanisms. Current evaluations only partially cover this setting. Fixed-input medical QA benchmarks score final answers from complete inputs, whereas many interactive benchmarks still focus on individual encounters or fixed runs, providing limited support for evaluating how episode-level decisions interact with cross-episode experience. We introduce MedEvoEval, an executable longitudinal evaluation framework based on action-gated simulated outpatient episodes. Each source case is converted into role-specific patient, examination, and manager views; evidence is revealed only through valid actions; and each episode records a structured trace that links observations, actions, final outputs, manager scores, and optional experience write-back. We release a runnable E&D artifact with 700 processed episodes, provenance notes, schemas, an episode runner, scoring scripts, configurations, example logs, analysis code, and trajectory- and step-level derivatives. Experiments show that episode traces expose process costs hidden by final-answer scoring, show how MDT-style consultation reallocates resources, and support longitudinal analyses of memory maturation, held-out transfer, update-stage response, and backward retention. Together, these results show that MedEvoEval provides a concrete basis for evaluating whether doctor agents improve through experience, transfer useful behavior, and retain earlier capabilities over time.
• Abstract（参考訳）: 医師は、一ターンの回答生成を超えて、進化する臨床判断システムへと移行している。 外来エピソード内では、証拠を取得し、検査および相談資源を使用し、診断および管理計画の確定時期を決定する。 エピソード全体で、その振る舞いはメモリ、検索、リフレクション、その他の更新メカニズムを通じて変化する可能性がある。 現在の評価はこの設定を部分的にしかカバーしていない。 固定入力の医療QAベンチマークは完全なインプットから最終結果を取得するが、多くのインタラクティブなベンチマークは依然として個々の遭遇や固定実行に重点を置いており、エピソードレベルの決定がエピソード間の体験とどのように相互作用するかを評価するための限定的なサポートを提供している。 MedEvoEvalは, アクションゲートの模擬外来エピソードに基づく, 持続的縦断的評価フレームワークである。 それぞれのソースケースはロール固有の患者、検査、マネージャのビューに変換され、エビデンスは有効なアクションによってのみ明らかにされ、各エピソードは、観察、アクション、最終的なアウトプット、マネージャのスコア、オプションのエクスペリエンスの書き込みをリンクする構造化されたトレースを記録する。 700の処理されたエピソード、前処理ノート、スキーマ、エピソードランナー、スコアリングスクリプト、構成、サンプルログ、分析コード、トラジェクトリとステップレベルのデリバティブを備えた実行可能E&Dアーティファクトをリリースする。 実験により、エピソードトレースは最終回答スコアによって隠されたプロセスコストを露呈し、MDTスタイルのコンサルテーションがリソースを再配置する方法を示し、メモリ成熟度、保留移動、更新ステージ応答、後方保持の経時的分析をサポートすることが示された。 これらの結果から、MedEvoEvalは、医師が経験を通じて改善し、有用な振る舞いを伝達し、時間とともに機能を維持するかどうかを評価するための具体的な基盤を提供することが示された。

関連論文リスト

• Toward Workflow-Aware Benchmarking for Healthcare NLP Agents [4.287745257410248]
  医療用NLPエージェントのエピソードレベル評価プロトコルを提案する。 モデル、エージェント、シミュレートされたワークフローの振る舞いにまたがるエビデンスを分離する。 それは、状態継続性、エビデンストレーサビリティ、エスカレーション決定のためのアノテーションとスコアを定義します。
  論文  参考訳（メタデータ） (2026-08-31T19:41:58Z)
• StrokeGuard: A Multi-Agent Guided System for Prehospital Stroke Assessment [3.046219182166974]
  臨床実践では、FASTベースの尺度が脳卒中前脳卒中評価に広く用いられている。 非臨床ユーザーは、不正確な記述、不完全な症状観察、困難な手術手順などの課題に遭遇することが多い。 本稿では,脳卒中前脳卒中診断のためのマルチエージェントガイドシステムであるStrokeGuardについて述べる。
  論文  参考訳（メタデータ） (2026-08-25T13:39:30Z)
• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
  我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。 セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。 SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。 ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
  論文  参考訳（メタデータ） (2026-07-18T04:46:53Z)
• MemOps: Benchmarking Lifecycle Memory Operations in Long-Horizon Conversations [50.24315431387575]
  ライフサイクル操作のシーケンスとして会話メモリを再構成するベンチマークであるMemOpsを紹介する。 MemOpsは、それぞれのメモリイベントをトリガ、ターゲット、スコープ、状態遷移、エビデンスを指定した構造化トレースで表現する。 長いコンテキスト、検索ベース、パラメトリック、マネージドメモリシステムにわたって、MemOpsはファイナ・アンサーの精度のみを隠蔽する障害モードをアンタングルする。
  論文  参考訳（メタデータ） (2026-07-14T15:33:44Z)
• ClinEnv: An Interactive Multi-Stage Long Horizon EHR Environment for Agents [14.434996950038956]
  ClinEnvは、決定論的グラウンドマッチングと、その情報収集方法を通じて、モデルが決定するものをスコア付けする。 ClinEnvは、結果のみの評価に見えない、直接測定可能な情報取得ギャップを作る。
  論文  参考訳（メタデータ） (2026-06-01T17:56:26Z)
• EGOSTREAM: A Diagnostic Benchmark for Streaming Episodic Memory in Egocentric Vision [9.701124246177661]
  連続エピソードメモリは自律エージェントのコア機能である。 Egostreamは、egocentric Visionにおけるエピソードメモリ評価の診断ベンチマークである。
  論文  参考訳（メタデータ） (2026-05-29T17:20:10Z)
• SiMing-Bench: Evaluating Procedural Correctness from Continuous Interactions in Clinical Skill Videos [33.33285554449996]
  フル長のクリニカルスキルビデオからこの能力を評価するための最初のベンチマークであるSiMing-Benchを紹介する。 ワークフロー全体にわたって、インタラクション駆動の状態更新が手続き的正確性を維持するかどうかの、ルーリックなプロセスレベルの判断を対象とする。
  論文  参考訳（メタデータ） (2026-04-10T06:58:29Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• MedScope: Incentivizing "Think with Videos" for Clinical Reasoning via Coarse-to-Fine Tool Calling [51.31633278218137]
  MedScope(メドスコープ)は、ロングフォームなプロシージャを追求する粗大な証拠を実行する、ツールを用いた臨床ビデオ推論モデルである。 ClinVideoSuiteは、エビデンス中心の、きめ細かい臨床ビデオスイートだ。 フルできめ細かいビデオ理解ベンチマークでは、MedScopeは最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-11T09:47:02Z)
• EvoClinician: A Self-Evolving Agent for Multi-Turn Medical Diagnosis via Test-Time Evolutionary Learning [72.70291772077738]
  エージェントのマルチターン診断能力を評価するためのベンチマークであるMed-Inquireを提案する。 次に、テスト時に効率的な診断戦略を学ぶ自己進化エージェントであるEvoClinicianを紹介する。 実験の結果,EvoClinicianは連続学習ベースラインや,メモリエージェントなどの自己進化エージェントよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-30T13:26:18Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• Interpreting Depression From Question-wise Long-term Video Recording of SDS Evaluation [13.578189285500716]
  SDS (Self-Rating Depression Scale) は, 効率的な予備検診によく用いられている。 本稿では, 質問票結果と回答時間に基づいて, 長期可変長ビデオのエンドツーエンド階層化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-25T02:32:13Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。