論文の概要: StrokeGuard: A Multi-Agent Guided System for Prehospital Stroke Assessment
- arxiv url: http://arxiv.org/abs/2608.24555v1
- Date: Tue, 25 Aug 2026 13:39:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.005494
- Title: StrokeGuard: A Multi-Agent Guided System for Prehospital Stroke Assessment
- Title（参考訳）: StrokeGuard: 先天的なストロークアセスメントのためのマルチエージェントガイドシステム
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.046219182166974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prehospital stroke assessment aims to accurately identify stroke symptoms and make rapid decisions through standardized procedures within an extremely narrow time window, thereby saving valuable time for subsequent treatment. In clinical practice, FAST-based scales are widely used for prehospital stroke assessment by issuing instructions that guide subjects to perform specific actions to screen facial, arm, and speech functions. However, in home and community settings, non-clinical users often encounter challenges such as inaccurate descriptions, incomplete symptom observation, and difficult operational procedures, which may lead to inaccurate or biased assessment results. To address these challenges, this paper presents StrokeGuard: a multi-agent guided system designed for prehospital stroke assessment that makes mobile FAST screening more standardized and executable. Specifically, to overcome the limitations of traditional single-agent systems in terms of procedural fault tolerance and user guidance capability, StrokeGuard adopts a dual-channel agent mechanism that separates formal assessment (i.e., facial palsy, arm weakness, speech impairment) from procedural support (e.g., step prompts, error correction, and real-time feedback). It guides the assessment process through multi-agent collaboration, dual-channel interaction, state-machine control, and stage-local fallback recovery mechanisms. Stage-specific scoring is delegated to constrained pretrained video assessment modules, while evidence source records are integrated with structured report generation. The user evaluation uses MATES-9, an exploratory scale for measuring user experience in multistep AI-guided tasks. In a simulated prehospital scenario, StrokeGuard improves the MATES-9 total score over a paper FAST-style form by 10.83 points, corresponding to a 23.8% relative increase.
- Abstract（参考訳）: 脳卒中前脳卒中評価は、脳卒中症状を正確に識別し、極めて狭い時間枠内で標準化された手順で迅速な意思決定を行うことを目的としており、その後の治療に貴重な時間を節約することを目的としている。
臨床実践において、FASTベースの尺度は、顔、腕、および音声機能のスクリーニングを行うための特定のアクションを被験者に案内する指示を発することにより、先天的な脳卒中評価に広く用いられている。
しかし、家庭や地域社会では、不正確な記述、不完全症状の観察、困難な手術手順といった問題に遭遇することが多く、不正確な評価結果や偏った評価結果につながる可能性がある。
これらの課題に対処するために,モバイルFASTスクリーニングをより標準化し,実行可能にする,前頭前脳卒中評価のためのマルチエージェントガイドシステムであるStrokeGuardを提案する。
具体的には、手続き的フォールトトレランスとユーザガイダンスの能力の観点から、従来の単一エージェントシステムの制限を克服するために、StrokeGuardは、フォーマルアセスメント(顔面麻痺、腕の弱さ、言語障害)と手続き的サポート(ステッププロンプト、エラー修正、リアルタイムフィードバック)を分離するデュアルチャネルエージェントメカニズムを採用している。
マルチエージェントコラボレーション,デュアルチャネルインタラクション,ステートマシンコントロール,ステージローカルフォールバックリカバリ機構を通じて,アセスメントプロセスのガイドを行う。
ステージ固有のスコアリングは、制約された事前訓練されたビデオアセスメントモジュールに委譲され、エビデンスソースレコードは構造化されたレポート生成と統合される。
ユーザ評価は、マルチステップAI誘導タスクにおけるユーザエクスペリエンスを測定するための探索尺度であるMATES-9を使用する。
模擬プレホスピタルシナリオでは、StrokeGuardは紙FAST形式でのMATES-9のスコアを10.83ポイント改善し、23.8%の相対的な増加に対応する。
関連論文リスト
- Enhancing Clinician Decision-Making via Uncertainty-Aware Multi-Expert Fusion for Stroke Rehabilitation [0.32553561239735207]
臨床的判断に取って代わるのではなく、拡張するように設計されたエンジンであるxAARAを提示する。
xAARAは、タスク、ムーブメントフェーズ、ムーブメント品質のレベルを越えて、キャリブレーションされた不確実性と説明でARATアセスメントを返します。
105回のストロークサバイバー(788回の運動)では、xAARAは94.2%のタスク精度と81.3%の移動位相精度を達成した。
論文 参考訳（メタデータ） (2026-06-23T09:00:15Z) - Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。
ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。
MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
論文 参考訳（メタデータ） (2026-06-03T17:17:16Z) - 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) - Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。
本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
論文 参考訳（メタデータ） (2026-01-11T02:20:40Z) - DispatchMAS: Fusing taxonomy and artificial intelligence agents for emergency medical services [49.70819009392778]
大規模言語モデル (LLM) とマルチエージェントシステム (MAS) は、ディスパッチを増強する機会を提供する。
本研究の目的は,現実的なシナリオをシミュレートする分類基盤型マルチエージェントシステムの開発と評価である。
論文 参考訳（メタデータ） (2025-10-24T08:01:21Z) - PrISM-Observer: Intervention Agent to Help Users Perform Everyday Procedures Sensed using a Smartwatch [43.41204564594764]
PrISM-Observerはスマートウォッチベースのコンテキスト対応リアルタイム介入システムで、エラーを防止して日常的なタスクをサポートする。
情報を探さなければならない従来のシステムとは異なり、エージェントはユーザーの行動を観察し、積極的に介入する。
論文 参考訳（メタデータ） (2024-07-23T18:38:07Z) - GLSFormer : Gated - Long, Short Sequence Transformer for Step
Recognition in Surgical Videos [57.93194315839009]
本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。
本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2023-07-20T17:57:04Z) - Exploiting prompt learning with pre-trained language models for
Alzheimer's Disease detection [70.86672569101536]
アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。
本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
論文 参考訳（メタデータ） (2022-10-29T09:18:41Z) - DeepStroke: An Efficient Stroke Screening Framework for Emergency Rooms
with Multimodal Adversarial Deep Learning [18.097454820713555]
緊急室(ER)では、脳梗塞の診断が一般的な課題である。
過剰な実行時間とコストのため、通常、MRIスキャンはERでは利用できない。
本稿では,コンピュータ支援型ストロークプレゼンス評価を実現するために,新しいマルチモーダル深層学習フレームワークDeepStrokeを提案する。
論文 参考訳（メタデータ） (2021-09-24T16:46:13Z) - A Methodology for Bi-Directional Knowledge-Based Assessment of
Compliance to Continuous Application of Clinical Guidelines [1.52292571922932]
ケアプロセスのガイドラインに基づく品質評価を自動化するための新しいアプローチを提案する。
BiKBAC法は臨床ガイドラインを適用する際のコンプライアンスの度合いを評価する。
DiscovErrシステムは、2型糖尿病管理領域の別の研究で評価されました。
論文 参考訳（メタデータ） (2021-03-13T20:43:45Z)
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。