論文の概要: FedEHR-Agents: Federated Agentic Optimization for Automated EHR Modeling

• arxiv url: http://arxiv.org/abs/2608.27856v1
• Date: Fri, 28 Aug 2026 03:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.186472
• Title: FedEHR-Agents: Federated Agentic Optimization for Automated EHR Modeling
• Title（参考訳）: FedEHR-Agents: 自動EHRモデリングのためのフェデレーションエージェント最適化
• Abstract要約: FedEHR-Agentsは、自動EHRモデリングのための経験中心のフェデレーションエージェント最適化フレームワークである。 実世界のマルチホスピタル EHR ベンチマークの実験は、FedEHR-Agents が様々な臨床予測タスクにおいて、局所的および連合的ベースラインを一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 8.850916488677612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models are enabling autonomous clinical agents to perform increasingly complex electronic health record (EHR) modeling workflows. However, agents deployed at individual hospitals remain constrained by institution-specific data and modeling environments, while direct cross-hospital collaboration is restricted by the sensitivity of patient-level EHR data. Although federated learning (FL) provides a natural foundation for privacy-preserving collaboration, existing approaches remain predominantly model-centric, limiting federation to prediction models or their updates while overlooking the richer modeling experience accumulated by autonomous agents. To address this limitation, we propose FedEHR-Agents, an experience-centric federated agentic optimization framework for automated EHR modeling. Each hospital deploys an autonomous clinical EHR agent that performs data preprocessing and model development while refining local clinical modeling experience through historical memory, task-specific evaluation, and TextGrad-based prompt refinement. The federated server performs evidence-guided experience aggregation to integrate reliable and complementary modeling experience across heterogeneous hospitals and distills the aggregated experience into global meta-prompts for subsequent local refinement. Extensive experiments on real-world multi-hospital EHR benchmarks demonstrate that FedEHR-Agents consistently outperforms local and federated baselines across diverse clinical prediction tasks and remains robust across different federation scales and LLM backbones. These results establish clinical modeling experience as a promising collaborative object beyond conventional parameter-centric FL and point toward federated autonomous clinical intelligence.
• Abstract（参考訳）: 大規模言語モデルの最近の進歩により、自律的な臨床エージェントがより複雑な電子健康記録(EHR)モデリングワークフローを実行できるようになる。 しかし、個々の病院に配備されるエージェントは、施設固有のデータやモデリング環境によって制約され、直接の病院間協力は患者レベルのEHRデータの感度によって制限される。 フェデレーション学習(FL)は、プライバシ保護コラボレーションの自然な基盤を提供するが、既存のアプローチは、主にモデル中心であり、フェデレーションを予測モデルやその更新に制限する一方で、自律エージェントが蓄積するよりリッチなモデリングエクスペリエンスを見渡す。 この制限に対処するため、自動EHRモデリングのための経験中心のエージェント最適化フレームワークであるFedEHR-Agentsを提案する。 各病院は、履歴記憶、タスク固有の評価、TextGradベースの即時改善を通じて、局所的な臨床モデリング経験を洗練しながら、データ前処理とモデル開発を行う自律臨床 EHR エージェントを配備する。 フェデレーションサーバは、エビデンス誘導経験集約を行い、不均一な病院全体で信頼性と相補的なモデリング経験を統合し、その集合体験をグローバルなメタプロンプトに蒸留し、その後の局所的な改善を行う。 実世界のマルチホスピタル EHR ベンチマークに関する大規模な実験は、FedEHR-Agents が様々な臨床予測タスクで局所的および連合的ベースラインを一貫して上回り、異なるフェデレーションスケールとLDMバックボーンで頑健であることを示している。 これらの結果は,従来のパラメータ中心のFLを超える有望な協調対象として臨床モデリング経験を確立し,連合型自律型臨床知能を目指している。

関連論文リスト

• FedEHR-Gen: Federated Synthetic Time-Series EHR Generation via Latent Space Alignment and Distribution-Aware Aggregation [15.339846262498396]
  FedEHR-Genは、分散病院にまたがる時系列EHR生成のための最初の連合フレームワークである。 病院間のセマンティックな整合性を確保するため,局所エンコーダをグローバルな潜在空間に整合させる階層的整合性アグリゲーション機構を開発した。 eICUとMIMIC-IIIデータセットの実験は、FedEHR-Genが、集中的なトレーニングに匹敵する世代知性、下流ユーティリティ、プライバシリスクを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-27T03:17:08Z)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• Empowering Locally Deployable Medical Agent via State Enhanced Logical Skills for FHIR-based Clinical Tasks [15.634158040789474]
  State-Enhanced Logical-Skill Memory (SELSM) は、シミュレートされた臨床軌道をエンティティに依存しない運用ルールに蒸留する、トレーニング不要のフレームワークである。 MedAgentBench - 実際の臨床データでベンチマークされた唯一の信頼性の高い高忠実な仮想EHRサンドボックス。
  論文  参考訳（メタデータ） (2026-03-06T21:42:14Z)
• EHRWorld: A Patient-Centric Medical World Model for Long-Horizon Clinical Trajectories [16.355665390403654]
  近年の大規模言語モデル (LLM) は, 静的な医学的推論タスクにおいて高い性能を発揮している。 臨床知識を取り入れたLCMは,連続的介入による一貫した患者状態の維持に苦慮している。 EHRWorldは、患者中心の医療世界モデルであり、因果的シーケンシャルパラダイムの下で訓練されている。
  論文  参考訳（メタデータ） (2026-02-03T14:12:24Z)
• 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)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• FedMetaMed: Federated Meta-Learning for Personalized Medication in Distributed Healthcare Systems [7.32609591220333]
  パーソナライズドメディケーションのためのフェデレーションメタラーニング(FedMetaMed)について紹介する。 FedMetaMedは、フェデレーションラーニングとメタラーニングを組み合わせて、医療システム全体にわたる多様な患者データに適応するモデルを作成する。 我々は、FedMetaMedが最先端のFL法より優れ、最先端のコホートでも優れた一般化を示すことを示す。
  論文  参考訳（メタデータ） (2024-12-05T03:36:55Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions [48.0590120095748]
  本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。 我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-01-20T15:14:14Z)

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。