論文の概要: ClinAgent: A ReAct-Based Agent for Conversational Access to Clinical Trial Information
- arxiv url: http://arxiv.org/abs/2609.13860v1
- Date: Sat, 12 Sep 2026 10:25:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.588053
- Title: ClinAgent: A ReAct-Based Agent for Conversational Access to Clinical Trial Information
- Title（参考訳）: ClinAgent : 臨床トライアル情報への会話アクセスのためのReAct-based Agent
- Abstract要約: 我々はエージェント検索強化生成(RAG)に基づく会話システムClinAgentを紹介する。
このシステムはReActパラダイムに従うLarge Language Model (LLM)エージェントを中心とし、クエリに対して反復的に理由付けを行う。
作業効率,計画品質,ツール使用効率,専門家の質的判断を3段階の枠組みで評価した。
- 参考スコア（独自算出の注目度）: 0.48861336570452174
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Querying clinical trial registries remains a manual and error-prone process, requiring researchers to navigate large volumes of semi-structured data without support for natural language interaction or cross-source synthesis. To address this, we introduce ClinAgent, a conversational system based on agentic Retrieval-Augmented Generation (RAG) that enables clinicians and researchers to query clinical trial information in plain language and receive grounded, up-to-date responses across multi-turn interactions. The system centers on a Large Language Model (LLM) agent following the ReAct paradigm, which iteratively reasons over queries, selects among a set of integrated tools, and refines its actions based on intermediate outputs. These tools include a ClinicalTrials.gov search interface, a PubMed module, and a Python-based analyzer operating on a locally cached structured dataset of clinical trials. We evaluate the system using a three-phase framework assessing operational effectiveness, planning quality, tool-use efficiency, and expert qualitative judgments, comparing three LLM backends: Gemini 3.0 Flash and two variants of DeepSeek V3.2 (thinking and non-thinking). Results reveal complementary strengths, with DeepSeek (thinking mode) excelling in planning quality, while Gemini achieves the highest overall performance and strongest expert ratings. Overall, our findings highlight the potential of agentic AI systems to improve the accessibility and synthesis of clinical trial information, supporting more efficient and user-centered biomedical research workflows.
- Abstract（参考訳）: 臨床試験登録の検索は手動およびエラーを起こしやすいプロセスであり、研究者は自然言語の相互作用やクロスソース合成をサポートせずに大量の半構造化データをナビゲートする必要がある。
この問題を解決するために,臨床医や研究者が平易な言語で臨床治験情報を検索し,マルチターンインタラクションを通じて最新の応答を受信できる,エージェント検索・拡張生成(RAG)に基づく対話システムであるClinAgentを紹介した。
このシステムはReActパラダイムに従うLarge Language Model (LLM)エージェントを中心にして、クエリを反復的に理由付け、一連の統合ツールの中から選択し、中間出力に基づいてそのアクションを洗練する。
これらのツールには、臨床Trials.gov検索インターフェイス、PubMedモジュール、ローカルキャッシュされた臨床試験の構造化データセットで動作するPythonベースのアナライザが含まれる。
我々は, 3 つの LLM バックエンドである Gemini 3.0 Flash と DeepSeek V3.2 の 2 つの変種を比較し, 運用効率, 計画品質, ツール使用効率, 専門家の質的判断を3 段階のフレームワークで評価した。
結果は相補的な強みを示し、DeepSeek(思考モード)は計画品質に優れ、Geminiは全体的なパフォーマンスと最強の専門家評価を達成している。
総合的に見て,臨床治験情報のアクセシビリティと合成を改善し,より効率的でユーザ中心のバイオメディカル研究ワークフローをサポートするエージェントAIシステムの可能性を強調した。
関連論文リスト
- AgentRx: A Benchmark Study of LLM Agents for Multimodal Clinical Prediction Tasks [0.858186282419397]
大規模言語モデル(LLM)ベースのエージェントは、様々な医療タスクにおいて顕著なパフォーマンスを示した。
コードと評価フレームワークをオープンソース化することで、この研究は、医療におけるエージェントシステムに関連する将来の開発をサポートするための、新しいベンチマークを提供します。
論文 参考訳（メタデータ） (2026-05-11T09:46:41Z) - Coding-Free and Privacy-Preserving Agentic Framework for Data-Driven Clinical Research [4.939671899632412]
臨床エージェントリサーチインテリジェンスシステム(CARIS)を開発した。
CARISは、研究計画、文献検索、コホート建設、機関レビューボード(IRB)ドキュメント、Vibe Machine Learning(ML)、レポート生成といったワークフローを自動化する。
臨床タスクが異なる3つの異種データセットを用いてCARISを評価し,4回のイテレーションで計画とIRB文書を完了し,Vibe MLをサポートし,報告を生成し,LCMによる評価では96%,人的評価では82%の完全性を達成した。
論文 参考訳（メタデータ） (2026-04-14T04:22:44Z) - ClinicalTrialsHub: Bridging Registries and Literature for Comprehensive Clinical Trial Access [11.885968650881312]
ClinicalTrialsHubは対話型検索に焦点を当てたプラットフォームで、CeriorTrials.govのすべてのデータを集約する。
臨床治験データへのアクセス率は, 臨床Trials.govのみに頼らず, 83.8%向上した。
論文 参考訳（メタデータ） (2025-12-09T02:52:06Z) - Automated Clinical Problem Detection from SOAP Notes using a Collaborative Multi-Agent LLM Architecture [8.072932739333309]
我々は,このギャップに対処するために,臨床相談チームをモデル化する共同マルチエージェントシステム(MAS)を導入する。
このシステムは、SOAPノートの主観的(S)および目的的(O)セクションのみを分析することによって、臨床上の問題を特定する。
マネージャエージェントは、階層的で反復的な議論に従事し、合意に達するために、動的に割り当てられた専門家エージェントのチームを編成する。
論文 参考訳（メタデータ） (2025-08-29T17:31:24Z) - TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。
本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。
TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
論文 参考訳（メタデータ） (2025-03-26T15:58:16Z) - 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) - 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) - AgentClinic: a multimodal agent benchmark to evaluate AI in simulated clinical environments [2.567146936147657]
シミュレーションされた臨床環境における大規模言語モデル(LLM)の評価のためのマルチモーダルエージェントベンチマークであるAgentClinicを紹介する。
我々は,AgentClinicの逐次決定形式におけるMedQA問題の解決が極めて困難であることに気付き,診断精度が元の精度の10分の1以下に低下することを発見した。
論文 参考訳（メタデータ） (2024-05-13T17:38:53Z) - AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。
この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。
高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文 参考訳（メタデータ） (2024-02-15T06:46:48Z) - 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) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z) - Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。
目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。
本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
論文 参考訳（メタデータ） (2021-08-02T10:42:52Z)
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。