論文の概要: Ascent: An Agentic System over the Model Context Protocol for Real-World Clinical Data Analysis

• arxiv url: http://arxiv.org/abs/2609.24620v1
• Date: Mon, 21 Sep 2026 14:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.00163
• Title: Ascent: An Agentic System over the Model Context Protocol for Real-World Clinical Data Analysis
• Title（参考訳）: Ascent: 実世界臨床データ分析のためのモデルコンテキストプロトコル上のエージェントシステム
• Abstract要約: 本稿では,医学的コーディング,質問応答,コホート分析を行うエージェントシステムであるAscentを紹介する。 医薬疫学的な誤りの認識を避けるためのデータセットであるEpiTrapを導入する。 有能なモデルでは、エージェントは、ネイティブおよび標準化されたスキーマ上で、固定パイプライン上の平均27ポイントと20ポイントの精度を改善する。
• 参考スコア（独自算出の注目度）: 0.2799896314754614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answering epidemiological questions from real-world clinical data requires medical coding, schema-aware SQL, and validation of implicit choices about populations, denominators, and time. We present Ascent, an agentic system that exposes medical coding, question answering, and cohort analysis through a shared Model Context Protocol tool surface for standardized and native schemas. We introduce EpiTrap, a dataset testing whether systems avoid recognized pharmacoepidemiological errors, and compare a fixed pipeline with agents across models and orchestrators. With capable models, agents improve accuracy over the fixed pipeline by an average of 27 and 20 percentage points on native and standardized schemas, respectively. These gains require more tool calls and longer runtimes. Experience from real projects highlights the system's value for feasibility assessment, diagnostic iteration, and expert-guided analysis.
• Abstract（参考訳）: 実際の臨床データから疫学的な疑問に答えるには、医学的コーディング、スキーマ対応SQL、人口、分母、時間に関する暗黙の選択肢の検証が必要である。 本稿では、標準化およびネイティブスキーマのための共有Model Context Protocolツールサーフェスを通じて、医用コーディング、質問応答、コホート分析を公開するエージェントシステムであるAscentを紹介する。 EpiTrapは、システムが薬剤疫学的エラーを回避しているかどうかをデータセットでテストし、固定パイプラインとモデルとオーケストレータのエージェントを比較します。 有能なモデルでは、エージェントは、それぞれ、ネイティブおよび標準化されたスキーマ上の平均27ポイントと20ポイントの精度を向上させる。 これらのゲインには、より多くのツールコールと長いランタイムが必要です。 実際のプロジェクトからの経験は、フィージビリティアセスメント、診断イテレーション、専門家が指導する分析に対するシステムの価値を強調している。

関連論文リスト

• A Multi-Agent Audit Framework for High-Stakes Reasoning: Evaluation and Interpretability in Clinical Mental Health Screening [0.8758828205574085]
  協調的な多段階検証プロセスをシミュレートするマルチエージェント監査フレームワークを提案する。 臨床精神保健検診の感度領域において,このアーキテクチャを実証的に検証した。 本フレームワークは, 推論過程を知覚エージェント, 知識検索生成(RAG), CoT (Chain-of-Thought) 臨床推論, 重要な監査段階に分解する。
  論文  参考訳（メタデータ） (2026-06-19T05:51:03Z)
• Temporal Sepsis Modeling: a Fully Interpretable Relational Way [0.0]
  深層学習モデルは解釈可能性に欠けることが多く、潜伏した患者サブフェノタイプを無視する。 本稿では,この問題に対処するための新たな道を開くことによる機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T14:02:26Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• 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)
• Medical AI Consensus: A Multi-Agent Framework for Radiology Report Generation and Evaluation [0.2039123720459736]
  放射線学のエコシステムにおけるマルチモーダルな臨床推論のためのベンチマークおよび評価環境として機能するマルチエージェント強化学習フレームワークを提案する。 提案フレームワークは,画像解析,特徴抽出,レポート生成,レビュー,評価を担当する10の特殊エージェントからなるモジュールアーキテクチャにおいて,大規模言語モデル(LLM)と大規模ビジョンモデル(LVM)を統合する。
  論文  参考訳（メタデータ） (2025-09-22T04:31:27Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• An Extensive Study on Cross-Dataset Bias and Evaluation Metrics Interpretation for Machine Learning applied to Gastrointestinal Tract Abnormality Classification [2.985964157078619]
  GI領域における疾患の自動解析は、コンピュータ科学や医学関連雑誌でホットな話題となっている。 クロスデータセットによる評価指標と機械学習モデルの明確な理解は、この分野の研究を新たな品質レベルに導くために不可欠である。 16種類のGIトラクタ条件を分類できる5つの異なる機械学習モデルの包括的評価を行う。
  論文  参考訳（メタデータ） (2020-05-08T08:59:31Z)

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。