論文の概要: PIA: A Personal Intelligence Agent Turning Health Conversations into Records and Records into Understanding

• arxiv url: http://arxiv.org/abs/2609.31255v1
• Date: Fri, 25 Sep 2026 13:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.40895
• Title: PIA: A Personal Intelligence Agent Turning Health Conversations into Records and Records into Understanding
• Title（参考訳）: PIA: 健康に関する会話を記録、記録にまとめて理解するパーソナル・インテリジェンス・エージェント
• Abstract要約: 我々は、消費者健康エージェントと共に展開される個人情報エージェントであるPIAを提示する。 PIAはエージェントの自然言語要求を受信し、会話の書き方や読み方を決め、タイプされた臨床記録や記録をユーザーの合成された理解に変換する。
• 参考スコア（独自算出の注目度）: 41.32158161225706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: General-purpose agent memory summarizes conversations: it extracts salient snippets, embeds them, and retrieves the top-k into the prompt. A health agent cannot run on summaries: a dose becomes a sentence, "since last week" is resolved at the model's discretion, and a three-month glucose trend cannot be answered by text similarity. We present PIA, a personal intelligence agent deployed alongside a consumer health agent. PIA receives the agent's natural-language requests, decides for itself whether and how to write or read, and turns conversations into typed clinical records and records into a synthesized understanding of the user. Its memory harness consists of four controls -- extraction, memory, retrieval, and understanding -- each a domain-agnostic mechanism with a pluggable health module: schema, medical alias dictionary, knowledge graph, and temporal rules. We show how the same query receives a different answer as the memory injected into the response context deepens from one-dimensional recall, to a two-dimensional health snapshot, to a three-dimensional trajectory with causality, and report lessons from operation: self-reported health data are missing not at random, question phrasing governs the quality of synthesized understanding, and nearly a third of candidate causal links are structural noise that rules alone remove.
• Abstract（参考訳）: 汎用エージェントメモリは会話を要約し、健全なスニペットを抽出し、それらを埋め込んで、トップkをプロンプトに格納する。 医療エージェントは要約では実行できない: 服用が文になり、モデルの判断で「先週から」解決され、3ヶ月のブドウ糖傾向はテキストの類似性によって答えられない。 我々は、消費者健康エージェントと共に展開される個人情報エージェントであるPIAを提示する。 PIAはエージェントの自然言語要求を受信し、会話の書き方や読み方を決め、タイプされた臨床記録や記録をユーザーの合成された理解に変換する。 メモリハーネスは,4つのコントロール – 抽出,メモリ,検索,理解 – から成り,プラグイン可能なヘルスモジュールを備えたドメインに依存しないメカニズム – スキーマ,医療用エイリアス辞書,ナレッジグラフ,時間ルール – で構成されている。 応答文脈に注入されたメモリが1次元のリコールから2次元の健康スナップショットへ、そして3次元の因果関係の軌跡へ、そして操作からの教訓を報告する: 自己申告された健康データはランダムに欠落しており、質問文は合成された理解の質を制御し、候補の因果関係の3分の1近くはルールだけで除去される構造ノイズである。

関連論文リスト

• MELD: A Protocol for Merging Knowledge Across Distributed Agentic Memories [2.2541665241198534]
  MELDは、エージェントメモリのフェデレーションのための自己管理コヒーレンス機構である。 それぞれの脳は5アウトカムの手順で全てのクレームを受信する。 HotpotQAorでは、分散マージが中央集中ストアにリコールされる。
  論文  参考訳（メタデータ） (2026-08-17T10:09:06Z)
• AI-Care: A Conversational Agentic System for Task Coordination in Alzheimer's Disease Care [2.299627388454064]
  本稿では,遠隔介護プラットフォーム上に構築された対話型エージェント人工知能層であるAI-Careについて述べる。 AI-Careはアルツハイマー病(AD)とアルツハイマー病関連認知症(ADRD)の認知負荷を軽減するように設計されている 軽度から軽度のAD/ADRDを持つ4人の個人による予備試験では、システムは信頼性があり、有能で、可読性があることがわかった。
  論文  参考訳（メタデータ） (2026-05-08T20:55:46Z)
• "Nothing Abnormal": Disambiguating Medical Reports via Contrastive Knowledge Infusion [6.9551174393701345]
  コントラスト型事前学習と摂動型書き換えに基づく書き換えアルゴリズムを提案する。 胸部報告に基づくOpenI-Annotatedと、一般的な医療報告に基づくVA-Annotatedの2つのデータセットを作成しました。 提案アルゴリズムは,高内容忠実度で少ないあいまいな方法で文を効果的に書き換える。
  論文  参考訳（メタデータ） (2023-05-15T02:01:20Z)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• Medical Question Understanding and Answering with Knowledge Grounding and Semantic Self-Supervision [53.692793122749414]
  本稿では,知識基盤とセマンティック・セルフスーパービジョンを備えた医療質問理解・回答システムについて紹介する。 我々のシステムは、まず、教師付き要約損失を用いて、長い医学的、ユーザによる質問を要約するパイプラインである。 システムはまず、信頼された医療知識ベースから要約されたユーザ質問とFAQとをマッチングし、対応する回答文書から一定の数の関連文を検索する。
  論文  参考訳（メタデータ） (2022-09-30T08:20:32Z)
• Text Mining to Identify and Extract Novel Disease Treatments From Unstructured Datasets [56.38623317907416]
  Google Cloudを使って、NPRラジオ番組のポッドキャストのエピソードを書き起こします。 次に、テキストを体系的に前処理するためのパイプラインを構築します。 我々のモデルは、Omeprazoleが心臓熱傷の治療に役立てることに成功しました。
  論文  参考訳（メタデータ） (2020-10-22T19:52:49Z)
• 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)
• Transforming unstructured voice and text data into insight for paramedic emergency service using recurrent and convolutional neural networks [68.8204255655161]
  救急隊員は救急車内で限られた時間内に救命判断をしなければならないことが多い。 本研究の目的は、音声とテキストデータを自動的に融合して、救急隊員に適切な状況認識情報を提供することである。
  論文  参考訳（メタデータ） (2020-05-30T06:47:02Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

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。