論文の概要: Large Language Models for Structured Clinical Data Analysis: Dual-Agent Grounding and Validation

• arxiv url: http://arxiv.org/abs/2609.34039v1
• Date: Mon, 28 Sep 2026 00:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 07:35:29.928192
• Title: Large Language Models for Structured Clinical Data Analysis: Dual-Agent Grounding and Validation
• Title（参考訳）: 構造化臨床データ解析のための大規模言語モデル:デュアルエージェントグラウンドと検証
• Abstract要約: CLEAR-Medは、構造化された臨床データの自然言語解析のための二重エージェントフレームワークである。 CLEAR-Medは、構造化された臨床データのトレース可能な分析のための一般的なアーキテクチャを提供する。
• 参考スコア（独自算出の注目度）: 0.8928205089779694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To develop and characterize CLEAR-Med, a dual-agent framework for natural-language analysis of structured clinical data that separates SQL-based invocation from independent validation. Methods: CLEAR-Med uses one agent to translate a question into executable Structured Query Language (SQL), retain the executed query and database result, and produce a draft. Deterministic checks and a separately invoked cross-provider Validation Agent then accept the draft, request one bounded repair, or abstain. We formalized the system as a bounded selective pipeline and evaluated CLEAR-Med's configuration and scalability, and the Invocation Agent's accuracy and consistency on a 25-query development benchmark, using a harmonized 21-site neonatal hypoxic-ischemic encephalopathy table containing 532 de-identified infant records and approximately 1,300 variables. Results: CLEAR-Med completed all six nominal scalability configurations, including 500x1300. Across 25 development-benchmark queries repeated five times, the Invocation Agent answered 83 of 125 responses correctly (66.4%; query-cluster bootstrap 95% CI, 48.0-83.2%), compared with 15 of 125 (12.0%; 95% CI, 3.2-22.4%) for the ungrounded ChatGPT baseline, a paired improvement of 54.4 percentage points (95% CI, 36.8-72.0%). Conclusion: CLEAR-Med provides a general architecture for traceable analysis of structured clinical data: numerical claims remain linked to executed SQL, and unresolved cases can fail closed. The reported experiments characterize CLEAR-Med's configuration and scalability and the Invocation Agent's accuracy, while the formal analysis establishes the encoded-property guarantee of the complete control flow; a prospective full-pipeline evaluation of the validation and abstention stages is the next stage of this work.
• Abstract（参考訳）: 目的: CLEAR-Medは、SQLベースの呼び出しを独立したバリデーションから分離する構造化された臨床データの自然言語解析用フレームワークである。 メソッド: CLEAR-Medは1つのエージェントを使用して質問を実行可能な構造化クエリ言語(SQL)に変換し、実行されたクエリとデータベース結果を保持し、ドラフトを生成する。 決定論的チェックと個別に呼び出されたクロスプロジェクタバリデーションエージェントは、ドラフトを受理し、1つのバウンド修理を要求するか、中断する。 532個の未同定乳児記録と約1,300個の変数を含む21部位の新生児低酸素・虚血性脳症テーブルを用いて,本システムを有界選択的パイプラインとして定式化し,CLEAR-Medの構成と拡張性を評価した。 結果: CLEAR-Medは500x1300を含む6つの名目上のスケーラビリティ構成をすべて完了した。 25件以上の開発ベンチマーククエリが5回繰り返され、呼び出しエージェントは125の83件(66.4%、クエリクラスタブートストラップ95%CI、48.0-83.2%)を正解し、未解決のChatGPTベースラインでは125件(12.0%、95%CI、3.2-22.4%)、54.4ポイント(95%CI、36.8-72.0%)をそれぞれ改善した。 結論: CLEAR-Medは構造化された臨床データのトレース可能な解析のための一般的なアーキテクチャを提供する。 報告された実験では、CLEAR-Medの構成とスケーラビリティ、呼び出しエージェントの精度を特徴付けるとともに、形式解析により完全な制御フローの符号化・適正性を保証する。

関連論文リスト

• AgentBetta: Verification-Driven Adaptive Configuration of an AI Nano-Agent through Selective Expansion and Verified Contraction [0.0]
  本研究では,AIナノエージェントフレームワークであるAgentBettaを開発し,評価する。 AgentBettaは、必要なモデル機能、コンテキスト、ツール、パーミッション、メモリ、計算リソースを実行可能な設定として表現する。 AB-ConfigBenchベンチマークでは、AgentBettaは91.38%の成功を達成した。
  論文  参考訳（メタデータ） (2026-09-20T09:56:10Z)
• TxBench-PP: Analyzing AI Agent Performance on Small-Molecule Preclinical Pharmacology [0.0]
  人工知能(AI)エージェントは、解釈と意思決定ループを圧縮することで、薬物発見を加速することを約束する。 TherapeuticsBench Preclinical Phharmacology (TxBench-PP) を紹介する。 TxBench-PPは、エージェントが文献から記憶された事実ではなく、実世界のアッセイデータから正確な結論を回復できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-17T16:23:45Z)
• 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)
• Eligibility-Aware Evidence Synthesis: An Agentic Framework for Clinical Trial Meta-Analysis [49.83108591873481]
  EligMetaはエージェントフレームワークで、自動トライアル発見と、資格を意識したメタ分析を統合する。 フレームワークは、目標トライアル間の人口アライメントを反映した類似性に基づく研究重量を計算し、適性基準を構造化する。
  論文  参考訳（メタデータ） (2026-04-03T03:18:50Z)
• Patient-Similarity Cohort Reasoning in Clinical Text-to-SQL [63.578576078216976]
  CLINはMIMICIV v3.1の633のエキスパートアノテートタスクのベンチマークである。 我々はChain-of-Thoughtセルフリファインメントの下で22のプロプライエタリモデルとオープンソースモデルを評価した。 最近の進歩にもかかわらず、パフォーマンスは臨床的な信頼性には程遠い。
  論文  参考訳（メタデータ） (2026-01-14T21:12:06Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
  大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。 しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。 本研究は,臨床信頼性を重視した医療計算評価を再考する。
  論文  参考訳（メタデータ） (2025-09-20T09:10:26Z)
• How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
  RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。 また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
  論文  参考訳（メタデータ） (2024-12-12T18:20:16Z)

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。