論文の概要: Physics-Informed Multi-Agent Coordination for Hospital Patient Flow Optimization
- arxiv url: http://arxiv.org/abs/2609.37022v1
- Date: Tue, 29 Sep 2026 08:38:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.334789
- Title: Physics-Informed Multi-Agent Coordination for Hospital Patient Flow Optimization
- Title（参考訳）: 病院患者フロー最適化のための物理インフォームドマルチエージェントコーディネーション
- Abstract要約: 本フレームワークは,分散型マルチエージェント強化学習アーキテクチャにおいて,BCMPキュートポロジを物理プリエントとして経験的に校正した。
本手法により、自律的な部門エージェントが患者のルーティングと動的サービスのスケーリングを協調的に交渉できる。
- 参考スコア（独自算出の注目度）: 2.552758627508997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficient patient flow coordination across autonomous hospital departments is critical for mitigating overcrowding and balancing resource utilization. While classical queueing theory, specifically open Baskett--Chandy--Muntz--Palacios (BCMP) networks, provides an interpretable mathematical topology for healthcare operations, analytical models rely on stationary assumptions and fixed routing matrices that degrade under state-dependent real-world dynamics. Conversely, centralized reinforcement learning approaches struggle to accommodate the decentralized structure of hospital governance, where individual clinical departments function with localized observations, heterogeneous resources, and divergent operational objectives. In this paper, we present a Multi-Agent Systems (MAS) framework titled \emph{Physics-Informed Multi-Agent Coordination}, which embeds empirically calibrated BCMP queueing topologies as physical priors within a decentralized multi-agent reinforcement learning architecture. Formulated as a Decentralized Partially Observable Markov Decision Process (Dec-POMDP) under coupled resource constraints, our method enables autonomous departmental agents to cooperatively negotiate patient routing and dynamic service scaling. To mitigate environmental non-stationarity without inducing excessive communication overhead, agents exchange localized action fingerprints along network edges and optimize a spatially decomposed reward structure. Empirical evaluations driven by real-world MIMIC-IV patient trajectories indicate that this cooperative multi-agent approach substantially reduces cumulative system delay compared to static Markovian approximations, heuristic dispatching, and independent multi-agent baselines, while maintaining clinical safety constraints.
- Abstract（参考訳）: 自律病院部門間での効率的な患者フロー調整は, 過密化を緩和し, 資源利用のバランスをとる上で重要である。
古典的な待ち行列理論、特にオープンなBaskett--Chandy--Muntz--Palacios(BCMP)ネットワークは、医療運用のための解釈可能な数学的トポロジーを提供するが、解析モデルは定常仮定と状態依存の実世界の力学の下で劣化する固定されたルーティング行列に依存する。
逆に、集中型強化学習アプローチは、個々の臨床部門が局所的な観察、異種資源、多様な運用目的で機能する病院統治の分散構造に対応するのに苦慮している。
本稿では,分散型マルチエージェント強化学習アーキテクチャにおいて,BCMP待ち行列トポロジを物理前処理として経験的に校正した「emph{Physics-Informed Multi-Agent Coordination}」と題するマルチエージェントシステム(MAS)フレームワークを提案する。
分散化された部分観測可能マルコフ決定プロセス (Dec-POMDP) を資源制約下で定式化し, 自律型部門エージェントによる患者ルーティングと動的サービススケーリングの協調交渉を可能にする。
過剰な通信オーバーヘッドを招くことなく環境非定常性を緩和し、エージェントがネットワークエッジに沿って局所化された動作指紋を交換し、空間的に分解された報酬構造を最適化する。
実世界のMIMIC-IV患者軌跡による経験的評価から, この協調的マルチエージェントアプローチは, 臨床安全性の制約を維持しつつ, 静的マルコフ近似, ヒューリスティックディスパッチ, 独立したマルチエージェントベースラインと比較して, 累積システムの遅延を著しく減少させることが示された。
関連論文リスト
- FMRP-LEAN: A HIPAA-Compliant AI-Augmented LIMS Architecture for End-to-End Clinical Assay Workflow Optimization [0.0]
本稿では,HIPAAに準拠したAI強化実験室情報管理システム (LIMS) アーキテクチャであるFMRP-LEANについて述べる。
論文 参考訳（メタデータ） (2026-07-22T17:11:52Z) - 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) - MediHive: A Decentralized Agent Collective for Medical Reasoning [9.073167371102386]
大規模言語モデル (LLM) は医学的推論タスクに革命をもたらしたが、単一エージェントシステムは複雑な学際的な問題に悩まされることが多い。
医療質問応答のための分散型マルチエージェントフレームワークであるMediHiveを紹介する。
我々の研究は、医療AIのためのスケーラブルでフォールトトレラントなD-MASを進歩させ、集中型設計の重要な限界に対処します。
論文 参考訳（メタデータ） (2026-03-28T05:57:58Z) - CoMMa: Contribution-Aware Medical Multi-Agents From A Game-Theoretic Perspective [17.875369977050926]
オンコロジー決定支援タスクに取り組むために,コントリビューション・アウェア・メディカル・マルチエージェント (CoMMa) を提案する。
スペシャリストは分割された証拠を操作し、堅牢な意思決定のためのゲーム理論の目的を通して調整する。
多様なオンコロジーベンチマークに基づいて評価されたCoMMaは、データ分散およびロールベースのマルチエージェントベースラインよりも高い精度と安定したパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-02-09T20:04:58Z) - A Novel Hierarchical Integration Method for Efficient Model Merging in Medical LLMs [1.6822710357817308]
大規模言語モデル(LLM)は、分散医療において重大な課題に直面します。
本稿では,2つのアーキテクチャに適合する医療用LLMに適用した6つのパラメータ空間マージ手法の体系的評価について述べる。
論文 参考訳（メタデータ） (2025-11-17T13:47:27Z) - Multi-Agent Conditional Diffusion Model with Mean Field Communication as Wireless Resource Allocation Planner [16.759740918605768]
無線通信システムでは、QoS(Quality of Service)の強化において、効率的かつ適応的なリソース割り当てが重要な役割を担っている。
対照的に、分散トレーニングと分散実行(DTDE)パラダイムは、分散学習と意思決定を可能にする。
分散通信資源管理のためのマルチエージェント条件拡散モデルプランナ(MACDMP)を提案する。
論文 参考訳（メタデータ） (2025-10-27T03:42:18Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - F2A2: Flexible Fully-decentralized Approximate Actor-critic for
Cooperative Multi-agent Reinforcement Learning [110.35516334788687]
分散マルチエージェント強化学習アルゴリズムは複雑なアプリケーションでは実践的でないことがある。
本稿では,大規模で汎用的なマルチエージェント設定を扱える,柔軟な完全分散型アクター批判型MARLフレームワークを提案する。
当社のフレームワークは,大規模環境におけるスケーラビリティと安定性を実現し,情報伝達を低減できる。
論文 参考訳（メタデータ） (2020-04-17T14:56:29Z) - Decentralized MCTS via Learned Teammate Models [89.24858306636816]
本稿では,モンテカルロ木探索に基づくトレーニング可能なオンライン分散計画アルゴリズムを提案する。
深層学習と畳み込みニューラルネットワークを用いて正確なポリシー近似を作成可能であることを示す。
論文 参考訳（メタデータ） (2020-03-19T13:10:20Z)
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。