論文の概要: PRISMATIC : Prescription Risk Inspection System for Multi-Agent Treatment Interaction in Clinical Decision-Making

• arxiv url: http://arxiv.org/abs/2610.19762v1
• Date: Wed, 14 Oct 2026 08:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.031533
• Title: PRISMATIC : Prescription Risk Inspection System for Multi-Agent Treatment Interaction in Clinical Decision-Making
• Title（参考訳）: PRISMATIC : 臨床診断におけるマルチエージェント治療のための処方リスク検査システム
• Abstract要約: PRISMATICは多エージェントアーキテクチャで、特殊なエージェントが協調して治療計画を作成・洗練する。 ブラックボードのアーキテクチャーで システムはまず 臨床ノートから患者情報を 構築する その後 安全で合理的で 解釈可能な 薬局を反復的に発達させる 本研究は, マルチエージェント協調問題としての臨床共同治療の構造化が, より安全で一貫性のあるマルチディスアーゼ管理への有望な道を提供することを示す。
• 参考スコア（独自算出の注目度）: 3.9316550794084453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical prescribing errors for multimorbid patients, who require complex drug regimens, are a major patient safety concern. These errors often stem from fragmented decision-making across medical specialties, a critical coordination failure that leads to adverse drug events and rehospitalizations. To address this coordination challenge, we introduce PRISMATIC, a multi-agent architecture where specialized agents, each representing a workflow role, collaboratively generate and refine treatment plans. Operating on a blackboard architecture, the system first structures patient information from clinical notes, then iteratively develops safe, rational, and interpretable drug regimens. The agents' collaboration is governed by two novel adaptive coordination mechanisms: (1) Dynamic Self-Updating Weight Adjustment (DSWA), a long-term mechanism that adjusts the influence weights of agents based on historical case outcomes, enabling the system to adapt and trust more reliable specialists over time. (2) Discrepancy Feedback Precise Calibration (DFPC), a short-term mechanism where agents provide iterative feedback to resolve disagreements and eliminate prescription conflicts for the current patient. Experiments on patient records from the MIMIC-IV database show that PRISMATIC significantly reduces drug conflicts, improves prescription coverage, and enhances treatment consistency compared to strong LLM baselines. Our work demonstrates that structuring clinical co-treatment as a multi-agent coordination problem offers a promising path toward safer and more coherent multidisease management.
• Abstract（参考訳）: 複雑な薬物規制を必要とする多病種の患者の医療処方ミスは、患者の安全に関する主要な懸念事項である。 これらの誤りは、しばしば医療専門分野にまたがる意思決定の断片化に起因する。 この調整課題に対処するために、PRISMATICというマルチエージェントアーキテクチャを導入し、それぞれがワークフローの役割を表現し、協調的に治療計画を作成し、洗練する。 ブラックボードアーキテクチャーを運用するシステムは、まず臨床ノートから患者情報を構造化し、その後、安全で合理的で解釈可能な薬局を反復的に開発する。 エージェントの協調は,(1)動的自己更新体重調整(DSWA, Dynamic Self-Updating Weight Adjustment)の2つの新しい適応調整機構によって管理される。 2)離散的フィードバック精密校正(DFPC,disrepancy Feedback Precise Calibration, DPC)とは, エージェントが不一致を解消し, 処方の相違を取り除くための反復的なフィードバックを提供する機構である。 MIMIC-IVデータベースによる患者記録実験により、PRISMATICは薬物の競合を著しく低減し、処方のカバレッジを改善し、強力なLDMベースラインと比較して治療の整合性を高めることが示された。 本研究は, マルチエージェント協調問題としての臨床共同治療の構造化が, より安全で一貫性のあるマルチディスアーゼ管理への有望な道を提供することを示す。

関連論文リスト

• CafeMed: Causal Attention Fusion Enhanced Medication Recommendation [9.91438130100011]
  CafeMedは、動的因果推論とクロスモーダルアテンションを統合して、安全かつ正確な薬物推奨を行うフレームワークである。 以上の結果から,ダイナミック因果関係とクロスモーダルシナジーを取り入れることで,より臨床的に整合し,パーソナライズされた医薬推奨がもたらされることが示唆された。
  論文  参考訳（メタデータ） (2025-11-18T02:44:27Z)
• A Knowledge-driven Adaptive Collaboration of LLMs for Enhancing Medical Decision-making [49.048767633316764]
  KAMACは知識駆動のAdaptive Multi-Agent Collaborationフレームワークである。 エージェントは進化する診断コンテキストに基づいて、専門家チームを動的に形成および拡張することができる。 2つの実世界の医療ベンチマーク実験により、KAMACはシングルエージェント法と高度なマルチエージェント法の両方を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-18T14:33:36Z)
• ARMR: Adaptively Responsive Network for Medication Recommendation [1.354560757162539]
  メディケーション・レコメンデーション(ARMR)のための適応応答型ネットワークを提案する。 ARMRは,1)最近の患者と遠隔患者の経過を区別し,よりニュアンスな時間的理解を可能にし,2)患者の現在の健康状態と治療歴に基づいて,新規および既存の薬物に注意を向ける適応的応答性メカニズムを具体化したものである。 MIMIC-IIIとMIMIC-IVデータセットの実験では、ARMRは異なる評価基準における最先端のベースラインよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-07-06T15:24:00Z)
• MMedAgent-RL: Optimizing Multi-Agent Collaboration for Multimodal Medical Reasoning [63.63542462400175]
  医療エージェント間の動的に最適化された協調を可能にする強化学習に基づくマルチエージェントフレームワークMMedAgent-RLを提案する。 具体的には、Qwen2.5-VLに基づく2つのGPエージェントをRLを介して訓練する: トリアージ医師は患者を適切な専門分野に割り当てることを学ぶ一方、主治医はマルチスペシャリストの判断を統合する。 5つのVQAベンチマークの実験では、MMedAgent-RLはオープンソースおよびプロプライエタリなMed-LVLMよりも優れており、人間のような推論パターンも示している。
  論文  参考訳（メタデータ） (2025-05-31T13:22:55Z)
• Silence is Not Consensus: Disrupting Agreement Bias in Multi-Agent LLMs via Catfish Agent for Clinical Decision Making [80.94208848596215]
  提案する概念は「Catfish Agent」である。これは、構造的不満を注入し、無声な合意に反するように設計された役割特化LDMである。 組織心理学において「ナマズ・エフェクト」にインスパイアされたカマズ・エージェントは、より深い推論を促進するために、新たなコンセンサスに挑戦するように設計されている。
  論文  参考訳（メタデータ） (2025-05-27T17:59:50Z)
• Reinforcement Learning on Dyads to Enhance Medication Adherence [45.04199025071767]
  介入の配信をパーソナライズする新しいマルチエージェント強化学習(MARL)手法を提案する。 MARLフレームワークは、各エージェントが1つの介入コンポーネントのデリバリに責任を持つもので、フラット化されたエージェントと比較してより高速な学習を可能にする。 実際の臨床データに基づくダイアディック・シミュレーター環境による評価は,薬剤の付着性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-02-06T02:27:35Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)

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。