論文の概要: DiabAgent: Toward Agentic Physiological Control

• arxiv url: http://arxiv.org/abs/2611.03601v1
• Date: Mon, 02 Nov 2026 18:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.634899
• Title: DiabAgent: Toward Agentic Physiological Control
• Title（参考訳）: DiabAgent: 薬物生理制御に向けて
• Abstract要約: エージェント生理学制御のための研究スイートであるDiabAgentを紹介する。 APCは、個々の状態を推測するために進行中の観察を使用して、医療デバイスツールを介してグルコースを制御する。 212のグルコース制御タスクとして32のシナリオ設計をインスタンス化してSweetBenchを構築する。 Claude Opus 5.5 と 1 時間の一定の決定間隔により、APC はオープンソースベースライン OpenAPS の 71.2 に対して 73.5 の COGI を達成する。
• 参考スコア（独自算出の注目度）: 39.65286979066164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As pretraining scales, medical language models have advanced rapidly in clinical question answering. Their ability to achieve effective physiological control through sustained intervention still lacks systematic quantitative evaluation. Type 1 diabetes provides a concrete setting: impaired insulin secretion creates dependence on exogenous insulin, with dosing continually adjusted using information about meals, exercise, illness, and glucose measurements. We introduce DiabAgent, a research suite for agentic physiological control comprising the Agentic Physiological Control (APC) framework, the DiabetSim simulator, and the SweetBench benchmark. APC controls glucose through medical-device tools, using ongoing observations to infer individual states, accumulate personal experience, and choose treatment actions. We build DiabetSim to simulate different patients, events, and device conditions for scalable virtual testing and training. Using DiabetSim, we construct SweetBench by instantiating 32 scenario designs as 212 glucose-control tasks. With Claude Opus 5.5 and a fixed decision interval of one hour, APC achieves a COGI of 73.5, compared with 71.2 for the open-source closed-loop baseline OpenAPS. Ablations further show that individual adaptation and contextual information improve glucose control. Combining high-frequency rule-based control with lower-frequency agent decisions shows potential for balancing control performance and computational cost. Our work provides a framework, simulator, and evaluation foundation for agents to participate in human physiological control.
• Abstract（参考訳）: プレトレーニング尺度として、医療言語モデルは、臨床質問応答において急速に進歩している。 持続的な介入を通じて効果的な生理的制御を達成する能力は、体系的な定量的評価を欠いている。 インスリン分泌障害は外因性インスリンへの依存を生じさせ、食事、運動、病気、ブドウ糖測定などの情報を用いて服用を継続的に調整する。 本稿では,エージェント生理制御(APC)フレームワーク,DiabetSimシミュレータ,SweetBenchベンチマークからなるエージェント生理制御の研究スイートであるDiabAgentを紹介する。 APCは、医療デバイスツールを通じてグルコースを制御し、進行中の観察を使用して個々の状態を推測し、個人的な経験を蓄積し、治療行動を選択する。 スケーラブルな仮想テストとトレーニングのために、さまざまな患者、イベント、デバイス条件をシミュレートするDiabetSimを構築します。 DiabetSimを用いて、32のシナリオ設計を212のグルコース制御タスクとしてインスタンス化することにより、SweetBenchを構築する。 Claude Opus 5.5 と 1 時間の一定の決定間隔により、APC はオープンソースクローズドループベースライン OpenAPS の 71.2 に対して 73.5 の COGI を達成する。 さらにアブレーションは、個々の適応と文脈情報がグルコース制御を改善することを示している。 高周波ルールベース制御と低周波エージェント決定を組み合わせることで、制御性能と計算コストのバランスをとる可能性がある。 我々の研究は、エージェントが人間の生理的制御に参加するためのフレームワーク、シミュレータ、評価基盤を提供する。

関連論文リスト

• From Prediction to Intervention: Personalized Meal-Level Glucose Regulation via an LLM Agent [42.1030253203393]
  本稿では,グルコース応答を制御するために,個別吸収モデルと食事介入を統合した生理フィードバックエージェントループを提案する。 具体的には,個別化吸収力学をモデル化する生理学対応グルコース予測器を開発した。 次に,予測結果を明示的なフィードバックとして,現実の食事を反復的に洗練する予測駆動2段階食事最適化エージェントを構築した。
  論文  参考訳（メタデータ） (2026-07-07T16:58:57Z)
• GUIDE: Reinforcement Learning for Behavioral Action Support in Type 1 Diabetes [15.973355999714558]
  GUIDE(GUIDE)は、AID技術を補完するRLベースの意思決定支援フレームワークである。 介入タイプ、マグニチュード、タイミングで定義された構造化されたアクションを生成する。 現実の連続グルコースモニタリングデータに基づいて訓練された患者固有のグルコースレベル予測器を統合する。
  論文  参考訳（メタデータ） (2026-04-01T02:14:11Z)
• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Precise Insulin Delivery for Artificial Pancreas: A Reinforcement Learning Optimized Adaptive Fuzzy Control Approach [0.0]
  本稿では,1型高木-菅野ファジィ制御器のパラメータを最適化するための強化学習の適用について検討する。 本研究は, 食事サイズやタイミングの変動に対して, 制御器の頑健性を大幅に向上させることを実証した。
  論文  参考訳（メタデータ） (2025-03-09T17:34:09Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Neural Control System for Continuous Glucose Monitoring and Maintenance [0.0]
  持続的なグルコースモニタリングと管理のための新しいニューラルコントロールシステムを提供する。 我々のアプローチは、洗練されたニューラルポリシーと微分可能なモデリングによって導かれ、常にリアルタイムでインスリン供給を調整する。 このエンドツーエンドの方法は効率を最大化し、パーソナライズされたケアを提供し、健康状態を改善する。
  論文  参考訳（メタデータ） (2024-02-21T14:56:36Z)
• Hybrid Control Policy for Artificial Pancreas via Ensemble Deep Reinforcement Learning [13.783833824324333]
  閉ループグルコース制御の課題に対処するために, 人工膵(HyCPAP)のハイブリッド制御ポリシーを提案する。 FDAが承認したUVA/Padova T1DMシミュレータを用いた広範囲な実験を行った。 本手法は所望のユーグリセミック範囲で過ごす時間が最も多く,低血糖の発生率が最も低い。
  論文  参考訳（メタデータ） (2023-07-13T00:53:09Z)

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。