EHRAgent: Code Empowers Large Language Models for Complex Tabular Reasoning on Electronic Health Records

EHRAgent: Code Empowers Large Language Models for Complex Tabular Reasoning on Electronic Health Records

• 論文タイプ：原著論文

• 掲載誌：不明

本研究の背景と関連研究：
本研究の背景は、電子健康記録（EHR）とのコミュニケーションを改善するための自然言語処理（NLP）技術の重要性に関連しています。EHRは、医療従事者が患者の情報を記録し、共有するためのデジタルなシステムです。しかし、EHRはしばしば複雑な構造を持ち、医療専門知識が必要とされるため、医療従事者が効率的に利用することは難しいとされています。関連研究では、大規模言語モデル（LLM）を使用した自律エージェントの開発が進められており、これらのエージェントは問題解決や計画立案などの能力を持っています。しかし、医療領域においては、EHRの特殊性や医療専門知識の不足などの課題が存在しています。

本研究の目的とその重要性：
本研究の目的は、EHRAgentを使用してEHR内の複雑な臨床タスクを自動的に処理することです。EHRAgentは、対話型のコーディングと実行フィードバックを統合することで、エラーメッセージから学習し、元々生成されたコードを改善します。さらに、長期記憶を組み込むことで、EHRAgentは過去の経験から最も関連性の高い成功事例を選択し、それに基づいて構築することができます。本研究の重要性は、LLMの新たな能力を活用して、最小限のデモンストレーションで複雑な臨床タスクに対するコード生成と実行を自律的に行うことができる点にあります。

本研究で用いた材料やデータの詳細：
本研究では、2つの実世界のEHRデータセットを使用して実験を行いました。具体的な材料やデータの詳細については記載されていません。

本研究で何をどのように、どこまで明らかにした？
本研究では、EHRAgentを提案し、EHR内の複雑な臨床タスクに対してコードを自動生成および実行する手法を明らかにしました。具体的には、EHRの質問応答タスクをツール使用計画のプロセスに変換し、複雑なタスクを管理可能なアクションのシーケンスに効率的に分解しました。また、対話型のコーディングと実行フィードバックを統合することで、EHRAgentはエラーメッセージから学習し、元々生成されたコードを改善します。さらに、長期記憶を組み込むことで、EHRAgentは過去の経験から最も関連性の高い成功事例を選択し、それに基づいて構築することができます。

本研究の有効性はどのように検証した？
本研究では、2つの実世界のEHRデータセットを使用して実験を行い、EHRAgentの性能を評価しました。その結果、EHRAgentは最も強力なLLMエージェントのベースラインをそれぞれ36.48％と12.41％上回ることが示されました。これにより、EHRAgentはLLMの新たな能力を活用し、最小限のデモンストレーションで複雑な臨床タスクに対するコード生成と実行を自律的に行うことができることが確認されました。

提案されるキーワードのハッシュタグ：
#電子健康記録 #自動コード生成 #複雑な臨床タスク #LLMエージェント