臨床医学におけるAIエージェント:体系的なレビュー

科学分野:

• 医療における人工知能
• 臨床情報学
• コンピューター医学

背景:

• 大型言語モデル (LLM) は,タスクプランニング,ツール活用,エージェント間連携を可能にする AI エージェントに進化しています.
• 標準的なLLMとは異なり,AIエージェントは多段階のプロセスを実行し,リアルタイムでの臨床データにアクセスし,多様なデータソースを統合することができます.
• 臨床的・管理的なタスクのためのAIエージェントへの関心は高まっていますが,医療におけるマルチエージェントシステムの性能と有効性はまだ十分に研究されていません.

研究 の 目的:

• 医療環境におけるAIエージェントのパフォーマンスを体系的に評価する.
• 臨床作業における標準的なLLMとAIエージェントシステムの有効性を比較する.
• 医療におけるタスクの完了のためにAIエージェントが使用する特定のツールをカタログ化します.

主な方法:

• PubMed,Web of Science,およびScopusで包括的な文献検索が行われました (2022年10月 - 2025年8月).
• 定量的なパフォーマンスの比較を伴う臨床作業のためのAI剤を含むピアレビューされた研究が選択されました.
• 薬剤の構造,性能指標,および臨床応用に関するデータは2人の独立したレビュー者によって抽出され,不一致は議論または第3のレビュー者によって解決されました.

主要な成果:

• 20件の研究が含有基準を満たし,すべてのAIエージェントシステムが精度においてベースラインLLMを上回ったことを一貫して実証した.
• シングル・エージェント・ツール・コール・スタディの平均パフォーマンスの改善は53パーセントで,場合によっては60パーセントを超える.
• 多エージェントシステム,特に最大5人のエージェントは,複雑なタスクに対して最適なパフォーマンスを示し,エージェントのフレームワークの複雑さがタスクの複雑さに合わせたときに最大の利益を得ました.

結論:

• 基礎LLMの臨床的タスクパフォーマンスは,特にそのアーキテクチャの複雑さがタスクに合わせた場合,AIエージェントが明らかに向上します.
• これらの発見は,従来のLLMよりも著しい進歩を示し,AIエージェントが以前は難解な医療分野に取り組むことを可能にします.
• 将来の研究は,臨床実務におけるAI剤の安全性,作業適性,費用対効果を確立するために,現実世界のデータを活用した将来的,マルチセンター試験を優先すべきである.