CohortFlow：条件変更の影響を受ける処理だけをやり直す Agent
CohortFlow は臨床コホートの抽出を再利用可能な実行グラフに分解する。100 の構成シナリオ、126 回の修正では待ち時間が短縮したが、条件の解析精度に有意な改善はなかった。臨床的に妥当な集団を抽出できるかは未検証。
Agent が対象者を選んでいる途中で、利用者が条件を変えたら、どこからやり直すべきか。10 月 26 日公開の CohortFlow は、臨床コホートの整理を題材にこの問題を扱う。狙いは必要な計算だけを再実行し、確認できる作業状態を残すことだ。臨床判断を代替できると示した研究ではない。
- 条件をタスク仕様に整理
- 条件と依存関係を保存
- 修正を局所的な意味の変更に変換
- 有効な結果を再利用し影響部分を再計算
- 論理と出力を確認
変更部分と依頼全体を分ける
修正のたびに全条件を生成し直す方法は、計算が重複するだけでなく、変更していない条件まで変える可能性がある。CohortFlow は自然言語の依頼を型付きのタスク仕様に整理し、条件、論理的な組み合わせ、時間関係を記録する。それを永続的な実行グラフに変換し、修正時には変わった意味だけを解釈する。変わらない条件の識別子は維持する。
過去の結果が存在するだけでは再利用できない。ノードの識別子と意味を表す指紋が同じで、結果を取得でき、親ノードもすべて再利用できることが条件になる。依存関係が変わると、その影響を受ける後続処理を無効化して計算し直す。処理中に修正を解釈しても、状態の更新は順序通りに反映し、古い解釈による上書きを避ける。
待ち時間と解析精度を区別する
著者は CohortX の試験条件から 100 シナリオ、126 回の修正を構成し、同じ量子化 Qwen3-8B で局所修正と全体再生成を比較した。双方で評価可能な 110 状態における条件フィールドの micro-F1 は 77.0% と 76.4%、p=0.493 で、有意な精度向上ではない。一方、完了後の修正の平均待ち時間は 48.6 秒から 17.1 秒、実行中は 69.7 秒から 38.8 秒に短縮した。主な利点は重複処理の削減にある。
実行できても臨床的な正しさは別問題
MIMIC のバックエンド実験では、前段のモデル予測ではなく、人手で固定した妥当な仕様を使った。10 シナリオと 3 回の構造化修正による 13 状態はすべて実行できたが、これは再利用機構の確認であり、臨床的な正確さの端から端までの評価ではない。第 1 段階には診療記録の検索・推論も含まれず、処理時間を病歴全体の処理に一般化できない。
曖昧さの確認が必要な 8 例では、局所修正が成功したのは 1 例、全体再生成は 4 例だった。構成した修正系列と単一の量子化モデルによる結果であり、局所変更が全体の論理を壊す可能性も残る。状態と依存関係を明示的に管理する設計は参考になるが、医療への適用には別途の妥当性評価と人による確認が必要だ。