Agentic AI in Healthcare & Medicine: A Seven-Dimensional Taxonomy for Empirical Evaluation of LLM-based Agents

テクニカル・サマリー：ヘルスケアおよび医学におけるエージェンティックAI：LLMベースのエージェントの経験的評価のための7次元タクソノミー（分類体系）

問題提起
ヘルスケアおよび医学における大規模言語モデル（LLM）ベースのエージェントの急速な台頭は、電子健康記録（EHR）の分析から鑑別診断、治療計画に至るまで、幅広いタスクにおける能力を示している。しかし、既存の文献には、これらのシステムを評価するための統一されたフレームワークが欠けている。現在の研究は断片的であり、広範なサーベイであっても深みに欠けるか、あるいは特定の能力（メモリや推論など）に特化した狭い調査にとどまっており、共通の運用フレームが存在しない。このような構造化されたタクソノミーの欠如は、手法の比較、能力の普及度の評価、そして初期段階のプロトタイプと信頼できる臨床システムとの間のギャップを特定することを妨げている。

方法論
このギャップに対処するため、著者らは2023年10月から2025年6月までの間に発表された49件の研究論文に対して系統的なレビューを実施した。選択プロセスは、Google Scholar、PubMed、DBLP、Scopus、ArXivなどのリソースを用い、PRISMAスタイルに準拠した3段階のフィルタリングプロトコルに従った。包含基準として、LLMがエージェントのプランニングおよび意思決定のコアコントローラーであること、および、その研究がヘルスケアまたは医学的タスクに明示的に取り組んでいることを求めた。

著者らは、選択された研究を評価するために、29の運用サブディメンションを含む独自の7次元タクソノミーを開発した。次元は以下の通りである：

1. 認知能力（プランニング、知覚、アクション、メタ能力、一貫性とコンフリクト解消）
2. 知識管理（外部知識の統合、メモリモジュール、動的な更新と忘却）
3. インタラクションパターン（対話モード、イベントトリガーによる起動、ヒューマン・イン・ザ・ループ、エラーリカバリ）
4. 適応と学習（ドリフト検出と緩和、強化学習ベースの適応、メタ学習とフューショット）
5. 安全性と倫理（安全ガードレールと敵対的堅牢性、バイアスと公平性、プライバシー保護メカニズム、規制とコンプライアンスの制約）
6. フレームワーク・タイポロジー（マルチエージェント設計、中央集権型オーケストレーション）
7. コアタスクとサブタスク（臨床文書作成、医学的質問回答、トリアージ、診断推論、治療計画、創薬、患者インタラクション、ベンチマーキング）

各研究は、完全実装 (✓)、部分実装 (∆)、または 未実装 (✗) のラベル付けルーブリックを用いて、このタクソノミーにマッピングされた。著者らは保守的な割り当て戦略を採用し、暗黙的な主張については「部分実装」を、具体的な手順や評価を欠く主張については「未実装」をデフォルトとした。

主な貢献

• 構造化されたタクソノミー： 主要な貢献は、ヘルスケアにおけるLLMベースのエージェントの経験的評価のために特別に設計された、29のサブディメンションを持つ7次元タクソノミーの定義である。
• 経験的ベースライン： 本論文は、質的な概要を超え、49件の研究における能力の普及度と共起パターンの初の大規模な定量的分析を提供する。
• 可視化とマッピング： 著者らは、特定の論文をタクソノミーにマッピングした詳細な表と図を提供しており、これは当該分野のナビゲーション・インデックスとして機能する。
• 非対称性の特定： 分析により、高度に発達した能力（例：情報検索）と、安全性、適応、およびアクション指向のタスクにおける決定的な欠落との間の明確な格差が明らかになった。

主な結果と知見
経験的分析は、ヘルスケアにおけるエージェンティックAIの現状における重大な非対称性を浮き彫りにしている：

• 認知能力： 長期的なタスク分解および自己監視のための堅牢なメカニズムが著しく不足している。プランニングは研究の約45%で欠如しており、メタ能力は約53%、一貫性とコンフリクト解消は約61%で欠如している。一方、知覚とアクションは実装率が高いものの、エンドツーエンドの信頼性に欠けることが多い。
• 知識管理： 外部知識の統合は広く実現されており（約76%が完全実装）、多くの場合、検索拡張生成（RAG）を介している。しかし、動的な更新と忘却はほとんど実装されておらず（約98%が未実装）、エージェントが知識の衛生状態を維持したり、進化するガイドラインに適応したりすることに苦慮していることを示している。
• インタラクションパターン： 対話モードは比較的一般的（約43%が完全実装）であるが、イベントトリガーによる起動は稀（約92%が未実装）であり、外部信号の自律的な監視よりも手動のプロンプティングへの依存が強いことを示唆している。ヒューマン・イン・ザ・ループおよびエラーリカバリのメカニズムも乏しい。
• 適応と学習： この次元は最も採用が進んでいない。ドリフト検出と緩和は実質的に存在せず（完全実装は0%、約98%が未実装）、強化学習ベースの適応やメタ学習も同様に未発達であり、ほとんどのシステムは静的なプロンプトに依存している。
• 安全性と倫理： 実装の成熟度は限定的である。安全ガードレールおよびバイアスと公平性が完全実装されているのは、それぞれ約6%および約10%の研究のみである。規制とコンプライアンスの制約は最も構築が進んでおらず（約86%が未実装）、実行時のコンプライアンスを検証できる研究はほとんどない。
• フレームワーク・タイポロジー： マルチエージェント設計が支配的なパターン（約82%が完全実装）であり、役割ベースの専門化への移行を反映している。しかし、中央集権型オーケストレーションは依然として大部分が部分的（約57%）であり、エージェントはモジュール化されているものの、それらを管理する制御層はまだ十分に堅牢ではないことを示している。
• コアタスク： 情報中心のタスクである医学的質問回答（約57%が完全実装）やベンチマーキング（約80%が完全実装）は成熟度が高い。対照的に、アクション指向および発見タスクは大幅に遅れている。治療計画および処方が完全実装されているのは研究の約20%のみであり、創薬に至っては約18%である。

意義と主張
本論文は、その知見が、現在のLLMベースのエージェントが検索に基づいた助言と情報の合成に優れているという経験的ベースラインを提供していると主張している。しかし、初期段階の研究プロトタイプから信頼できる臨床システムへと移行するためには、より強力な適応、コンプライアンス・プラットフォーム、および安全性メカニズムが必要である。

著者らは、分野がモジュール設計と情報検索において大きな進歩を遂げている一方で、ドリフト検出、動的な知識更新、エラーリカバリ、および規制への適合における決定的なギャップが存続していることを強調している。これらの特定の非対称性に対処しない限り、高リスクな臨床環境へのこれらのエージェントの配備はリスクが高いと彼らは主張している。本論文は、将来の研究を、堅牢で安全かつ倫理的に責任あるエージェント開発へと導くための基礎的なリソースとして位置づけており、スケーラビリティやプロダクション規模のエンジニアリング上の課題は本稿の範囲外であることを明記している。