技術概要：VitalAgent

問題定義

ウェアラブルデバイス（ECG/PPG）を活用する現在のモバイルヘルス（mHealth）システムは、連続的な生理学的ストリームを実用的な洞察に変換する際に重大な限界に直面しています。既存のアプローチは、通常、信号を定義済みの出力（例：睡眠段階、不整脈検出）にマッピングするタスク固有のパイプラインに依存するか、静的で事前に計算されたテキスト要約上で動作する大規模言語モデル（LLM）を使用しています。これらのシステムには、以下の能力が欠如しています：

1. 時間的推論のサポート：長期の履歴にわたる検索、時間的比較、集約を必要とする自然言語クエリ（例：「最近、安静時心拍数は増加しましたか？」）への対応が困難です。
2. 永続的コンテキストの維持：生信号への直接アクセスが欠如しているため、オンデマンドでパーソナライズされた証拠を確実に計算したり、相互作用全体にわたって監視コンテキストを維持したりすることができません。
3. 能動的監視の実現：先行研究は主に受動的であり、ユーザーのクエリへの応答に限定されていますが、現実世界のシステムでは、関連するアラートを表面化するために状態変化の継続的な追跡が必要です。

手法：VitalAgent フレームワーク

著者らは、ECG および PPG に基づく生理学的監視のために設計された、統合されたツール拡張型エージェントフレームワークであるVitalAgentを提案します。これは、3 つの中核コンポーネントを通じて、反応型質問応答（QA）と能動的監視を統合します：

1. 生理学的メモリ

VitalAgent は、生信号ウィンドウ（$x_{<t}$）、ストリーミング健康状態トラッカー（$s_{<t}$）、および能動的アラート記録（$e_{<t}$）のタプルとして定義される、コンパクトで時間的なメモリ（$M_t$）を維持します。

• 生信号：時間インデックス付きの ECG/PPG ウィンドウを格納します。
• 導出状態：心拍数、拍動間隔、変動性指標、信号品質スコア、リズムラベルなどの計算済み特徴量を含みます。
• アラート履歴：トリガーされたアラート、ルール、およびその根拠を格納し、フォローアップクエリをサポートします。
• 更新メカニズム：メモリは、新しい信号、統計、アラートが到着するたびに継続的に更新され、システムが反応モードと能動モードの両方のコンテキストを保持できるようにします。

2. 統合推論層

ポリシーインターフェース（$\Pi$）は、LLM ベースのプランナー、証拠検証モジュール、および応答ジェネレーターを使用して、エージェントの動作を調整します。

• 反応モード：ユーザーのクエリによってトリガーされます。プランナーはクエリと現在のメモリに基づいてツールを選択し、信号を取得して分析を実行し、回答を生成します。
• 能動モード：ストリーミング生理学的更新によってトリガーされます。システムは固定長（10 秒）の非重複ウィンドウを処理し、測定値を抽出してアラート基準（極度の徐脈、極度/持続的な頻脈）を評価します。見落としを減らすため、LLM ベースのジャッジは 20 ウィンドウごとに実行されます。
• 検証と再計画：システムは、計画の完全性、ツールの成功、出力フィールドの存在、およびツール間の整合性という 4 つの次元で証拠を検証します。検証が失敗した場合、システムはフィードバックを伴う LLM の再プロンプトによって再計画します。

3. 構造化ツールインターフェース

VitalAgent は、事前計算された統計に依存するのではなく、生信号上で動的に計算を可能にする 5 つの機能グループに分類された29 のモジュール型ツールのレジストリを利用します：

• 信号分析ツール（13）：生ウィンドウ上の決定論的計算（例：analyze_heart_rate、ecg_diagnosis）。
• データ固有処理ツール（3）：データセット間の異質性（正規化、ウィンドウ整列など）を処理します。
• 記録検索ツール（6）：メタデータアクセスと記録の列挙。
• 能動コンテキストツール（5）：格納されたアラート記録と説明の取得。
• 医学知識ツール（2）：外部の生物医学知識（MedlinePlus、PubMed）へのアクセス。

主要な貢献

1. VitalAgent フレームワーク：共有メモリと動的なツール呼び出しを通じて、反応型 QA と能動的監視を統合する、新規のエージェント型 mHealth システム。
2. VitalBench データセット：反応型および能動評価の両方のために ECG と PPG データを統合した、初の縦断的ベンチマーク。以下から構成されます：
   • 1,862 の QA ペア：ティア A（ウィンドウローカル、瞬間的）とティア B（縦断的、時間的集約が必要）に分類。
   • 90.2 時間の連続記録：心臓、活動、ストレスのドメインをカバーする 4 つのデータセット（Icentia11k、AF-PPG-ECG、PPG-DaLiA、WESAD）から取得。
3. 実証的検証：動的なツールの使用と長期的なメモリが、既存のベースラインを大幅に上回ることを実証。

実験結果

反応型質問応答

「リークフリー」設定（モデルが生信号から特徴量を導出しなければならない環境）の VitalBench 上で評価：

• 性能：VitalAgent は、ティア A で全体精度0.860、ティア B で0.557を達成しました。
• 比較：最も強力な信号派生ベースライン（LifeAgent*）を、ティア A で31.5%、ティア B で**25.7%**上回りました。また、プロンプトベースのベースライン（Health-LLM）や ReAct スタイルのエージェント（PHIA）とも有意に上回りました。
• アブレーション：セマンティックプランナーを除去すると精度が大幅に低下しました（例：ティア A の全体精度は 0.860 から 0.701 に低下）。これは、クエリ依存のツール選択が重要であることを浮き彫りにしました。検証および再計画モジュールは限定的な改善（<1.2%）をもたらしましたが、エッジケースのための安全装置として機能しました。
• エラー分析：失敗の主な原因は、ツール選択エラーではなく、回答の不一致（75.4%）でした。一般的なエラーには、複雑な数値推論（例：ピーク心拍数の特定）や、ウィンドウローカルクエリと縦断的クエリの区別が含まれていました。

能動的監視

• アラート動作：ルールベースの検出に LLM ジャッジを追加することで、中央アラート遅延を220 秒から 105 秒に短縮しましたが、誤アラート率（FAR/h）は 1.81 から 2.95 に増加し、迅速性とアラート負担の間のトレードオフを示しました。
• リズム分類：ECG および PPG モダリティ全体で、ウィンドウごとの AF リズム分類において、バランス精度66.7%、感度**75.5%**を達成しました。

意義と主張

本論文は、VitalAgent が、継続的監視と対話的推論を統合するエージェント型ヘルスシステムへの一歩を表すと主張しています。その意義は以下の点にあります：

• 動的ツール使用：生信号上のクエリ依存の生理学的推論のためにツールを動的に選択することが、事前計算された特徴量や静的な要約に依存することよりも優れていることを実証。
• 長期的コンテキスト：複雑な時間的質問への回答と、信頼性の高い能動アラートの両方にとって、縦断的生理学的メモリが必要であることを強調。
• アーキテクチャプロトコル：このフレームワークは、生データがデバイス上に留まり、LLM がセンサーデータに直接アクセスするのではなく、モジュール型生理演算子を調整する、新興のモデルコンテキストプロトコル（MCP）アーキテクチャと互換性があるように設計されています。

著者らは、ECG/PPG モダリティへの焦点、能動トリガーのための定義済みルールへの依存、制御されたベンチマークデータセットでの評価（騒ぎのある実世界展開ではなく）といった限界を認めています。彼らは VitalAgent を診断システムではなく、意思決定支援ツールとして位置づけています。