CARE：証拠の不一致に対応するプライバシー準拠のエージェント的推論
arXiv cs.CL / 2026/4/3
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、患者の症状が医学的徴候と矛盾する医療ケースを用いて、証拠が内部的に不整合な状況においてLLMシステムが重大な意思決定の場でどのように劣化するかを研究する。
- MIMIC-IV から派生した、新しい ICU 短期（short-horizon）の臓器機能不全悪化予測データセットである MIMIC-DOS を導入し、徴候と症状の不一致に特化して作成する。
- 著者らは CARE を提案する。CARE は、多段階のプライバシー準拠エージェント的推論フレームワークであり、役割を分離する。遠隔の LLM は機微な患者データを見ずに、構造化された推論の足場（scaffold）を生成する。一方でローカルの LLM は、それを用いて証拠の獲得と最終判断を行う。
- 実験の結果、CARE は複数のベースライン手法（単一パスの LLM や他のエージェント型パイプラインを含む）よりも重要な指標で優れており、プライバシー制約を維持したまま、臨床的な証拠の衝突に対する頑健性が向上することを示す。
