[論文レビュー] VitalDiagnosis: AI-Driven Ecosystem for 24/7 Vital Monitoring and Chronic Disease Management

Zhikai Xue, Tianqianjin Lin+5 more|arXiv (Cornell University)|Jan 22, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

VitalDiagnosisは、LLM駆動のエコシステムを通じてウェアラブルデータとUnified Memory Coreを統合し、リアルタイムのトリアージと定型遵守サポートを通じた proactive, interactive chronic disease management を実現します。

ABSTRACT

Chronic diseases have become the leading cause of death worldwide, a challenge intensified by strained medical resources and an aging population. Individually, patients often struggle to interpret early signs of deterioration or maintain adherence to care plans. In this paper, we introduce VitalDiagnosis, an LLM-driven ecosystem designed to shift chronic disease management from passive monitoring to proactive, interactive engagement. By integrating continuous data from wearable devices with the reasoning capabilities of LLMs, the system addresses both acute health anomalies and routine adherence. It analyzes triggers through context-aware inquiries, produces provisional insights within a collaborative patient-clinician workflow, and offers personalized guidance. This approach aims to promote a more proactive and cooperative care paradigm, with the potential to enhance patient self-management and reduce avoidable clinical workload.

研究の動機と目的

• 慢性疾患の増大する負担を、受動的なモニタリングではなく積極的な関与を通じて軽減する。
• 異常を文脈化し遵守を支援する対話型の患者–医師ワークフローを構築する。
• 臨床コンテキストを維持し個別化ガイダンスを提供するメモリ拡張アーキテクチャを活用する。
• アウトライヤーのリアルタイムトリアージと積極的な日常管理のデュアル・トラックなフレームワークを実証する。

提案手法

• 中心となるMemory MiniLLMと永続的な医療知識およびLoRAを介したパラメトリックメモリを組み合わせた Unified Memory Core アーキテクチャを導入する。
• 軽量なMonitoring MiniLLM（1.7B）を用いて多 modality のウェアラブルデータを医師が読めるナラティブに解釈する。
• 規則ベースの閾値とモデル推論を用いたEvent Trigger Detectorを実装し、異常と日常的チェックを特定する。
• LoRAで適応させたDomain LLM（14B）を用いてアウトライヤーと日常管理の文脈を意識した臨床的質問を行う。
• provisionalな臨床応答を生成し、ハイリスク項目はレビューを必要とする階層的承認ワークフローを適用する。
• 全ての相互作用と結果をメモリに更新するDual-Channel Coordinatorを介して通信を調整する。

Figure 1: The framework and interfaces of the VitalDiagnosis ecosystem.

実験結果

リサーチクエスチョン

• RQ1 ウェアラブルとLLMベースの推論を効果的に統合して積極的な慢性疾患マネジメントを支援するにはどうすれば良いか。
• RQ2 デュアル・トラックのフレームワーク（対話型トリアージと積極的遵守）が患者のセルフマネジメントと医師の負荷軽減に寄与するか。
• RQ3 個別化ガイダンスのために臨床コンテキストを長期に維持する最適なメモリアーキテクチャはMemory MiniLLMとLoRAベースのパラメトリックメモリか。
• RQ4 このようなエコシステムの訓練・検証における医師が注釈を付けたデータセットの役割は何か。
• RQ5 提案されたワークフローは医療機関と現実世界のパイロット運用でどのように機能するか。

主な発見

• 本論文は、予防的慢性ケアのための専門化したLLMのエコシステムとしてVitalDiagnosisを提示する。
• Memory MiniLLMとLoRAモジュールを介して医療知識と患者データを統合するUnified Memory Coreを説明する。
• 異常の対話型トリアージと積極的な日常遵守モニタリングというデュアル・トラックのワークフローを概説する。
• Monitoring MiniLLM、Event Trigger Detector、臨床的問合せ用Domain LLM、暫定的意思決定者、Dual-Channel Coordinatorを含む多要素パイプラインを明示する。
• 現在進行中のパイロット研究と臨床医注釈付きデータセットを公開する計画に言及する。