臨床コホートの構築では、適格基準が変わるたびにフィルタ条件を調整する必要がある。従来のアプローチは、ユーザーが一度修正を加えると仕様全体を再生成し、すべての計算をやり直す傾向があり、その大半の条件は実際には変更されていない。arXiv 論文「CohortFlow: A Steerable Clinical Cohort Curation Agent with Localized Semantic Correction」は、ユーザーの自然言語による修正を、全体の書き直しではなく構造化されたコホート仕様への局所的な更新として扱う、制御可能なエージェントの枠組みを提案している。
本論文は Neil Chen 氏と他 5 名の共著者によるもので、cs.AI に分類され、arXiv:2610.36100 として 2026 年 10 月 26 日に投稿された。CohortFlow は構造化されたコホート仕様と、永続的な実行グラフを維持する。ユーザーが自然言語で修正を指示すると、エージェントはそれを仕様内の特定フィールドへのピンポイントな変更として解釈し、実行グラフ上の既存ノードと対応付ける。意味的依存関係が明示的に記録されているため、影響を受ける計算だけを無効化でき、影響を受けない既存の結果は有効なまま保持される。
評価は、臨床試験の適格基準から導出した 100 のシナリオと、計 126 の修正ターンで行われた。同一の 8B モデルを用いた場合、局所的なステアリングは要件レベルの micro-F1 で 77.0% を達成し、完全再生成の 76.4% をわずかに上回った。ただし著者らは、この差は統計的に有意ではない（p=0.493）と明言しており、精度の優位性は本手法の主な利点ではない。
効率面の効果はより明確である。コホート構築完了後の修正では、局所的ステアリングにより平均修正レイテンシが 64.8% 削減され、実行中の修正でも 44.3% 削減された。さらにモデル呼び出し回数は 38.1% 減少した。必要な部分だけを再計算することで、要件レベルの精度を保ちながら対話コストを大幅に下げられることを示している。
論文はさらに、MIMIC を用いた独立した概念実証評価を報告している。この評価では 13 のコホート状態すべてが正常に実行され、修正の軌跡も期待どおりの挙動を示した。すなわち、影響を受けない中間計算は選択的に保持され、変更されたノードや変更に依存するノードだけが再計算された。
総じて著者らは、局所的な意味的ステアリングが修正レイテンシとモデル呼び出しを大幅に削減しつつ、要件レベルの高い精度を維持できると結論づけている。この手法の意義は、修正を全体の作り直しから実行グラフへのピンポイントな更新へと変える点にあり、条件を頻繁に調整する必要がある臨床コホート選定の現場に対して、より効率的な対話パラダイムを提供する。ただし精度向上は限定的で有意ではないため、より大規模かつ多様なデータ源での汎化性能の検証が今後の課題として残る。