本記事では、医療予測の精度向上を目指した新たなフレームワークGHAR（Generative Hierarchical Agentic Retrieval）を提案しています。医療現場では、医療情報の正確さが患者の治療結果や運営コストに大きく影響しますが、大規模言語モデル（LLMs）はその知識の信頼性に限界があるため、事実誤認が生じやすいです。従来のRAG（Retrieval-Augmented Generation）手法は、外部知識を取り入れることによってこの問題を緩和しようとしますが、医療分野特有の二つの課題、すなわちリトリーバルの必要性を特定することと、リトリーバーとジェネレーター間の協調を実現することに直面しています。GHARでは、二つのエージェントを持つアーキテクチャを採用し、一方は医師として、もう一方は参考情報をまとめるサービスとして機能します。これにより、正確な予測を支援しながら、それぞれの役割を明確に保つことを目指しています。実験結果は、医療システムの発展に向けた階層的エージェントRAGの可能性を示しています。