Zespół badawczy opracował CohortFlow - system agentowy do automatycznego wybierania pacjentów do badań klinicznych, który inteligentnie obsługuje zmiany w kryteriach włączenia bez konieczności ponownego przetwarzania całych wymagań. W praktyce oznacza to, że gdy ktoś zmieni jeden warunek w protokole badania, system musi przeliczyć tylko to, co jest przez tę zmianę bezpośrednio dotknięte.
Klucz do wydajności CohortFlow tkwi w jawnym śledzeniu zależności semantycznych między poszczególnymi warunkami i obliczeniami. System zapisuje te powiązania w strukturze zwanej grafem wykonania, co pozwala mu selektywnie unieważniać tylko te części, które faktycznie zostały zmienione lub zależą od zmian. Na zbiorze 100 scenariuszów opartych na rzeczywistych kryteriach badań klinicznych z 126 turami korekt, podejście lokalne osiągnęło 77,0% w metryce micro-F1, zaledwie minimalnie poniżej pełnej regeneracji (76,4%), ale z dramatycznie mniejszym kosztem obliczeniowym.
Wyniki pokazują praktyczne znaczenie: średni czas korekcji spadł o 64,8% po zakończeniu oraz o 44,3% podczas wykonywania, a liczba wywołań modelu zmniejszyła się o 38,1%. Potwierdzenie w danych z bazy MIMIC wykazało, że wszystkie 13 stanów kohorty wykonało się pomyślnie, a trajektorie korekt pokazały selektywne zachowanie nienaruszonej struktury obliczeniowej. CohortFlow otwiera perspektywę na bardziej efektywne wykorzystanie modeli języka w medycynie, gdzie szybka adaptacja do zmian protokołów badawczych ma zarówno znaczenie ekonomiczne, jak i naukowe.