Der Aufstieg großer Sprachmodelle (Large Language Models, LLMs) hat die Entwicklung spezialisierter KI-Agenten ermöglicht, die fachgebietsspezifische Denk- und Interaktionsfähigkeiten aufweisen, insbesondere im Gesundheitswesen. Obwohl aktuelle Frameworks medizinisches Entscheidungsfinden simulieren, konzentrieren sie sich weitgehend auf einstufige Aufgaben, bei denen ein Arztagent von vornherein vollständige Fallinformationen erhält – was vom realen Diagnoseprozess abweicht, der intrinsisch unsicher, interaktiv und iterativ ist. In dieser Arbeit stellen wir MIMIC-Patient vor, einen strukturierten Datensatz, der aus den MIMIC-III elektronischen Patientenakten (EPRs) erstellt wurde und zur Unterstützung dynamischer, patientenzentrierter Simulationen entwickelt wurde. Aufbauend darauf schlagen wir DynamiCare vor, ein neues dynamisches Mehragenten-Framework, das klinisches Diagnostizieren als mehrstufige, interaktive Schleife modelliert. Dabei fragt ein Team von Spezialisten-Agenten das Patientensystem iterativ ab, integriert neue Informationen und passt seine Zusammensetzung und Strategie dynamisch an. Wir demonstrieren die Machbarkeit und Effektivität von DynamiCare durch umfangreiche Experimente und legen damit den ersten Benchmark für dynamisches klinisches Entscheidungsfinden mit LLM-gestützten Agenten fest.