Yeawon Lee Xiaoyang Wang Christopher C. Yang

Abstract

Die präzise Interpretation klinischer Berichte ist für die Patientenversorgung entscheidend, doch die Komplexität dieser Aufzeichnungen macht eine Automatisierung herausfordernd. Obwohl große Sprachmodelle (Large Language Models, LLMs) vielversprechend erscheinen, können Ansätze mit einzelnen Modellen die notwendige Robustheit für hochriskante klinische Aufgaben fehlen. Wir stellen ein kooperatives Multi-Agenten-System (Multi-Agenten-System, MAS) vor, das ein klinisches Beratungsteam nachbildet, um diese Lücke zu schließen. Das System soll klinische Probleme identifizieren, indem es ausschließlich die Abschnitte „Subjectiv“ (S) und „Objektiv“ (O) von SOAP-Notizen analysiert, wodurch der diagnostische Schlussfolgerungsprozess nachgeahmt wird, bei dem rohe Daten zu einer klinischen Einschätzung verdichtet werden. Ein Manager-Agent koordiniert eine dynamisch zugewiesene Gruppe von Spezialisten-Agenten, die in einer hierarchischen, iterativen Debatte zusammenarbeiten, um eine Konsenslösung zu erreichen. Wir haben unser MAS anhand einer sorgfältig ausgewählten Datensammlung aus 420 Notizen aus dem MIMIC-III-Datensatz mit einem Einzel-Agenten-Standard verglichen. Die dynamische Konfiguration mit mehreren Agenten zeigte konsistent verbesserte Leistung bei der Erkennung von Herzinsuffizienz, akutem Nierenversagen und Sepsis. Eine qualitative Analyse der Agenten-Debatten zeigt, dass diese Struktur widersprüchliche Beweise effektiv hervorhebt und bewertet, obwohl sie gelegentlich der Gefahr des Gruppendenkens ausgesetzt ist. Durch die Nachbildung des klinischen Team-Reasoning-Prozesses eröffnet unser System einen vielversprechenden Ansatz für genauere, robuster und interpretierbare Werkzeuge zur klinischen Entscheidungsunterstützung.