AgentMD：通过大规模临床工具学习赋能风险预测的语言代理
计算与语言
2024-02-21 v1 人工智能
摘要
临床计算器在 healthcare 中发挥着重要作用，提供准确的证据基础预测，用于各种目的如预后评估。然而，其广泛采用常受 usability 挑战、传播不足、功能受限的阻碍。将大型语言模型与广泛的临床计算器集合相整合，为克服这些障碍并提高工作流程效率提供了机会，但手动 curate 过程的可扩展性构成了重大挑战。为此，我们引入 AgentMD，一种能够在各种临床情境中 curate 和应用临床计算器的语言代理。基于已发布文献，AgentMD 自动 curate 了 2,164 个多样化临床计算器，包含可执行功能和结构化文档，统称为 RiskCalcs。手动评估表明，RiskCalcs 工具在三个质量指标上准确率超过 80%。在推理时，AgentMD 可在给定任何患者描述后自动选择并应用相关的 RiskCalcs 工具。在新建立的 RiskQA 数据集上，AgentMD 在链式思考式 GPT-4 提示下显著优于表现，准确率为 87.7% vs. 40.9%。此外，我们还将 AgentMD 应用于真实临床笔记，用于分析人群层面和风险层面的患者特征。总之，我们的研究说明了增强临床计算器以服务于 healthcare analytics 和患者护理的语言代理的实用性。
引用
@article{arxiv.2402.13225,
title = {AgentMD: Empowering Language Agents for Risk Prediction with Large-Scale Clinical Tool Learning},
author = {Qiao Jin and Zhizheng Wang and Yifan Yang and Qingqing Zhu and Donald Wright and Thomas Huang and W John Wilbur and Zhe He and Andrew Taylor and Qingyu Chen and Zhiyong Lu},
journal= {arXiv preprint arXiv:2402.13225},
year = {2024}
}
备注
Work in progress