CDR-Agent：使用大型语言模型智能体智能选择与执行临床决策规则
机器学习
2025-12-01 v2
摘要
临床决策本质上复杂且节奏快，尤其是在急诊科，需要做出关键、快速且高风险的决策。临床决策规则是标准化的循证工具，将体征、症状和临床变量结合到决策树中，以做出一致且准确的诊断。CDR 的使用常因临床医生的认知负荷而受阻，限制了他们快速回忆和应用适当规则的能力。我们引入了 CDR-Agent，这是一个新颖的基于 LLM 的系统，旨在通过基于非结构化临床笔记自主识别并应用最合适的 CDR 来增强 ED 决策。为验证 CDR-Agent，我们精心构建了两个新颖的 ED 数据集：合成数据集和 CDR-Bench，尽管 CDR-Agent 也适用于非 ED 诊所。在 CDR 选择方面，CDR-Agent 相对于独立的 LLM 基线分别实现了 56.3%（合成）和 8.7%（CDR-Bench）的准确率提升。此外，CDR-Agent 显著降低了计算开销。利用这些数据集，我们证明了 CDR-Agent 不仅能高效选择相关的 CDR，还能通过在成功识别大多数阳性确诊病例的同时尽量减少不必要的干预，做出谨慎而有效的影像决策，优于传统的 LLM 提示方法。我们的工作代码可在以下网址找到：https://github.com/zhenxianglance/medagent-cdr-agent
引用
@article{arxiv.2505.23055,
title = {CDR-Agent: Intelligent Selection and Execution of Clinical Decision Rules Using Large Language Model Agents},
author = {Zhen Xiang and Aliyah R. Hsu and Austin V. Zane and Aaron E. Kornblith and Margaret J. Lin-Martore and Jasmanpreet C. Kaur and Vasuda M. Dokiparthi and Bo Li and Bin Yu},
journal= {arXiv preprint arXiv:2505.23055},
year = {2025}
}