D2MDT：部门意识多学科团队协商，以实现有效的临床预测

电子健康记录 (EHR) 是临床预测的核心，但现有方法要么依赖于相关性驱动的深度模型，要么使用单个 大语言模型 (LLM)，难以支持多学科临床推理。最近的多智能体系统 (MAS) 提供了一种有前途的替代方案，但当前基于 EHR 的 MAS 方法仍然存在跨智能体的证据差异薄弱和冗余的多轮交互的问题。我们提出 D2MDT，这是一种部门意识的多学科团队协商，旨在实现高效的临床预测。 D2MDT 首先构建结构化 EHR 证据和用于多代理咨询的咨询就绪语义证据。然后，它会将患者特定部门的观点分配给医生代理，并检索补充证据以进行协作咨询。为了提高效率，D2MDT 进一步引入了剩余审议，仅更新未解决的共识，而不是重播完整的讨论历史。最后，D2MDT 将精炼的共识报告与结构化 EHR 表示相融合以进行预测。死亡率预测实验表明，D2MDT 提高了预测性能和咨询效率。我们在线发布代码以简化本文的可重复性。