VentAgent：当 LLM 学会呼吸时——ARDS 通气的多目标仲裁

急性呼吸窘迫综合征 (ARDS) 的机械通气需要平衡相互竞争的生理目标，包括氧合、肺保护和酸碱稳态。然而，当前的数据驱动方法，尤其是那些模仿回顾性电子健康记录（EHR）的方法，经常遭受模仿偏差。他们可能从不一致的临床表现中捕捉到表面的相关性，例如将被动呼吸机设置与生存相关联，因为这种设置在稳定的患者中很常见，因此无法推广到不稳定或分布外的表型。标准强化学习（RL）方法还与重症监护的对抗性权衡作斗争，并且经常产生临床可解释性有限的不透明政策。为了解决这些限制，我们引入了 VentAgent，这是一个分层框架，其中 大语言模型 (LLM) 充当机械通气的透明仲裁器。我们将通风控制重新表述为动态多目标仲裁过程，而不是单目标优化。 VentAgent 将决策分解为三个可解释的阶段：感知、规划和编排。通过利用LLM的语义推理能力，它综合了异质专家的策略，并通过明确的协调机制解决了相互冲突的临床优先事项。对高保真生理模拟器的评估表明，VentAgent 的性能优于最先进的 RL 和经典控制基线。此外，它将控制决策转换为人类可读的推理链，为重症监护自动化提供更安全、更具可解释性和适应性的范例。