面向临床预测的开源权重LLM角色特化混合智能体（MoA）

大语言模型（LLM）越来越多地应用于临床预测任务，例如基于电子健康记录（EHR）预测院内死亡率和再入院。隐私与合规约束促使系统可本地部署，这增加了对开源权重多智能体设计的兴趣。然而，大多数医疗多智能体系统被作为一个整体评估，不清楚哪个智能体角色对预测有贡献，以及检索是否驱动了观察到的收益。我们研究一种角色特化的混合智能体（MoA），它结合医学知识检索与对比式相似患者推理。通过在保持检索设置不变的情况下改变角色设计，我们将主要效应定位到最终整合者。将大型开源权重分析师与小型开源权重整合者配对，在死亡率预测的F1上与闭源模型提示相当，同时标记出多得多的真高危患者。机制分析表明，角色分配直接产生高召回工作点而无需阈值调优。该效应依赖任务，对再入院收益较小，因为现有记录与这种更长周期的结果相关性弱。这些结果将角色设计定位为隐私约束、免训练临床LLM预测的关键因素。