论文
FedEHR-Agents：自动化 EHR 建模的联合代理优化
FedEHR-Agents: Federated Agentic Optimization for Automated EHR Modeling
摘要
大语言模型 的最新进展使自主临床代理能够执行日益复杂的电子健康记录 (EHR) 建模工作流程。然而，部署在各个医院的代理仍然受到机构特定数据和建模环境的限制，而直接的跨医院协作则受到患者级 EHR 数据敏感性的限制。尽管联邦学习（FL）为隐私保护协作提供了天然的基础，但现有方法仍然主要以模型为中心，将联邦限制为预测模型或其更新，同时忽视了自主代理积累的更丰富的建模经验。为了解决这一限制，我们提出了 FedEHR-Agents，这是一种以体验为中心的联合代理优化框架，用于自动化 EHR 建模。每家医院都部署一个自主临床 EHR 代理，执行数据预处理和模型开发，同时通过历史记忆、特定任务评估和基于 TextGrad 的提示细化来完善本地临床建模经验。联合服务器执行证据引导的经验聚合，以集成跨异构医院的可靠且互补的建模经验，并将聚合的经验提炼为全局元提示，以供后续本地细化。对现实世界多医院 EHR 基准的大量实验表明，FedEHR-Agents 在不同的临床预测任务中始终优于本地和联邦基线，并且在不同的联邦规模和 LLM 主干中保持稳健。这些结果将临床建模经验确立为超越传统以参数为中心的 FL 的有前景的协作对象，并指向联合自主临床智能。