MA-RAG：多智能体检索增强生成，用于纵向帕金森病评估的查询驱动总结

帕金森病的单次就诊和纵向临床评估的准确解释非常耗时，并且通常取决于专业知识。尽管 大语言模型 (LLM) 可以生成自然语言摘要，但它们经常缺乏特定领域的临床基础，并且难以为结构化纵向评估数据生成事实上正确且时间一致的响应。为了解决这些限制，我们提出了 MA-RAG，一种查询驱动的多智能体检索增强生成框架，它将临床推理分解为领域专用智能体，结合结构化事实提取，并通过最终验证阶段合成基于临床的摘要。该框架支持四种临床分析任务：单次分析、轨迹分析、比较和队列总结。我们使用客观指标（即事实精度、幻觉率、时间保真度和语义相似性）以及临床专家进行的主观评估来评估 MA-RAG。与传统、仅 RAG 和单代理 RAG 基线相比，MA-RAG 显着提高了事实正确性，事实精度相对提高了 122%（从 0.436 到 0.990），幻觉率降低了 98%（从 0.564 到 0.010），同时始终获得临床专家在组织和临床实用性方面的最高评级。这些结果表明，领域专业的多主体推理能够对结构化纵向临床评估数据进行可靠的查询驱动总结。