用于结构化临床数据分析的大语言模型：双Agent基础和验证

目标：开发并表征 CLEAR-Med，这是一种用于结构化临床数据自然语言分析的双Agent框架，它将基于 SQL 的调用与独立验证分开。方法：CLEAR-Med 使用一个Agent将问题转换为可执行的结构化查询语言 (SQL)，保留执行的查询和数据库结果，并生成草稿。然后，确定性检查和单独调用的跨提供商验证Agent接受草稿、请求一次有界修复或弃权。我们将该系统形式化为有界选择性管道，并使用包含 532 个去识别化婴儿记录和大约 1,300 个变量的统一 21 站点新生儿缺氧缺血性脑病表，评估了 CLEAR-Med 的配置和可扩展性，以及调用Agent在 25 个查询开发基准上的准确性和一致性。结果：CLEAR-Med 完成了所有六种标称可扩展性配置，包括 500x1300。在重复五次的 25 个开发基准查询中，调用Agent正确回答了 125 个响应中的 83 个（66.4%；查询集群引导 95% CI，48.0-83.2%），相比之下，对于未grounding的 ChatGPT 基线，125 个响应中有 15 个响应正确（12.0%；95% CI，3.2-22.4%），成对提高了 54.4% points (95% CI, 36.8-72.0%).结论：CLEAR-Med 为结构化临床数据的可追溯分析提供了一个通用架构：数字索赔仍然与执行的 SQL 相关联，未解决的案例可能无法关闭。报告的实验表征了 CLEAR-Med 的配置和可扩展性以及调用Agent的准确性，而形式分析则建立了完整控制流的编码属性保证；这项工作的下一阶段是对验证和弃权阶段进行前瞻性全流程评估。