用于个性化健康检查解释和指导的多Agent大语言模型框架

健康检查结果的个性化解读需要跨纵向记录、医学知识、生活方式指导和医疗导航进行推理。我们提出了一个多Agent大语言模型（LLM）系统，该系统可以识别多个意图，将每个意图映射到特定于任务的Agent，并行执行它们，并综合它们的输出。我们使用综合健康检查记录，对结合了两到四个要求的 120 个韩语复合查询在单Agent和多Agent设置中生成的答案进行了比较。 Multi Agent 将 LLM 评审的加权分数从 1.695 提高到 1.797 (p = 0.027)，另外三位 LLM 评审也表现出一致的改进（$Δ$ = +0.111 到 +0.186，所有 p < 0.05）。收益来自于实用性、一致性以及对复合查询中每个要求的处理，而仅在四位评审之一的指导下，数值准确性和基础性就显着提高，医疗安全性没有差异，并且严重故障的发生率相似（单Agent 15.0% 与多Agent 13.3%）。在成对比较中，两名人类评估者更喜欢 Multi Agent，分别为 66.7% 和 68.3%。多Agent执行使延迟和成本分别增加了 1.31$\times$ 和 2.02$\times$。在探索性亚组分析中，改进集中在涉及个人记录查找的查询上。