📖标题：ColaCare: Enhancing Electronic Health Record Modeling through Large Language Model-Driven Multi-Agent Collaboration
🌐来源：arXiv, 2410.02551

摘要

🔸我们介绍了ColaCare，这是一个通过大型语言模型（LLM）驱动的多代理协作来增强电子健康记录（EHR）建模的框架。我们的方法将特定领域的专家模型与LLM无缝集成，以弥合结构化EHR数据和基于文本的推理之间的差距。受临床咨询的启发，ColaCare采用了两种类型的代理：DoctorAgent和MetaAgent，它们协同分析患者数据。专家模型从数值EHR数据中处理和生成预测，而LLM代理在协作咨询框架内生成推理参考和决策报告。我们还将默克诊断和治疗手册（MSD）医疗指南纳入检索增强生成（RAG）模块，以获得权威证据支持。
🔸在四个不同的EHR数据集上进行的广泛实验表明，ColaCare在死亡率预测任务中表现出色，突显了其彻底改变临床决策支持系统和推进个性化精准医疗的潜力。代码、完整的提示模板、更多案例研究等可通过匿名链接公开获取：https://colacare.netlify.app/.

🛎️文章简介

🔸研究问题：现有电子健康记录（EHR）建模方法在处理复杂、定量医疗任务时缺乏结构化数据整合和外部知识注入，且可解释性不足。
🔸主要贡献：论文提出了ColaCare框架，通过结合领域专家模型和大语言模型（LLM），增强了EHR建模的可解释性和预测能力。

📝重点思路

🔺相关工作

🔸LLM在医疗任务：当前在医学问答、证据总结方面表现出色，并且在相关考试中优于专业学生，但在EHR数据上依旧不如传统深度学习方法，并且存在幻觉。
🔸LLM驱动的智能体系统：不同角色的多智能体协作并利用外部工具，已经在医学领域引起了越来越多的关注，包括对抗性协作的辩论与谈判，构建冲突关系图并采用形式演绎等。

🔺论文方案

🔸多智能体协作框架：由医生智能体和元医生智能体协作，医生智能体提供初始诊断意见，元医生智能体汇总分析意见后决定是否需要进一步讨论。通过投票和形式推理来生成诊断结论，并构建冲突关系图。
🔸外部知识注入：通过检索增强生成（RAG）技术，将外部知识注入到EHR建模过程中，使得模型不仅依赖于结构化EHR数据，还确保预测基于外部医学知识。
。
🔸多视角临床决策证据增强：结合传统EHR建模方法（如AdaCare、ConCare等）和LLM驱动的智能体，增强EHR建模过程的多视角临床决策证据。

🔎分析总结

🔸总体性能：ColaCare在所有数据集上的表现均优于所有基线模型，特别是在AUPRC指标上表现尤为突出，表明其在临床决策场景中的实际应用潜力。
🔸可解释性：ColaCare在提供可解释性见解方面的能力，能够为预测结果提供证据线索。
🔸成本分析：ColaCare框架在实际临床设置中的计算成本是经济可行的。
🔸敏感性分析：框架对智能体数量的变化具有一定的鲁棒性。

💡个人观点

论文的核心是多智能体协作，并利用外部信息来优化分析结果。

附录