Os modelos básicos são promissores na medicina, especialmente no auxílio a tarefas complexas, como a tomada de decisões médicas (MDM). O MDM é um processo complexo que exige que os médicos analisem diversas fontes de dados – como imagens, registros eletrônicos de saúde e informações genéticas – enquanto se adaptam às novas pesquisas médicas. Os LLMs podem apoiar o MDM integrando dados clínicos e permitindo o raciocínio probabilístico e causal. No entanto, a implementação de LLMs nos cuidados de saúde continua a ser um desafio devido à necessidade de abordagens flexíveis e multidisciplinares. Embora os LLMs multiagentes demonstrem potencial em outros campos, seu desenho atual não inclui a tomada de decisões integrada e multidisciplinar necessária para um uso clínico eficaz.
Os LLMs são cada vez mais utilizados em profissões médicas, como responder perguntas de exames médicos, prever riscos clínicos, fazer diagnósticos, gerar relatórios e criar testes psicológicos. O desenvolvimento de LLMs médicos vem principalmente do treinamento com dados especializados ou do uso de métodos de tempo preditivo, como engenharia rápida e geração aumentada de recuperação (RAG). Modelos de uso geral, como o GPT-4, apresentam bom desempenho em benchmarks clínicos usando comandos avançados. As estruturas multiagentes melhoram a precisão, com agentes colaborando ou adversários para resolver tarefas complexas. No entanto, as estruturas estáticas existentes podem limitar o desempenho em uma variedade de tarefas, portanto, uma abordagem flexível e multiagente pode apoiar melhor decisões médicas complexas.
O MIT, o Google Research e o Hospital Universitário Nacional de Seul desenvolveram Agentes de Tomada de Decisão Médica (MDAgents), uma estrutura multiagente projetada para alocar dinamicamente a colaboração entre LLMs com base na complexidade do trabalho médico, simulando a tomada de decisão médica do mundo real. Os agentes MDA escolhem com flexibilidade colaborações individuais ou em grupo que se adequam a tarefas específicas, funcionando bem em uma variedade de dimensões terapêuticas. Superou os métodos anteriores em 7 dos 10 benchmarks, alcançando uma melhoria de precisão de até 4,2%. As principais etapas incluem avaliar a complexidade da tarefa, selecionar agentes apropriados e agregar respostas, com a revisão em grupo melhorando a precisão em 11,8%. Os MDAgents também medem a eficiência e a eficácia ajustando o uso do agente.
A estrutura do MDAgents é construída em torno de quatro etapas importantes na tomada de decisões médicas. Começa avaliando a complexidade da questão médica – categorizando-a como baixa, média ou alta. Com base nesta avaliação, são contratados especialistas adequados: um único clínico em casos simples ou uma equipa multidisciplinar complexa. A fase de análise utiliza então diferentes métodos com base na complexidade do caso, desde avaliações individuais até entrevistas conjuntas. Finalmente, o sistema agrega todos os dados para tomar uma decisão definitiva, com resultados precisos que mostram a eficácia dos MDAgents em comparação com configurações de agente único e outras configurações multiagentes em benchmarks clínicos.
O estudo examina a estrutura e os modelos subjacentes em vários benchmarks clínicos em condições individuais, de grupo e dinâmicas, demonstrando robustez e eficácia notáveis. O método adaptativo, MDAgents, ajusta com sucesso as suposições com base na complexidade da tarefa e supera consistentemente outras configurações em sete entre dez benchmarks. Pesquisadores que examinaram conjuntos de dados como MedQA e Path-VQA descobriram que a seleção de variáveis complexas melhora a precisão da decisão. Ao combinar o MedRAG com a revisão do moderador, a precisão melhora em até 11,8%. Além disso, a robustez da estrutura a todas as alterações de parâmetros, incluindo ajustes de temperatura, destaca a sua adaptabilidade a tarefas complexas de tomada de decisões médicas.
Concluindo, o estudo apresenta MDAgents, uma estrutura que aprimora o papel dos LLMs na tomada de decisões médicas, organizando suas interações com base na complexidade da tarefa. Motivados pela dinâmica da consulta clínica, os MDAgents atribuem LLMs para trabalhos individuais ou em grupo conforme necessário, visando melhorar a precisão diagnóstica. Os testes em todas as dez medidas médicas mostram que os agentes MDA apresentam melhor desempenho do que outros métodos em sete tarefas, com um ganho de precisão de até 4,2% (p.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[Sponsorship Opportunity with us] Promova sua pesquisa/produto/webinar para mais de 1 milhão de leitores mensais e mais de 500 mil membros da comunidade
Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a interseção entre IA e soluções da vida real.
Ouça nossos podcasts e vídeos de pesquisa de IA mais recentes aqui ➡️
