Development of a Large Language Model-based Multi-Agent Clinical Decision Support System for Korean Triage and Acuity Scale (KTAS)-Based Triage and Treatment Planning in Emergency Departments

📄 arXiv: 2408.07531v2 📥 PDF

作者: Seungjun Han, Wongyung Choi

分类: cs.AI, cs.CL, cs.LG

发布日期: 2024-08-14 (更新: 2024-08-27)

💡 一句话要点

构建基于LLM的多智能体临床决策支持系统，提升急诊科KTAS分诊和治疗规划。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 临床决策支持系统 多智能体系统 急诊科 分诊 治疗规划 Llama-3 KTAS

📋 核心要点

  1. 急诊科面临人满为患和快速决策的挑战，现有临床决策支持系统在分诊准确性方面存在提升空间。
  2. 利用Llama-3-70b构建多智能体系统，模拟急诊科不同角色，集成KTAS和RxNorm API，辅助分诊和治疗规划。
  3. 实验表明，该系统在分诊决策、诊断、治疗计划等方面表现出高准确性，有潜力改善急诊护理管理。

📝 摘要（中文）

本研究旨在解决全球医疗系统面临的急诊科（ED）拥挤和危重护理环境中快速决策的复杂性问题。论文提出了一种基于大型语言模型（LLM）的临床决策支持系统（CDSS），旨在提高分诊准确性和临床决策水平。该系统利用Llama-3-70b作为基础LLM，并由CrewAI和Langchain进行编排，构建了一个多智能体CDSS，模拟了急诊科的关键角色：分诊护士、急诊医生、药剂师和急诊科协调员。该系统集成了韩国分诊和急诊等级量表（KTAS）进行分诊评估，并与RxNorm API集成以进行药物管理。使用Asclepius数据集对模型进行了评估，并由临床急诊医学专家评估了性能。结果表明，与单智能体系统相比，该CDSS在分诊决策方面表现出很高的准确性，并在主要诊断、关键发现识别、处置决策、治疗计划和资源分配等关键领域表现出强大的性能。该多智能体CDSS展示了支持全面急诊护理管理的巨大潜力，为未来研究和临床实施提供了一个有希望的方向。

🔬 方法详解

问题定义：论文旨在解决急诊科（ED）面临的患者拥堵和快速决策的挑战。现有临床决策支持系统（CDSS）在处理复杂病例和提供全面支持方面存在不足，尤其是在分诊准确性和治疗规划方面。现有的单智能体系统无法充分模拟急诊科的协作环境，导致决策效率和准确性受限。

核心思路：论文的核心思路是构建一个基于大型语言模型（LLM）的多智能体CDSS，模拟急诊科不同角色的协作，从而提高分诊准确性和治疗规划的效率。通过将LLM与专业知识库（KTAS、RxNorm）集成，系统能够提供更全面、更准确的决策支持。多智能体架构旨在模拟真实急诊科的协作流程，提高决策的可靠性和效率。

技术框架：该CDSS的技术框架包括以下几个主要模块：1) 基础LLM：使用Llama-3-70b作为基础模型，提供强大的自然语言处理能力。2) 多智能体编排：利用CrewAI和Langchain框架，构建和管理多个AI智能体，包括分诊护士、急诊医生、药剂师和急诊科协调员。3) 知识库集成：集成韩国分诊和急诊等级量表（KTAS）用于分诊评估，并与RxNorm API集成以进行药物管理。4) 评估模块：使用Asclepius数据集进行评估，并由临床急诊医学专家评估性能。

关键创新：该论文的关键创新在于：1) 多智能体架构：通过模拟急诊科不同角色的协作，提高了决策的全面性和准确性。2) LLM与专业知识库的集成：将LLM与KTAS和RxNorm等专业知识库集成，提高了决策的专业性和可靠性。3) 端到端的急诊护理管理：系统不仅支持分诊，还支持诊断、治疗计划和资源分配，提供全面的急诊护理管理。

关键设计：在智能体设计方面，每个智能体都具有特定的角色和职责，例如分诊护士负责初步评估患者病情，急诊医生负责诊断和治疗计划，药剂师负责药物管理，急诊科协调员负责资源分配。智能体之间通过消息传递进行协作，共同完成急诊护理任务。KTAS用于评估患者的紧急程度，RxNorm API用于获取药物信息。评估指标包括分诊准确性、诊断准确性、治疗计划的合理性等。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，该多智能体CDSS在分诊决策方面表现出很高的准确性，优于单智能体系统。此外，该系统在主要诊断、关键发现识别、处置决策、治疗计划和资源分配等关键领域表现出强大的性能。临床急诊医学专家对该系统的性能给予了积极评价，认为其具有实际应用价值。

🎯 应用场景

该研究成果可应用于各类急诊科，辅助医护人员进行快速准确的分诊和治疗规划，尤其是在资源紧张或人手不足的情况下。该系统能够提高急诊科的工作效率，减少医疗差错，改善患者的治疗效果。未来，该系统还可以扩展到其他医疗领域，例如远程医疗、社区医疗等，为更多患者提供优质的医疗服务。

📄 摘要（原文）

Emergency department (ED) overcrowding and the complexity of rapid decision-making in critical care settings pose significant challenges to healthcare systems worldwide. While clinical decision support systems (CDSS) have shown promise, the integration of large language models (LLMs) offers new possibilities for enhancing triage accuracy and clinical decision-making. This study presents an LLM-driven CDSS designed to assist ED physicians and nurses in patient triage, treatment planning, and overall emergency care management. We developed a multi-agent CDSS utilizing Llama-3-70b as the base LLM, orchestrated by CrewAI and Langchain. The system comprises four AI agents emulating key ED roles: Triage Nurse, Emergency Physician, Pharmacist, and ED Coordinator. It incorporates the Korean Triage and Acuity Scale (KTAS) for triage assessment and integrates with the RxNorm API for medication management. The model was evaluated using the Asclepius dataset, with performance assessed by a clinical emergency medicine specialist. The CDSS demonstrated high accuracy in triage decision-making compared to the baseline of a single-agent system. Furthermore, the system exhibited strong performance in critical areas, including primary diagnosis, critical findings identification, disposition decision-making, treatment planning, and resource allocation. Our multi-agent CDSS demonstrates significant potential for supporting comprehensive emergency care management. By leveraging state-of-the-art AI technologies, this system offers a scalable and adaptable tool that could enhance emergency medical care delivery, potentially alleviating ED overcrowding and improving patient outcomes. This work contributes to the growing field of AI applications in emergency medicine and offers a promising direction for future research and clinical implementation.