ColaCare: Enhancing Electronic Health Record Modeling through Large Language Model-Driven Multi-Agent Collaboration

📄 arXiv: 2410.02551v2 📥 PDF

作者: Zixiang Wang, Yinghao Zhu, Huiya Zhao, Xiaochen Zheng, Dehao Sui, Tianlong Wang, Wen Tang, Yasha Wang, Ewen Harrison, Chengwei Pan, Junyi Gao, Liantao Ma

分类: cs.LG, cs.AI, cs.CL

发布日期: 2024-10-03 (更新: 2025-02-26)

备注: ACM TheWebConf 2025 Conference (WWW 2025) Research Track

DOI: 10.1145/3696410.3714877

💡 一句话要点

ColaCare：基于大语言模型驱动的多智能体协作增强电子病历建模

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

关键词: 电子病历建模 多智能体协作 大语言模型 临床决策支持 检索增强生成

📋 核心要点

  1. 现有EHR建模方法难以有效整合结构化数据和文本信息，限制了临床决策支持的准确性和可靠性。
  2. ColaCare利用多智能体协作，DoctorAgents处理EHR数据，MetaAgent协调讨论，模拟临床多学科团队的决策过程。
  3. 实验结果表明，ColaCare在临床死亡率和再入院预测任务中表现优异，证明了其在临床决策支持方面的潜力。

📝 摘要（中文）

ColaCare是一个通过大语言模型（LLM）驱动的多智能体协作来增强电子病历（EHR）建模的框架。该方法将领域专家模型与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。受临床环境中多学科团队（MDT）方法的启发，ColaCare采用两种类型的智能体：DoctorAgents和MetaAgent，它们协同分析患者数据。专家模型处理数值EHR数据并生成预测，而LLM智能体在MDT驱动的协作咨询框架内生成推理参考和决策报告。MetaAgent协调讨论，促进DoctorAgents之间的咨询和循证辩论，模拟临床决策中的多样化专业知识。此外，我们还在检索增强生成（RAG）模块中整合了默克诊疗手册（MSD）医学指南，以支持医学证据，解决知识时效性问题。在三个EHR数据集上进行的大量实验表明，ColaCare在临床死亡率结果和再入院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。

🔬 方法详解

问题定义：现有电子病历（EHR）建模方法通常难以有效整合结构化数据（如实验室结果、生命体征）和非结构化文本信息（如医生笔记），导致临床决策支持系统在预测患者预后和提供个性化治疗建议方面存在局限性。此外，医学知识不断更新，如何保证模型使用的知识的时效性也是一个挑战。

核心思路：ColaCare的核心思路是模拟临床多学科团队（MDT）的协作模式，利用多个智能体（DoctorAgents和MetaAgent）协同工作。DoctorAgents负责处理EHR数据并进行初步预测，MetaAgent负责协调讨论、整合信息并生成最终决策报告。这种多智能体协作的方式能够更全面地分析患者数据，并结合医学知识进行推理。

技术框架：ColaCare的技术框架主要包括以下几个模块：1) EHR数据处理模块：利用专家模型处理结构化EHR数据，生成预测结果。2) LLM智能体模块：包括DoctorAgents和MetaAgent，DoctorAgents负责生成推理参考和决策报告，MetaAgent负责协调讨论。3) 检索增强生成（RAG）模块：整合默克诊疗手册（MSD）医学指南，为智能体提供医学证据支持。整体流程是，DoctorAgents首先基于EHR数据进行初步分析，然后MetaAgent组织DoctorAgents进行讨论，并利用RAG模块检索相关医学知识，最终生成综合性的决策报告。

关键创新：ColaCare的关键创新在于其多智能体协作框架，该框架模拟了临床多学科团队的决策过程，能够更有效地整合结构化和非结构化数据，并结合医学知识进行推理。此外，RAG模块的引入保证了模型使用的医学知识的时效性。

关键设计：DoctorAgents和MetaAgent均基于大语言模型（LLM）构建，具体的LLM选择未知。RAG模块使用向量数据库存储MSD医学指南，并使用相似度搜索算法检索相关知识。损失函数和网络结构等技术细节在论文中未明确说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ColaCare在三个EHR数据集上进行了实验，结果表明其在临床死亡率结果和再入院预测任务中表现优于现有方法。具体的性能数据和提升幅度在摘要中未给出，需要在论文正文中查找。实验结果突显了ColaCare在临床决策支持方面的潜力。

🎯 应用场景

ColaCare具有广泛的应用前景，可用于临床决策支持系统，辅助医生进行疾病诊断、预后预测和治疗方案制定。该框架还可以应用于个性化精准医疗，根据患者的个体特征提供定制化的治疗建议。此外，ColaCare还可以用于医学教育和培训，帮助医学生学习临床决策过程。

📄 摘要（原文）

We introduce ColaCare, a framework that enhances Electronic Health Record (EHR) modeling through multi-agent collaboration driven by Large Language Models (LLMs). Our approach seamlessly integrates domain-specific expert models with LLMs to bridge the gap between structured EHR data and text-based reasoning. Inspired by the Multidisciplinary Team (MDT) approach used in clinical settings, ColaCare employs two types of agents: DoctorAgents and a MetaAgent, which collaboratively analyze patient data. Expert models process and generate predictions from numerical EHR data, while LLM agents produce reasoning references and decision-making reports within the MDT-driven collaborative consultation framework. The MetaAgent orchestrates the discussion, facilitating consultations and evidence-based debates among DoctorAgents, simulating diverse expertise in clinical decision-making. We additionally incorporate the Merck Manual of Diagnosis and Therapy (MSD) medical guideline within a retrieval-augmented generation (RAG) module for medical evidence support, addressing the challenge of knowledge currency. Extensive experiments conducted on three EHR datasets demonstrate ColaCare's superior performance in clinical mortality outcome and readmission prediction tasks, underscoring its potential to revolutionize clinical decision support systems and advance personalized precision medicine. All code, case studies and a questionnaire are available at the project website: https://colacare.netlify.app.