Marco de trabajo de agentes multiagente de diagnóstico secuencial con conocimiento mejorado y conciencia de costos

Se ha desarrollado un marco de diagnóstico secuencial llamado GraphDx, que busca equilibrar la precisión diagnóstica con los costos de recursos a través de la recopilación iterativa de información. Los enfoques actuales basados en modelos de lenguaje grande presentan una brecha entre el conocimiento y el razonamiento, ya que a pesar de codificar un amplio conocimiento médico, tienen dificultades para razonar de manera sistemática bajo restricciones de costo, lo que a menudo conduce a pruebas excesivas. GraphDx introduce dos innovaciones clave: una plataforma automatizada que utiliza modelos de lenguaje grande para construir grafos de conocimiento de diagnóstico médico con atributos de relevancia diagnóstica y sensibilidad al costo, y tres agentes colaborativos que trabajan juntos para realizar la comprensión y generación de lenguaje, puntuación de evidencia determinista y planificación con conciencia de costo. Los experimentos realizados en bases de datos médicas muestran que GraphDx mejora las tasas de éxito en el diagnóstico y reduce los costos de pruebas, lo que lo convierte en una solución robusta, económica e interpretable para el diagnóstico clínico automatizado. Esto es importante porque puede mejorar la eficiencia y la precisión en la atención médica, lo que a su vez puede tener un impacto positivo en la salud y el bienestar de los pacientes. Además, la reducción de costos puede ser beneficiosa para los sistemas de salud y los pacientes, ya que puede hacer que la atención médica sea más accesible y asequible.

Leer artículo original en arXiv cs.AI

Este resumen es una síntesis informativa elaborada por dataqbs.com. Todos los derechos sobre el contenido original pertenecen a su autor y al medio de comunicación citado. Nosotros solo actuamos como curadores de noticias tecnológicas, sin reclamar autoría alguna.