GraphDx: A Cost-Aware Knowledge-Enhanced Multi-Agent Framework for Sequential Diagnosis

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, la evaluación de la evidencia y la planificación de pruebas con consideración de costos. 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.

Read the original article on arXiv cs.AI

This summary is an informational synthesis produced by dataqbs.com. All rights to the original content belong to its author and the cited media outlet. We act solely as curators of technology news and claim no authorship.