不确定性下的协作医疗分诊：多智能体动态匹配方法.pdfVIP

不确定性下的协作医疗分诊：多智能体动态匹配方法

HongyanCheng,ChengzhangYu,YanshuShi,ChiyueWang,CongLiu,ZhanpengJin,

1SouthChinaUniversityofTechnology

Abstract理提供。这种日益增加的患者需求与不足的护士队伍之

间的不平衡给传统的分诊系统带来了巨大压力。这种日

疫情后对医疗需求的激增，加上护理人员严重短缺，给医

益增长的患者需求与不足的护士队伍之间的不平衡对

疗分类系统带来了前所未有的压力，迫切需要创新的人

工智能驱动解决方案。我们提出了一种用于医疗分类的传统分诊系统施加了巨大的压力。一项在一家年病例数

多代理交互式智能系统，该系统解决了当前基于人工智约70,000人的三级医疗中心进行的研究证实，门到分

本能的分类系统的三个基本挑战：医学专业不足导致的误诊和分诊到病人管理过程中的延迟是关键的加剧因素

译分类、医疗机构间异质的部门结构以及阻碍快速分类决(Kienbacheretal.2022)。

策的低效细节导向性提问。我们的系统采用三种专门代在数百万患者等待咨询而临床资源严重短缺的背

中理——RecipientAgent、InquirerAgent和Departmen-

景下，确保每次医患互动既精确又高效变得至关重要。

2tAgent，通过询问引导机制和分类引导机制协作将非结

v构化的患者症状转化为准确的科室推荐。为了确保强大现代医疗保健是一个日益复杂且分散的系统，在这个系

4统中，患者往往面临连接到适当专科时的第一阶段寻求

0的评估，我们从“爱爱医医疗网”构建了一个全面的中文帮助(Buddeetal.2021)的挑战。任何不正确的初始转

5医疗分类数据集，包含3,360个真实案例，涵盖9个主要

2部门和62个二级部门。实验结果表明，经过四轮患者互诊不仅浪费宝贵的临床资源并延迟患者的治疗，而且进

2.动后，我们的多代理系统在主要科室分类中达到%一步加剧整个系统的运营负担。因此，通过智能手段准

7的准确性，在次要科室分类中达到%的准确性。系确解释患者主诉并将他们引导至正确的科室来优化部

0

5统的动态匹配引导机制使其能够有效地适应多样化的医门路由过程对于缓解系统瓶颈和提高整体医疗服务质

2院配置并保持高分类精度。我们成功开发了这种多代理量具有关键且紧迫的实际意义。

:分类系统，不仅适应医疗结构的异质性，还确保临床决

v事实上，像GPT-3这样的大型语言模型已经展示

i策的有效性。

x了通过分析患者的症状描述来生成准确的初步诊断和

r

a分诊建议的重要潜力。此外，在门诊诊所中实施了基于

介绍人工智能的分诊系统，通过对患者数据进行智能分析并

目前，全球医疗保健系统正面临双重压力。一方面，动态分配医疗资源，实现了优化的诊断途径，从而提高

流感和登革热等新出现和重新出现的传染病继续影响了分诊的准确性和一致性。