基于大语言模型驱动的多智能体系统优化临床医嘱集：提升决策支持精准度与效率的新策略

　　本研究由来自范德比尔特大学医学中心的研究团队开展，聚焦于利用大语言模型（LLM）驱动的多智能体系统优化临床医嘱集，以解决人工审核资源密集、时效性不足的问题。研究通过多智能体协同生成建议，实验显示54%的建议高度准确（评分≥4），19%被评定为高度有用，且系统与专家评分一致性显著提升（Cohen κ从0.06增至0.41）。该成果为临床决策支持提供了可扩展的智能化优化方案，具有重要应用前景。

　　

本研究评估了一种基于大语言模型（Large Language Model, LLM）驱动的多智能体系统（multiagent system），通过与医生偏好对比，提升临床医嘱集（order sets）优化的准确性、相关性和效率。系统包含内容批判、动态搜索、知识检索、药物验证和建议总结等多个智能体模块，并开发了过滤机制以对齐专家效用评分。

在2024年期间于范德比尔特大学医学中心（Vanderbilt University Medical Center）开展的实验中，研究针对71个医嘱集生成735条建议。其中96条建议由3名医生对9个医嘱集进行评估，其余639条建议由1名医生对62个医嘱集进行评价。结果显示：每条医嘱集平均获得2条有用建议（中位数）；在96条建议中，54%被评为高度准确（评分≥4），19%为高度有用，16%具备可行性，12%具有直接临床影响。此外，46%（95% CI, 36%-56%）的建议与历史医嘱模式一致。

实验二中，通过LLM-as-a-judge策略进一步对齐专家评分，使Cohen κ系数从0.06提升至0.41（一致性显著改善）。过滤机制减少29%的总建议量，同时保留92%的有用建议。

结论指出，LLM与多智能体系统结合为医嘱集优化提供了可扩展的解决方案。未来需增强推理能力，将有用建议整合至电子健康记录（EHR）系统，并推动人工智能辅助的临床终端用户审核。