Asistente Médico Basado en Agentes Múltiples para Dispositivos de Borde

Multi Agent based Medical Assistant for Edge Devices

March 7, 2025

Autores: Sakharam Gawade, Shivam Akhouri, Chinmay Kulkarni, Jagdish Samant, Pragya Sahu, Aastik, Jai Pahal, Saswat Meher

cs.AI

Resumen

Los Modelos de Acción a Gran Escala (LAMs) han revolucionado la automatización inteligente, pero su aplicación en el ámbito de la salud enfrenta desafíos debido a preocupaciones de privacidad, latencia y dependencia del acceso a internet. Este informe presenta un asistente sanitario multiagente en el dispositivo que supera estas limitaciones. El sistema utiliza agentes más pequeños y específicos para optimizar recursos, garantizar escalabilidad y alto rendimiento. Nuestra propuesta actúa como una solución integral para las necesidades de atención médica, con funciones como reserva de citas, monitoreo de salud, recordatorios de medicación e informes diarios de salud. Impulsado por el modelo Qwen Code Instruct 2.5 7B, los Agentes Planificador y Llamador logran un puntaje RougeL promedio de 85.5 en planificación y 96.5 en llamadas para nuestras tareas, manteniéndose livianos para su implementación en el dispositivo. Este enfoque innovador combina los beneficios de los sistemas en el dispositivo con arquitecturas multiagente, allanando el camino para soluciones de salud centradas en el usuario.

English

Large Action Models (LAMs) have revolutionized intelligent automation, but their application in healthcare faces challenges due to privacy concerns, latency, and dependency on internet access. This report introduces an ondevice, multi-agent healthcare assistant that overcomes these limitations. The system utilizes smaller, task-specific agents to optimize resources, ensure scalability and high performance. Our proposed system acts as a one-stop solution for health care needs with features like appointment booking, health monitoring, medication reminders, and daily health reporting. Powered by the Qwen Code Instruct 2.5 7B model, the Planner and Caller Agents achieve an average RougeL score of 85.5 for planning and 96.5 for calling for our tasks while being lightweight for on-device deployment. This innovative approach combines the benefits of ondevice systems with multi-agent architectures, paving the way for user-centric healthcare solutions.