Assistant Médical Basé sur des Agents Multiples pour Dispositifs de Bord

Multi Agent based Medical Assistant for Edge Devices

March 7, 2025

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

cs.AI

Résumé

Les modèles d'action à grande échelle (LAMs) ont révolutionné l'automatisation intelligente, mais leur application dans le domaine de la santé est confrontée à des défis liés aux préoccupations de confidentialité, à la latence et à la dépendance à l'accès à Internet. Ce rapport présente un assistant de santé multi-agent embarqué qui surmonte ces limitations. Le système utilise des agents plus petits et spécifiques à des tâches pour optimiser les ressources, garantir l'évolutivité et des performances élevées. Notre système proposé agit comme une solution tout-en-un pour les besoins de soins de santé, avec des fonctionnalités telles que la prise de rendez-vous, la surveillance de la santé, les rappels de médicaments et les rapports de santé quotidiens. Alimenté par le modèle Qwen Code Instruct 2.5 7B, les agents Planificateur et Appelant atteignent un score RougeL moyen de 85,5 pour la planification et de 96,5 pour les appels dans nos tâches, tout en étant légers pour un déploiement embarqué. Cette approche innovante combine les avantages des systèmes embarqués avec les architectures multi-agents, ouvrant la voie à des solutions de santé centrées sur l'utilisateur.

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.