Multi-Agent gebaseerde Medische Assistent voor Edge-apparaten

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

Samenvatting

Large Action Models (LAMs) hebben intelligente automatisering gerevolutioneerd, maar hun toepassing in de gezondheidszorg wordt geconfronteerd met uitdagingen vanwege privacyzorgen, latentie en afhankelijkheid van internettoegang. Dit rapport introduceert een ondevice, multi-agent gezondheidsassistent die deze beperkingen overwint. Het systeem maakt gebruik van kleinere, taakspecifieke agents om middelen te optimaliseren, schaalbaarheid en hoge prestaties te waarborgen. Ons voorgestelde systeem fungeert als een alles-in-één oplossing voor gezondheidszorgbehoeften met functies zoals afspraken plannen, gezondheidsmonitoring, medicijnherinneringen en dagelijkse gezondheidsrapportage. Aangedreven door het Qwen Code Instruct 2.5 7B-model, behalen de Planner en Caller Agents een gemiddelde RougeL-score van 85,5 voor planning en 96,5 voor het uitvoeren van taken, terwijl ze lichtgewicht zijn voor ondevice-implementatie. Deze innovatieve aanpak combineert de voordelen van ondevice-systemen met multi-agent-architecturen, wat de weg vrijmaakt voor gebruikersgerichte gezondheidszorgoplossingen.

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.