Мультиагентный медицинский помощник для периферийных устройств

Multi Agent based Medical Assistant for Edge Devices

March 7, 2025

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

cs.AI

Аннотация

Модели больших действий (LAM) произвели революцию в области интеллектуальной автоматизации, однако их применение в здравоохранении сталкивается с трудностями из-за проблем конфиденциальности, задержек и зависимости от доступа к интернету. В данном отчете представлен локальный мультиагентный помощник для здравоохранения, который преодолевает эти ограничения. Система использует небольшие специализированные агенты для оптимизации ресурсов, обеспечения масштабируемости и высокой производительности. Наше предложенное решение выступает как универсальный инструмент для удовлетворения медицинских потребностей, включая такие функции, как запись на прием, мониторинг здоровья, напоминания о приеме лекарств и ежедневные отчеты о состоянии здоровья. Благодаря модели Qwen Code Instruct 2.5 7B, агенты планирования и вызова достигают среднего показателя RougeL 85.5 для планирования и 96.5 для вызова при выполнении задач, оставаясь при этом легковесными для локального развертывания. Этот инновационный подход сочетает преимущества локальных систем с мультиагентными архитектурами, прокладывая путь к ориентированным на пользователя решениям в здравоохранении.

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.