Google AI stellt Private Well being Agent (PHA) vor: ein Multi-Agent-Framework, das personalisierte Interaktionen ermöglicht, die individuellen Gesundheitsbedürfnisse zu befriedigen

Was ist ein persönlicher Gesundheitsvertreter?

Großsprachenmodelle (LLMs) haben eine starke Leistung in verschiedenen Bereichen wie klinischem Denken, Entscheidungsunterstützung und Verbrauchergesundheitsanwendungen gezeigt. Die meisten vorhandenen Plattformen sind jedoch als einzelne Instrumente wie Symptomprüfer, digitale Coach oder Gesundheitsinformationsassistenten konzipiert. Diese Ansätze werden häufig nicht mit der Komplexität der realen Gesundheitsbedürfnisse eingehen, bei denen Einzelpersonen integrierte Argumentation über tragbare Streams, persönliche Gesundheitsakten und Labortestergebnisse benötigen.

Ein Forscherteam aus Google hat a vorgeschlagen Private Well being Agent (PHA) Rahmen. Das PHA ist als Multi-Agent-System Das vereint komplementäre Rollen: Datenanalyse, medizinisches Wissen und Gesundheitscoaching. Anstatt isolierte Ausgänge aus einem einzelnen Modell zurückzugeben, verwendet der PHA einen zentralen Orchestrator, um spezialisierte Subagenten zu koordinieren, ihre Ausgaben iterativ zu synthetisieren und kohärente, personalisierte Anleitung zu liefern.

Wie funktioniert das PHA -Framework?

Das Private Well being Agent (PHA) basiert auf der Gemini 2.0 -Modellfamilie. Es folgt einer modularen Architektur, die aus drei Subagenten und einem Orchestrator besteht:

1. Knowledge Science Agent (DS)
   Der DS-Agent interpretiert und analysiert Zeitreihendaten aus Wearables (z. B. Schrittzahlen, Herzfrequenzvariabilität, Schlafmetriken) und strukturierte Gesundheitsakten. Es ist in der Lage, offene Benutzerfragen in formale Analysepläne zu zerlegen, statistisches Denken auszuführen und die Ergebnisse mit Referenzdaten auf Bevölkerungsebene zu vergleichen. Zum Beispiel kann es quantifizieren, ob körperliche Aktivität im vergangenen Monat mit Verbesserungen der Schlafqualität verbunden ist.
2. Area Professional Agent (DE)
   Der DE Agent liefert medizinisch kontextualisierte Informationen. Es integriert persönliche Gesundheitsakten, demografische Informationen und tragbare Signale, um Erklärungen zu generieren, die auf medizinischem Wissen beruhen. Im Gegensatz zu allgemeinen LLMs, die believable, aber unzuverlässige Ausgaben erzeugen können, folgt der DE-Agent einer iterativen Überprüfung der Überprüfung der Überprüfung der Begründung und kombiniert maßgebliche medizinische Ressourcen mit personenbezogenen Daten. Dies ermöglicht es ihm, evidenzbasierte Interpretationen bereitzustellen, z. B. ob eine bestimmte Blutdruckmessung für eine Individual mit einer bestimmten Erkrankung in einem sicheren Bereich liegt.
3. Well being Coach Agent (HC)
   Der HC-Agent befasst sich mit Verhaltensänderungen und langfristiger Zieleinstellung. Ausgestattet aus etablierten Teaching-Strategien wie Motivationsinterviews führt es Multi-Flip-Gespräche, identifiziert die Benutzerziele, klärt die Einschränkungen und generiert strukturierte, personalisierte Pläne. Beispielsweise kann es einem Benutzer durch die Festlegung eines wöchentlichen Trainingsplanes, die Anpassung an individuelle Hindernisse und die Einbeziehung von Suggestions aus der Fortschrittsverfolgung führen.
4. Orchestrator
   Der Orchestrator -koordiniert diese drei Agenten. Wenn eine Abfrage empfangen wird, weist sie einem primären Agenten zu, der für die Generierung der Hauptausgabe und unterstützenden Agenten verantwortlich ist, um kontextbezogene Daten oder Domänenwissen bereitzustellen. Nach dem Sammeln der Ergebnisse führt der Orchestrator eine aus iterative ReflexionsschleifeÜberprüfen Sie die Ausgänge auf Kohärenz und Genauigkeit, bevor Sie sie in eine einzige Antwort synthetisierten. Dies stellt sicher, dass die endgültige Ausgabe nicht nur eine Aggregation der Agentenreaktionen, sondern eine integrierte Empfehlung ist.

Wie wurde der PHA bewertet?

Das Forschungsteam führte bisher eine der umfassendsten Bewertungen eines Gesundheits -KI -Programs durch. Ihr Bewertungsrahmen beteiligte sich 10 Benchmark -AufgabenAnwesend Über 7.000 menschliche AnmerkungenUnd 1.100 Stunden Bewertung von Gesundheitsexperten und Endbenutzern.

Bewertung des Knowledge Science Brokers

Der DS -Agent wurde an seiner Fähigkeit bewertet, strukturierte Analysepläne zu erstellen und einen korrekten, ausführbaren Code zu erstellen. Im Vergleich zu Foundation -Gemini -Modellen zeigte es:

• Ein signifikanter Anstieg der Qualität der Analyseplan und eine Verbesserung der mittleren Bewertungswerte von 53,7% auf 75,6%.
• Eine Verringerung kritischer Datenbearbeitungsfehler von 25,4% auf 11,0%.
• Eine Verbesserung der Code-Passquoten von 58,4% auf 75,5% bei den ersten Versuchen mit weiteren Gewinnen unter iterativer Selbstkorrektur.

Bewertung des Area -Experten -Agenten

Der DE -Agent wurde über vier Funktionen hinweg vergleichbar: sachliche Genauigkeit, diagnostisches Denken, kontextbezogene Personalisierung und multimodale Datensynthese. Die Ergebnisse umfassen:

• Sachliches Wissen: Bei über 2.000 Prüfungsfragen im Vorstand über Endokrinologie, Kardiologie, Schlafmedizin und Health erreichte der DE-Agent eine Genauigkeit von 83,6% und übertriffte die Foundation-Gemini (81,8%).
• Diagnostisches Denken: Bei 2.000 selbst gemeldeten Symptomfällen erreichte es 46,1% der Prime-1-diagnostische Genauigkeit im Vergleich zu 41,4% für eine modernste Gemini-Basislinie.
• Personalisierung: In Benutzerstudien bevorzugten 72% der Teilnehmer die Antworten von DE -Agenten gegenüber Basisausgaben, wobei höhere Vertrauenswürdigkeit und kontextbezogene Relevanz angeführt werden.
• Multimodale Synthese: In Expertenklinikern Opinions zu den aus tragbaren, Labor- und Umfragedaten erzeugten Gesundheitsüberprüfungen wurden die Ergebnisse des DE -Agenten klinisch bedeutender, umfassender und vertrauenswürdiger als Basisausgaben.

Evaluierung des Gesundheitstrainers

Der HC -Agent wurde durch Experteninterviews und Benutzerstudien entworfen und bewertet. Experten betonten die Notwendigkeit von sechs Teaching-Funktionen: Zielidentifizierung, aktives Zuhören, Kontextklärung, Ermächtigung, intelligente (spezifische, messbare, erreichbare, relevante, zeitgebundene) Empfehlungen und iterative Suggestions-Einbeziehung.

Bei Auswertungen zeigte der HC -Agent im Vergleich zu Basismodellen einen verbesserten Konversationsfluss und Benutzerbindung. Es hat vorzeitige Empfehlungen und stattdessen ausgewogene Informationen zum Sammeln von Informationen mit umsetzbaren Ratschlägen vermieden, wodurch die Ausgaben in Übereinstimmung mit Experten -Teaching -Praktiken erzeugt wurden.

Bewertung des integrierten PHA -Programs

Auf Systemebene wurden der Orchestrator und drei Mittel zusammen in offenen, multimodalen Gesprächen getestet, die realistische Gesundheitsszenarien widerspiegeln. Sowohl Experten als auch Endbenutzer bewerteten den integrierten Private Well being Agent (PHA) signifikant höher als die Foundation-Gemini-Systeme für Genauigkeit, Kohärenz, Personalisierung und Vertrauenswürdigkeit.

Wie trägt die PHA zur Gesundheits -KI bei?

Die Einführung eines Multi-Agent-PHA befasst sich mit mehreren Einschränkungen bestehender Gesundheits-KI-Systeme:

• Integration heterogener Daten: Tragbare Signale, Krankenakten und Labortestergebnisse werden eher gemeinsam als isoliert analysiert.
• Arbeitsteilung: Jedes Subagent ist auf eine Domäne spezialisiert, in der einzelne monolithische Modelle häufig unterdurchschnittlich, z. B. numerische Argumentation für DS, klinische Grundlage für DE und Verhaltensbindung für HC.
• Iterative Reflexion: Der Überprüfungszyklus des Orchestrators reduziert Inkonsistenzen, die häufig auftreten, wenn mehrere Ausgänge einfach verkettet sind.
• Systematische Bewertung: Im Gegensatz zu den meisten früheren Arbeiten, die sich auf kleine Fallstudien stützten, wurde der Private Well being Agent (PHA) mit einem großen multimodalen Datensatz (der Put on-Me-Studie) und einem umfangreichen Expertenbeteiligung validiert.

Was ist die größere Bedeutung des PHA -Blaupauses von Google?

Die Einführung von Private Well being Agent (PHA) zeigt, dass Well being AI über Einzelpur-Anwendungen hinausgehen kann Modulare, orchestrierte Systeme in der Lage, über multimodale Daten hinweg zu argumentieren. Es zeigt, dass das Einteilen von Aufgaben in spezialisierte Subagenten zu messbaren Verbesserungen der Robustheit, Genauigkeit und Benutzervertrauen führt.

Es ist wichtig zu beachten, dass diese Arbeit ist Ein Forschungskonstrukt, kein kommerzielles Produkt. Das Forschungsteam betonte, dass das PHA -Design explorativ ist und dass die Bereitstellung die Behebung von regulatorischen, Datenschutz- und ethischen Überlegungen erfordern würde. Dennoch stellen die Rahmen- und Bewertungsergebnisse einen signifikanten Fortschritt in den technischen Grundlagen der persönlichen Gesundheits -KI dar.

Abschluss

Das Rahmenwerk des Private Well being Agent bietet ein umfassendes Design für die Integration tragbarer Daten, Gesundheitsakten und Verhaltenscoaching durch ein von einem Orchestrator koordinierter Mehrunternehmersystem. Die Bewertung über 10 Benchmarks unter Verwendung von Tausenden von Annotationen und Expertenbewertungen zeigt konsistente Verbesserungen gegenüber Baseline -LLMs in Bezug auf statistische Analyse, medizinisches Denken, Personalisierung und Teaching -Interaktionen.

Durch die Strukturierung von Gesundheits -KI als koordiniertes System spezialisierter Wirkstoffe und nicht als monolithisches Modell zeigt die PHA, wie Genauigkeit, Kohärenz und Vertrauen in persönlichen Gesundheitsanwendungen verbessert werden können. Diese Arbeit bildet eine Grundlage für weitere Forschungen zu Agentengesundheitssystemen und hebt einen Weg zu integrierten, zuverlässigen Instrumenten für das Gesundheitsministerium hervor.

Schauen Sie sich das an Papier hier. Fühlen Sie sich frei, unsere zu überprüfen Github -Seite für Tutorials, Codes und Notizbücher. Fühlen Sie sich auch frei, uns zu folgen Twitter Und vergessen Sie nicht, sich unserer anzuschließen 100k+ ml Subreddit und abonnieren Unser Publication.

Asif Razzaq ist der CEO von Marktechpost Media Inc. Sein jüngstes Bestreben ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch die ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die von einem breiten Publikum technisch intestine und leicht verständlich sind. Die Plattform verfügt über über 2 Millionen monatliche Ansichten und veranschaulicht ihre Beliebtheit des Publikums.