Resumen: El aumento de los modelos de lenguaje grande (LLMS) ha permitido el desarrollo de agentes de IA especializados con capacidades de razonamiento e interacción específicos de dominio, particularmente en atención médica. Si bien los marcos recientes simulan la toma de decisiones médicas, se centran en gran medida en las tareas de un solo cambio en las que un agente médico recibe información completa de casos por adelantado, divergiendo del proceso de diagnóstico del mundo real, que es inherentemente incierto, interactivo e iterativo. En este documento, presentamos el paciente MIMIC, un conjunto de datos estructurado construido a partir de los registros electrónicos de salud electrónicos MIMIC-III (EHR), diseñado para respaldar simulaciones dinámicas a nivel de paciente. Sobre la base de esto, proponemos DynamiCare, un nuevo marco dinámico de agentes múltiples que modela el diagnóstico clínico como un bucle interactivo múltiple, donde un equipo de agentes especializados consulta iterativamente el sistema de pacientes, integra nueva información y adapta dinámicamente su composición y estrategia. Demostramos la viabilidad y la efectividad de Dynamicare a través de amplios experimentos, estableciendo el primer punto de referencia para la toma de decisiones clínicas dinámicas con agentes propulsados por LLM.
Publicado Originalme en export.arxiv.org El 3 de julio de 2025.
Ver Fuente Original
