Neue Methode ermöglicht lokale medizinische KI-Agenten ohne Datenverlust

Große Sprachmodelle zeigen enormes Potenzial als proaktive medizinische Agenten, doch ihre praktische Nutzung wird durch Datenknappheit und Datenschutzbeschränkungen stark eingeschränkt. Eine neue, trainingsfreie Lösung namens State‑Enhanced Logical‑Skill Memory (SELSM) adressiert dieses Problem, indem sie simulierte klinische Pfade in abstrakte, entitätsunabhängige Regeln überführt.

Während der Inferenz greift ein Query‑Anchored Two‑Stage Retrieval‑Mechanismus dynamisch auf diese Regeln zu und liefert dem Agenten kontextbezogene logische Vorwissen. Dadurch wird das Problem der Zustandspolysemie – also mehrdeutiger Zustände – effektiv gelöst und die Schritt‑für‑Schritt‑Logik des Modells verbessert.

In Tests auf dem MedAgentBench‑Benchmark, dem einzigen hochqualitativen virtuellen EHR‑Sandbox, der mit realen klinischen Daten validiert wurde, steigert SELSM die Zero‑Shot‑Leistung von lokalen Basismodellen mit 30 bis 32  Milliarden Parametern signifikant. Besonders das Qwen3‑30B‑A3B‑Modell erreicht dank SELSM einen 100 %igen Abschluss aller Aufgaben und erhöht die Gesamterfolgsrate um 22,67 % im Vergleich zu bestehenden, speichermodifizierten Baselines.

Die Methode ist nicht nur datenschutzfreundlich, sondern auch rechnerisch effizient und ermöglicht eine lokale Anpassung von KI-Agenten an klinische Informationssysteme. Obwohl die Validierung zunächst auf FHIR‑basierte EHR‑Interaktionen beschränkt ist, legt die entitätsunabhängige Architektur von SELSM einen soliden Grundstein für eine breitere klinische Implementierung.