Adaptives Multi-Agent-Panel steigert klinische Vorhersagen

In der klinischen Vorhersage mit großen Sprachmodellen (LLMs) treten häufig große Unterschiede in den Ergebnissen auf: Bei einfachen Fällen liefern die Modelle konsistente Vorhersagen, während komplexe Situationen bei kleinsten Prompt-Änderungen zu stark divergierenden Ergebnissen führen. Dieses Phänomen erschwert die zuverlässige Nutzung von LLMs in der Praxis.

Aktuelle Ansätze greifen entweder auf ein einzelnes Agentenmodell zurück, das aus einer einzigen rollenbasierten Verteilung stochastisch sampelt, oder setzen auf Multi-Agent-Frameworks mit festen Rollen und flacher Mehrheitsabstimmung. Beide Methoden vernachlässigen jedoch die diagnostische Signale, die in Unstimmigkeiten verborgen liegen, und können dadurch wichtige Informationen verlieren.

Die neue Methode CAMP (Case‑Adaptive Multi‑Agent Panel) löst dieses Problem, indem ein „Attending‑Physician“-Agent für jeden Fall ein spezialisiertes Panel zusammenstellt. Jeder Spezialist bewertet die Kandidaten mit einer dreistufigen Abstimmung – KEEP, REFUSE oder NEUTRAL – und kann sich bei fehlender Expertise auch zurückziehen. So wird die diagnostische Unsicherheit gezielt adressiert.

Ein hybrider Router leitet die Diagnose anschließend weiter: Bei starkem Konsens wird die Entscheidung übernommen, bei Unklarheiten fällt die Entscheidung zurück auf den Attending‑Physician, und bei starkem Konflikt wird ein evidenzbasiertes Arbitrage-System aktiviert, das die Argumentqualität statt der reinen Stimmenzahl gewichtet.

In umfangreichen Tests mit Daten aus MIMIC‑IV und vier verschiedenen LLM‑Backbones hat CAMP die Leistung gegenüber etablierten Baselines deutlich verbessert. Gleichzeitig verbraucht es weniger Tokens als die meisten konkurrierenden Multi‑Agent‑Methoden. Die transparenten Abstimmungsprotokolle und Arbitrage‑Spuren ermöglichen zudem nachvollziehbare Audits der Entscheidungsprozesse.

Mit CAMP wird die klinische Vorhersage nicht nur genauer, sondern auch effizienter und nachvollziehbarer – ein bedeutender Schritt hin zu vertrauenswürdigen KI‑unterstützten Diagnosen im Gesundheitswesen.