У Nature представили архітектуру персонального ШІ-агента для здоров’я

У журналі Nature представили концепцію персонального агента для здоров’я (PHA), який поєднує аналіз даних із носимих пристроїв, медичні знання та підтримку зміни поведінки. Система побудована як модульна архітектура з кількох спеціалізованих ШІ-агентів, а не як один універсальний мовний модельний модуль.

Автори зазначають, що такий інструмент не має замінювати медичних працівників. Його призначенням названо надання користувачам цілісніших і практичніших відомостей для повсякденного піклування про здоров’я та добробут.

Чотири типи запитів

Для проєктування системи дослідники проаналізували 1370 споживчих запитів про здоров’я з пошукових систем і форумів, опитування про цілі у сфері здоров’я 555 користувачів, а також результати воркшопу за участю 14 експертів з UX та інженерії. Вони виокремили чотири основні групи потреб: загальні знання про здоров’я, інтерпретацію персональних даних, поради щодо добробуту та запити про особисті медичні симптоми.

Зокрема, питання щодо даних потребують точних числових розрахунків і виконання коду, консультації щодо зміни звичок — відкритого та емпатичного діалогу, а запити про симптоми чи медичні знання — опори на перевірену інформацію. За висновком авторів, монолітна архітектура великих мовних моделей гірше поєднує ці різні завдання.

Три спеціалізовані агенти

PHA містить агента з аналізу даних, експертного агента у сфері здоров’я та агента-коуча. Перший перетворює часові ряди персональних і популяційних даних на кількісний аналіз — наприклад, для оцінки змін у бігових результатах. Другий інтерпретує показники носимих пристроїв, відомості про здоров’я та доступні медичні записи; у цьому дослідженні такі записи були обмежені результатами аналізів крові. Третій підтримує постановку цілей, виявлення перешкод і зміну поведінки, зокрема використовуючи підходи мотиваційного інтерв’ювання.

Центральний оркестратор розподіляє складові запиту між цими агентами та об’єднує їхні відповіді. Для оцінювання системи використали дані дослідження WEAR-ME, до якого увійшли 1165 учасників із поздовжніми даними носимих пристроїв, результатами аналізів крові та анкетами про здоров’я.

Результати тестування

Загалом оцінювання охопило 11 тестових завдань, понад 7000 людських анотацій і 1350 годин роботи кінцевих користувачів та експертів. Агент з аналізу даних отримав середній бал якості планів аналізу 75,6% проти 53,7% у базової моделі Gemini. У тестах на генерацію коду його показник успішного проходження з першої спроби становив 75,5% проти 58,4% у базової моделі та зріс до 79% після циклів самокорекції.

Експертний агент у тесті з понад 2000 профільних питань досяг загальної точності 83,6%, тоді як базова Gemini мала 81,8%. Автори також повідомили, що модульна система та відкрита реалізація агента створюють відтворювану основу для розроблення й порівняння персональних інструментів підтримки здоров’я.