Multi-Agent-basierter medizinischer Assistent für Edge-Geräte

Multi Agent based Medical Assistant for Edge Devices

March 7, 2025

Autoren: Sakharam Gawade, Shivam Akhouri, Chinmay Kulkarni, Jagdish Samant, Pragya Sahu, Aastik, Jai Pahal, Saswat Meher

cs.AI

Zusammenfassung

Large Action Models (LAMs) haben die intelligente Automatisierung revolutioniert, doch ihre Anwendung im Gesundheitswesen steht vor Herausforderungen wie Datenschutzbedenken, Latenzzeiten und der Abhängigkeit von Internetzugang. Dieser Bericht stellt einen On-Device-Multi-Agenten-Gesundheitsassistenten vor, der diese Einschränkungen überwindet. Das System nutzt kleinere, aufgabenorientierte Agenten, um Ressourcen zu optimieren, Skalierbarkeit und hohe Leistung zu gewährleisten. Unser vorgeschlagenes System fungiert als All-in-One-Lösung für Gesundheitsbedürfnisse mit Funktionen wie Terminbuchung, Gesundheitsüberwachung, Medikationserinnerungen und täglichen Gesundheitsberichten. Angetrieben durch das Qwen Code Instruct 2.5 7B-Modell erreichen die Planner- und Caller-Agenten durchschnittliche RougeL-Werte von 85,5 für die Planung und 96,5 für die Anrufausführung bei unseren Aufgaben, während sie gleichzeitig leichtgewichtig für die On-Device-Bereitstellung sind. Dieser innovative Ansatz vereint die Vorteile von On-Device-Systemen mit Multi-Agenten-Architekturen und ebnet den Weg für nutzerzentrierte Gesundheitslösungen.

English

Large Action Models (LAMs) have revolutionized intelligent automation, but their application in healthcare faces challenges due to privacy concerns, latency, and dependency on internet access. This report introduces an ondevice, multi-agent healthcare assistant that overcomes these limitations. The system utilizes smaller, task-specific agents to optimize resources, ensure scalability and high performance. Our proposed system acts as a one-stop solution for health care needs with features like appointment booking, health monitoring, medication reminders, and daily health reporting. Powered by the Qwen Code Instruct 2.5 7B model, the Planner and Caller Agents achieve an average RougeL score of 85.5 for planning and 96.5 for calling for our tasks while being lightweight for on-device deployment. This innovative approach combines the benefits of ondevice systems with multi-agent architectures, paving the way for user-centric healthcare solutions.