ترجمه فارسی مقاله توسعه یک سیستم پشتیبانی تصمیم گیری بالینی چند عامل مبتنی بر مدل بزرگ برای تریاژ کره ای و مقیاس حدت (KTAS) مبتنی بر تریاژ و برنامه ریزی درمانی در بخش های اضطراری

چکیده

Emergency department (ED) overcrowding and the complexity of rapid decision-making in critical care settings pose significant challenges to healthcare systems worldwide. While clinical decision support systems (CDSS) have shown promise, the integration of large language models (LLMs) offers new possibilities for enhancing triage accuracy and clinical decision-making. This study presents an LLM-driven CDSS designed to assist ED physicians and nurses in patient triage, treatment planning, and overall emergency care management. We developed a multi-agent CDSS utilizing Llama-3-70b as the base LLM, orchestrated by CrewAI and Langchain. The system comprises four AI agents emulating key ED roles: Triage Nurse, Emergency Physician, Pharmacist, and ED Coordinator. It incorporates the Korean Triage and Acuity Scale (KTAS) for triage assessment and integrates with the RxNorm API for medication management. The model was evaluated using the Asclepius dataset, with performance assessed by a clinical emergency medicine specialist. The CDSS demonstrated high accuracy in triage decision-making compared to the baseline of a single-agent system. Furthermore, the system exhibited strong performance in critical areas, including primary diagnosis, critical findings identification, disposition decision-making, treatment planning, and resource allocation. Our multi-agent CDSS demonstrates significant potential for supporting comprehensive emergency care management. By leveraging state-of-the-art AI technologies, this system offers a scalable and adaptable tool that could enhance emergency medical care delivery, potentially alleviating ED overcrowding and improving patient outcomes. This work contributes to the growing field of AI applications in emergency medicine and offers a promising direction for future research and clinical implementation.

چکیده به فارسی (ترجمه ماشینی)

ازدحام بخش اورژانس (ED) و پیچیدگی تصمیم گیری سریع در تنظیمات مراقبت های ویژه چالش های مهمی را برای سیستم های مراقبت های بهداشتی در سراسر جهان ایجاد می کند.در حالی که سیستم های پشتیبانی از تصمیم گیری بالینی (CDSS) نوید را نشان داده اند ، ادغام مدل های بزرگ زبان (LLMS) امکانات جدیدی را برای افزایش دقت تریاژ و تصمیم گیری بالینی ارائه می دهد.این مطالعه یک CDS های مبتنی بر LLM را برای کمک به پزشکان و پرستاران ED در تریاژ بیمار ، برنامه ریزی درمانی و مدیریت کلی مراقبت های اضطراری ارائه می دهد.ما یک CDS چند عامل با استفاده از LLAMA-3-70B به عنوان پایه LLM ایجاد کردیم که توسط Crewai و Langchain ارکستر شده است.این سیستم شامل چهار عامل هوش مصنوعی است که نقش های اصلی ED را تقلید می کنند: پرستار تریاژ ، پزشک اورژانس ، داروساز و هماهنگ کننده ED.این مقیاس تریاژ کره ای و حدت (KTA) برای ارزیابی تریاژ را شامل می شود و با API RxNorm برای مدیریت دارو ادغام می شود.این مدل با استفاده از مجموعه داده ASCLEPIUS ، با عملکرد ارزیابی شده توسط یک متخصص پزشکی فوریت های بالینی مورد بررسی قرار گرفت.CDS در تصمیم گیری تریاژ نسبت به پایه یک سیستم تک عامل ، دقت بالایی را در تصمیم گیری تریاژ نشان داد.علاوه بر این ، این سیستم در مناطق بحرانی از جمله تشخیص اولیه ، شناسایی یافته های مهم ، تصمیم گیری در مورد استفاده ، برنامه ریزی درمانی و تخصیص منابع ، عملکرد شدیدی را نشان داده است.CDS چند عامل ما پتانسیل قابل توجهی برای حمایت از مدیریت جامع مراقبت های اضطراری را نشان می دهد.این سیستم با استفاده از فناوری های پیشرفته AI ، ابزاری مقیاس پذیر و سازگار را ارائه می دهد که می تواند تحویل مراقبت های پزشکی اضطراری را تقویت کند ، به طور بالقوه کاهش جمعیت ED و بهبود نتایج بیمار را کاهش می دهد.این کار به زمینه رو به رشد برنامه های کاربردی هوش مصنوعی در پزشکی اورژانس کمک می کند و جهت امیدوارکننده ای را برای تحقیقات آینده و اجرای بالینی ارائه می دهد.