Architettura di Memoria a Doppio Flusso per il Rilevamento di Discrepanze Cliniche negli Agenti LLM
Una nuova architettura di memoria a doppio flusso separa la narrazione del paziente dai dati clinici strutturati (FHIR) per rilevare discrepanze negli agenti di coaching sanitario. Il sistema affronta la sfida di conciliare l'autovalutazione del paziente (attuale ma soggetta a bias) con i dati EHR (validati ma obsoleti). Un motore di riconciliazione valuta ogni memoria estratta rispetto al profilo FHIR, classificando le discrepanze per tipo, gravità e risorse FHIR coinvolte. Questo approccio mira a prevenire i fallimenti di sicurezza comuni nei sistemi di memoria per agenti generici che sovrascrivono i fatti più vecchi con l'ultima dichiarazione dell'utente. L'architettura è progettata per agenti LLM che gestiscono percorsi sanitari longitudinali, andando oltre gli strumenti a sessione singola.
Fatti principali
- L'architettura separa la narrazione del paziente dal dato clinico strutturato (FHIR).
- Un motore di riconciliazione valuta le memorie rispetto al profilo FHIR.
- Le discrepanze sono classificate per tipo, gravità e risorse FHIR.
- L'autovalutazione del paziente è attuale ma soggetta a bias di richiamo.
- I dati EHR sono medicalmente validati ma spesso obsoleti.
- I sistemi di memoria generici sovrascrivono i fatti più vecchi con l'ultima dichiarazione dell'utente.
- Il sistema mira a fallimenti di sicurezza nella gestione dei dati clinici.
- Gli agenti LLM stanno transitando verso sistemi persistenti per la sanità longitudinale.
Entità
—