研究提出CLEAR-Med双智能体框架分析临床数据
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究提出CLEAR-Med双智能体框架，用于结构化临床数据的自然语言分析。该框架将SQL调用与独立验证分离：一智能体将问题转SQL并生成草稿，另一验证智能体执行确定性检查以决定接受、修复或弃权。在含532条记录的21站点数据集测试中，调用智能体正确率达66.4%，未基线化ChatGPT仅12.0%，提升54.4个百分点。该框架确保数值声明可溯源至SQL，未决案件可安全关闭。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载双智能体架构设计
CLEAR-Med框架核心是将SQL调用与独立验证解耦。调用智能体负责将自然语言问题转译为可执行SQL，保留执行结果并生成草稿。验证智能体独立启动，执行确定性检查，根据结果决定接受草稿、请求一次有界修复或弃权。这种设计使系统成为有界选择管道，确保数值声明始终链接至对应SQL，未决案件能以失败关闭，保障分析可追溯与安全性。
基准测试与准确率对比
评估使用协调的21站点新生儿缺氧缺血性脑病表，含532条去标识婴儿记录与约1300个变量。在25个开发基准查询重复五次共125次响应中，调用智能体正确回答83次，正确率66.4%（查询聚类自举95%置信区间48.0-83.2%）。未基线化ChatGPT仅正确15次，正确率12.0%（95%置信区间3.2-22.4%），配对提升达54.4个百分点（95%置信区间36.8-72.0%）。
扩展性与后续研究
框架完成了全部六项标称扩展性配置测试，包括500x1300规模。形式化分析确立了完整控制流的编码属性保证。当前实验主要表征配置扩展性及调用智能体准确性，对验证与弃权阶段的前瞻性全管道评估将是下一阶段工作。
为什么值得看
双智能体架构将SQL生成与验证解耦，大幅提升大模型分析医疗数据的准确性与可追溯性。
GPT智能体安全数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。