Utafiti huu unapendekeza usanifu wa akili bandia wa mawakala wengi ulioshirikishwa unaoitwa MedAgentNet, unaolenga kutumia taarifa za dawa, utambuzi, maabara na uchunguzi wa mgonjwa zilizosambazwa katika idara tofauti za afya bila kukusanya rekodi zote za afya katika hifadhidata moja ya kati. Katika mfumo huu, kila idara ya moyo, famasia, maabara, meno, endokrinolojia na idara nyingine huendesha wakala maalumu wa akili bandia anayefikia rekodi za ndani za idara yake pekee. Badala ya kutumiana faili ghafi za wagonjwa, idara hutuma hoja zilizopangwa na kuwekwa mipaka kwa madhumuni mahususi ya kliniki pamoja na majibu yenye kiwango cha chini kabisa cha taarifa za kliniki kinachohitajika.

Katikati ya usanifu kuna Wakala Msimamizi wa Uratibu ambaye haoni data ya mgonjwa moja kwa moja. Kwa mfano, wakala huyu huamua kuwa taarifa za moyo na famasia zinahitajika kwa mgonjwa anayepangiwa kung’olewa jino; huomba ukaguzi wa ridhaa ya mgonjwa; hutuma hoja kwa mawakala wa idara husika; na huunganisha majibu yanayopokelewa katika tathmini moja ya kliniki. Kushirikishana taarifa kumegawanywa katika tabaka tatu za ufichuaji: Tier 1 ni kiwango cha ishara kinachosema tu kwamba kuna hatari inayohusika; Tier 2 hushiriki muhtasari wa kliniki unaohitajika kwa uamuzi, kama jina la dawa, dozi, msimbo wa utambuzi au thamani ya maabara; huku Tier 3 ikiwa na muktadha mpana zaidi kama historia ya kina ya matibabu na simulizi ya kliniki.

Watafiti waliujaribu usanifu kwa rekodi za wagonjwa za sintetiki badala ya data halisi ya wagonjwa. Katika uigaji, mawakala 10 wa idara, msimamizi mmoja, huduma ya usimamizi wa ridhaa ya mgonjwa na kumbukumbu ya ukaguzi ziliundwa; kwa kutumia modeli ya LLaMA 3.1 8B, migongano minane ya dawa na mifumo mitatu ya uchunguzi inayohusisha idara nyingi ilitathminiwa. Katika ushirikishaji wa chaguo-msingi wa Tier 2, ugunduzi wa asilimia 100 uliripotiwa kwa migongano ya dawa na mifumo ya uchunguzi, huku kiwango cha wastani cha chanya za uongo katika utekelezaji huru tatu kikiwa asilimia 1,7. Hata hivyo, matokeo haya yanahusu tu senario 11 zilizofafanuliwa mapema na watafiti na hayaonyeshi kwamba utendaji huohuo utapatikana katika hospitali halisi.

Tier 1 iliweza kuashiria migongano yote ya dawa lakini haikuweza kubaini hata mmoja wa mifumo ya uchunguzi ya kati ya idara. Katika Tier 2, ugunduzi wa mifumo ulirudi kuwa asilimia 100. Matokeo haya yanaonyesha kwamba onyo la jumla la aina ya “huenda kuna hatari katika idara nyingine” halitoshi kuunganisha maelezo kama viwango vya glukosi vinavyoongezeka, mwenendo wa HbA1c, mabadiliko ya retina na neuropathia ya pembeni. Hoja kuu ya utafiti ni kwamba kinachoamua si nguvu ya modeli ya lugha peke yake, bali tabaka la uratibu linalowezesha kufikia idara sahihi na kusafirisha kwa udhibiti maelezo ya kliniki yanayohitajika.

Katika jaribio la ridhaa ya mgonjwa, kiwango cha ugunduzi kilihifadhiwa katika uigaji uliochaguliwa wakati asilimia 30 na asilimia 60 ya njia za mawasiliano zilifungwa. Ushirikishaji wote wa kati ya idara ulipofungwa, ugunduzi wa migongano ya dawa ulipungua hadi asilimia 35,3 na ugunduzi wa mifumo ya uchunguzi ukashuka hadi asilimia 0. Hali hii inaonyesha kuwa kuna mabadilishano halisi kati ya mapendeleo ya faragha na manufaa ya kliniki ya ushirikiano wa idara. Hata hivyo, matokeo ya utafiti hayaungi mkono kulazimisha wagonjwa kushiriki data kwa upana; watafiti wanasema mapendeleo yanapaswa kusimamiwa kwa uwazi, yaweze kuondolewa na yasiwe chini ya shinikizo.

Kwa mtazamo wa Uturuki: Mbinu ya MedAgentNet inaweza kuchunguzwa kwa ukaguzi wa mwingiliano wa dawa, tathmini ya hatari kabla ya utaratibu na uchunguzi wa mifumo ya muda mrefu ya matokeo kati ya kliniki tofauti, maabara, mifumo ya famasia na hospitali bila kuhamisha faili kamili ya mgonjwa. Kabla ya kutumika nchini Uturuki, uthibitishaji tofauti wa kiufundi na kisheria unahitajika kwa noti za kliniki za Kituruki, majina ya dawa na namna za dozi za ndani, misimbo ya utambuzi na maabara, mifumo ya usimamizi wa taarifa za hospitali, michakato ya ridhaa ya mgonjwa na wajibu wa ulinzi wa data za afya. Utafiti wa nyuma kwa rekodi za kihistoria zilizowekewa lebo na madaktari halisi, ukifuatiwa na majaribio ya kliniki ya mbele yenye usimamizi wa binadamu, unahitajika. Haiwezi kuhitimishwa kutokana na utafiti huu kwamba makosa ya dawa yatazuiwa nchini Uturuki, ucheleweshaji wa utambuzi utapungua, mfumo utatii sheria kiotomatiki au uko tayari kwa matumizi ya kliniki kwa upande wa usalama wa mgonjwa.

Tatizo kuu ambalo utafiti unajaribu kutatua ni lipi?

Mgonjwa anaweza kukutana katika kipindi kimoja na daktari wa familia, daktari wa moyo, daktari wa meno, mtaalamu wa endokrinolojia, daktari wa macho na maabara tofauti. Ikiwa kila idara inaona rekodi zake pekee, matokeo yanayoonekana ya kawaida katika idara moja yanaweza kuwa hatari muhimu yanapounganishwa na dawa au kigezo cha kliniki katika idara nyingine.

Utafiti unashughulikia matatizo mawili ya msingi ya mgawanyiko wa taarifa:

• Migongano kati ya dawa zilizoagizwa na madaktari tofauti, au kati ya dawa hizo na utaratibu uliopangwa
• Kutoweza kuunganisha matokeo madogo yanayotokea katika idara tofauti kuwa mfumo mmoja wa uchunguzi

Kukusanya rekodi zote katika hifadhi moja ya kati kunaweza kupunguza pengo hili la taarifa. Hata hivyo, muundo wa kati unaweza kuleta matatizo mapya kama taasisi kupoteza udhibiti wa data, kuunda shabaha kubwa ya mashambulizi, kusimamia ridhaa ya mgonjwa na kuoanisha mifumo tofauti ya taarifa. Badala ya kuhamisha data kwenda kituo, MedAgentNet hupeleka swali la kliniki kwenye idara ambako data husika inapatikana.

Neno “federated” linamaanisha nini katika utafiti huu?

Muundo ulioshirikishwa katika utafiti huu ni tofauti na ujifunzaji shirikishi wa kawaida. Katika ujifunzaji shirikishi wa kawaida, taasisi tofauti hufundisha modeli ya pamoja ya ujifunzaji wa mashine kwa data zao za ndani na hushiriki masasisho ya uzito au gradienti za modeli.

MedAgentNet hushirikiana hasa wakati wa uendeshaji wa inferensi. Badala ya kutuma vigezo ili kufundisha modeli ya pamoja, mawakala wa idara huulizana maswali yenye mipaka kwa mgonjwa na madhumuni mahususi ya kliniki. Kwa mfano, wakala wa meno hamwombi wakala wa moyo historia yote ya moyo ya mgonjwa, bali huuliza kama kuna antikoagulanti hai inayoweza kuathiri kung’olewa kwa jino kulikopangwa.

Usanifu wa jumla katika Kielelezo 1 unaonyesha nini?

Katika Kielelezo 1 kwenye ukurasa wa tatu wa utafiti, mawakala wa meno, moyo, endokrinolojia na huduma ya dharura wanaonyeshwa kuzunguka Wakala Msimamizi wa Uratibu wa kati. Mishale haiwakilishi uhamishaji wa moja kwa moja wa faili ya mgonjwa, bali uelekezaji unaotegemea muktadha, uundaji wa hoja na mtiririko wa majibu yaliyopangwa.

Katika tabaka la chini la kielelezo, uigaji uliotumia LLaMA 3.1 8B, utendaji wa ugunduzi ulioripotiwa katika Tier 2 na madai ya utiifu wa HIPAA, GDPR na HL7 FHIR yamefupishwa. Kielelezo hiki kinaeleza mfumo mzima wa utafiti katika fremu moja; hata hivyo, kauli za utiifu zinazoonyeshwa si matokeo ya uthibitishaji huru.

Mawakala wa idara hufanya kazi zipi?

Kila Wakala wa Idara ana kazi tatu za msingi:

1. Ufikiaji wa data za ndani: Wakala hufikia tu rekodi ya afya ya kielektroniki, mfumo wa taarifa za maabara au hifadhidata ya dawa ya idara yake.
2. Hoja za kliniki: Hutathmini uhusiano wa hoja inayoingia na rekodi katika eneo lake la utaalamu.
3. Udhibiti wa ufichuaji: Huweka mipaka ya maelezo yanayoweza kushirikiwa katika jibu kulingana na ridhaa ya mgonjwa na tabaka la ufichuaji.

Katika ufafanuzi rasmi wa utafiti, seti ya mawakala wa idara inaonyeshwa kama:

\[ \mathcal{A}=\{A_1,A_2,\ldots,A_n\} \]

Kila wakala \(A_i\) hufikia hifadhi yake ya data \(D_i\) pekee. Kwa mgonjwa \(p\), hoja \(q\) na tabaka la ufichuaji \(\tau\), jibu la wakala ni:

\[ R_i(p,q,\tau)=f_i\left(\operatorname{retrieve}(D_i,p),q,\tau\right) \]

limedefafanuliwa hivyo. Hapa \(f_i\) ni kazi ya hoja za kliniki ya wakala; \(\operatorname{retrieve}(D_i,p)\) ni urejeshaji wa rekodi za ndani za mgonjwa; na \(\tau\in\{1,2,3\}\) huonyesha kiwango cha maelezo yanayoshirikiwa.

Je, Wakala Msimamizi wa Uratibu huona data za mgonjwa?

Kulingana na muundo wa watafiti, Wakala Msimamizi wa Uratibu hafikii rekodi ghafi ya mgonjwa. Hutumia muktadha wa kliniki uliotolewa na idara inayoomba pamoja na uwezo wa mawakala wengine kuamua ni idara zipi zinapaswa kuulizwa.

Mfuatano wa kazi kuu za Msimamizi ni kama ifuatavyo:

1. Kutambua idara lengwa zinazohusika kutokana na muktadha wa kliniki
2. Kuunda hoja iliyopangwa inayolingana na madhumuni kwa kila idara
3. Kuhakikisha kama ridhaa ya mgonjwa inaruhusu hoja husika
4. Kuelekeza hoja zilizoidhinishwa kwa mawakala wa idara
5. Kuunganisha majibu na kuwasilisha matokeo yanayoeleweka kwa mtoa huduma wa kliniki aliyeomba
6. Kuingiza hatua za hoja, jibu na ridhaa kwenye kumbukumbu ya ukaguzi

Kutofikia rekodi ghafi kwa Msimamizi kunalenga kuzuia kuundwa kwa ziwa la data la kati. Hata hivyo, inapaswa kukumbukwa kwamba muktadha wa kliniki unaoonekana na Msimamizi na muhtasari unaorudi kutoka kwa mawakala pia unaweza kubeba taarifa nyeti. Utafiti haujachunguza kwa majaribio hatari ya kutambulisha upya kutoka kwa data hizi za kati au mashambulizi ya hoja zenye nia ovu.

Huduma ya Usimamizi wa Ridhaa ya Mgonjwa inafanyaje kazi?

Huduma ya Usimamizi wa Ridhaa ya Mgonjwa huhifadhi ruhusa za ushirikishaji kwa kila mgonjwa kulingana na jozi za idara. Kwa mfano, mgonjwa anaweza kuruhusu idara ya moyo kujibu huduma ya dharura kwa kiwango cha Tier 2 huku akifunga mawasiliano kati ya jozi nyingine ya idara.

Imeelezwa kuwa wasifu wa ridhaa unaweza kuwa na sheria zifuatazo:

• Ni idara ipi inaweza kuuliza idara ipi nyingine
• Tabaka la juu zaidi la ufichuaji linaloruhusiwa
• Kipindi ambacho ridhaa ni halali
• Vizuizi vya kimuktadha vinavyotumika tu wakati wa matibabu hai
• Masharti ya kuvunja kizuizi yanayoweza kutumika katika dharura

Wasifu huu hukaguliwa kabla ya kila hoja kutekelezwa. Mgonjwa anapobadilisha ruhusa, imekusudiwa kwamba hoja zinazofuata zishughulikiwe kwa mujibu wa sheria mpya. Hata hivyo, utafiti haujajaribu jinsi wagonjwa halisi wanavyotumia kiolesura cha ridhaa, kama wanaelewa maandishi ya ridhaa, au tabia yao ya kubadilisha uamuzi.

Kwa nini Aina Sanifu za Hoja za Kliniki zimetumika?

Kuruhusu mawakala kutuma maswali yasiyo na muundo na yasiyo na mipaka kunaweza kusababisha kuomba data zaidi ya inavyohitajika na kufanya ukaguzi kuwa mgumu. Kwa hiyo MedAgentNet hutumia makundi ya madhumuni yaliyofafanuliwa mapema yanayoitwa Aina ya Hoja ya Kliniki.

Uainishaji huu unaweka hoja ndani ya madhumuni, hurahisisha kuziweka kumbukumbu na unalenga kuzuia idara kuomba historia yote ya mgonjwa kwa sababu zisizo wazi.

Ni taarifa zipi zipo katika muundo wa ujumbe unaolingana na FHIR?

Kielelezo 3 kwenye ukurasa wa sita kinaonyesha mfano wa hoja ya kati ya idara katika muundo wa JSON. Mfano una sehemu zifuatazo:

• Kitambulisho cha kipekee cha hoja
• Wakala chanzo na wakala lengwa
• Kitambulisho cha mgonjwa kilichowekwa jina bandia au kufupishwa
• Aina ya hoja kama MED_CONFLICT
• Utaratibu uliopangwa na makundi husika ya dawa
• Tabaka la ufichuaji linaloombwa
• Alama ya ridhaa ya mgonjwa
• Muhuri wa muda

Muundo huu unalenga kufanya mawasiliano yaweze kufuatiliwa na kuchakatwa na mashine. Hata hivyo, utafiti haujafanya jaribio la ujumuishaji na seva halisi ya FHIR ya hospitali; schema imetathminiwa ndani ya usanifu uliopendekezwa na uigaji.

Tofauti kati ya tabaka tatu za ufichuaji ni ipi?

Katika utafiti, Tier 2 imewekwa kama sehemu ya mizani ya chaguo-msingi. Bila kushiriki jina la dawa na thamani za msingi za maabara, ugunduzi wa mifumo ya kati ya idara haukuweza kufanyika; kwa upande mwingine Tier 3, ambako simulizi kamili ya kliniki hushirikiwa, haikuleta faida ya ziada ya ugunduzi ikilinganishwa na Tier 2 katika senario zilizochaguliwa.

Dai la faragha la usanifu linategemea mifumo gani?

Watafiti wanafafanua sifa tano kuu:

• Ujanibishaji wa data: Rekodi ghafi kubaki katika idara chanzo
• Uwekaji mipaka wa madhumuni: Kila hoja kuwekwa mipaka kwa aina mahususi ya hoja ya kliniki
• Ufichuaji wa kiwango cha chini kinachohitajika: Kwa chaguo-msingi kushiriki tu muhtasari unaohitajika kwa uamuzi
• Uwezo wa kukaguliwa: Kurekodi hoja, ridhaa na majibu
• Udhibiti wa mgonjwa: Uwezo wa kuona na kuondoa ruhusa kati ya idara

Hivi ni vizuizi muhimu vya usanifu; hata hivyo, havitoi peke yake dhamana ya faragha ya kihisabati au ya kriptografia. Utafiti unasema mbinu kama faragha tofauti, usimbaji homomofiki na kompyuta salama ya vyama vingi zinaweza kuongezwa baadaye. Katika majaribio ya sasa, matumizi ya mbinu hizi, ustahimilivu dhidi ya mashambulizi au kipimo cha kiasi cha uvujaji wa taarifa havijaonyeshwa.

Rafu ya teknolojia inayopendekezwa ina tabaka zipi?

Kielelezo 6 kwenye ukurasa wa tisa kinaonyesha mfumo katika tabaka tano:

1. Tabaka la data: Rekodi za afya za kielektroniki za idara, mifumo ya maabara na hifadhidata za dawa
2. Tabaka la huduma: Ridhaa ya mgonjwa, kumbukumbu ya ukaguzi na hifadhidata ya mwingiliano wa dawa
3. Tabaka la itifaki: FHIR R4 API, itifaki ya hoja ya kliniki na TLS ya pande mbili
4. Tabaka la mawakala: Mawakala wa idara wanaotegemea modeli ya lugha na Msimamizi wa Uratibu
5. Tabaka la uwasilishaji: Dashibodi ya mtoa huduma, tovuti ya mgonjwa na programu ya simu

Watafiti wanapendekeza mawakala wa idara wafanye kazi kwa mtiririko wa retrieval-augmented generation unaochukua taarifa kutoka rekodi za ndani. Inapendekezwa kutumia hifadhidata za dawa zilizothibitishwa kwa mwingiliano wa dawa, kusimba mawasiliano kwa TLS ya pande mbili na kutumia foleni ya ujumbe wakati kiasi cha hoja ni kikubwa. Haya ni mapendekezo ya usanifu; katika jaribio, vipengele vyote vya uzalishaji havikuwekwa katika mazingira halisi ya hospitali.

Mpango wa utekelezaji wa hatua kwa hatua uliopendekezwa ni upi?

Utafiti unapendekeza njia ya utekelezaji yenye hatua tatu:

• Majaribio ya awali: Kukagua migongano ya dawa katika idara mbili au tatu kama moyo, famasia na huduma ya dharura
• Upanuzi: Kuongeza idara kama tiba ya familia, maabara na endokrinolojia pamoja na hoja za mifumo ya muda mrefu
• Shirikisho: Kuunganisha kwa udhibiti mawakala katika hospitali na mifumo tofauti ya afya

Mbinu hii inalenga kuanza na eneo dogo la matumizi bila kubadilisha mfumo mzima wa taarifa wa taasisi kwa wakati mmoja.

Malengo ya utendaji yaliyowekwa na watafiti ni yapi?

Thamani hizi zimewasilishwa kama mahitaji ya mfumo. Katika uigaji, muda wa wastani wa majibu wa Tier 1, Tier 2 na Tier 3 ulikuwa sekunde 8,4, 11,7 na 13,5 mtawalia, hivyo malengo ya kawaida na ya dharura hayakufikiwa. Hakuna kipimo cha miundombinu halisi kilichoripotiwa kwa upatikanaji, ucheleweshaji wa huduma ya ridhaa au muda wa kuandika kumbukumbu ya ukaguzi.

Mazingira ya uigaji yaliundwaje?

Katika uigaji wa rafu kamili, mawakala wa idara zifuatazo walijumuishwa:

• Moyo
• Tiba ya jumla
• Famasia
• Maabara
• Endokrinolojia
• Macho
• Meno
• Neurologia
• Nefrologia
• Pulmonologia

Zaidi ya hayo, Wakala Msimamizi wa Uratibu, Huduma ya Usimamizi wa Ridhaa ya Mgonjwa na kumbukumbu ya ukaguzi iliyoelezwa kuwa isiyobadilika zilitumika.

Rekodi za wagonjwa zilitengenezwa kisintetiki kulingana na violezo vya kliniki; kila mgonjwa aliunganishwa na idara mbili hadi tano. Katika uundaji wa data wa chaguo-msingi, uwezekano wa kuingiza mgongano wa dawa uliwekwa kuwa asilimia 35 na uwezekano wa kuingiza mfumo wa uchunguzi kuwa asilimia 25. Lebo za matokeo sahihi ziliwekwa katika rekodi za wagonjwa wakati wa uundaji, na majibu ya mfumo yakalinganishwa kiotomatiki na lebo hizi.

LLaMA 3.1 ilitumikaje?

Katika majaribio makuu, modeli ya LLaMA 3.1 yenye vigezo bilioni 8 iliendeshwa ndani ya mfumo kupitia Ollama na thamani ya joto ikachaguliwa kuwa 0,3. Kila wakala wa idara alipewa:

• Rekodi za wagonjwa za sintetiki za idara hiyo pekee
• Hoja ya kliniki
• Tabaka la ufichuaji litakalotumika
• Muundo wa jibu la JSON unaotarajiwa

zilitolewa.

Kwa sababu modeli ya lugha huenda isitoe JSON halali kila wakati, njia ya hatua nne ya kuchanganua jibu ilitumika: kuchanganua JSON moja kwa moja, kutoa kizuizi cha msimbo wa Markdown, kutafuta muundo kati ya mabano ya curly, na mwishowe kutafuta maneno muhimu katika maandishi huru.

Ingawa njia hizi za kurejea nyuma husaidia mfumo kuendelea kufanya kazi, uchimbaji wa maneno muhimu kutoka maandishi huru unaweza kuleta hatari ya kutafsiri jibu la modeli lenye makosa au lisilo wazi kuwa ugunduzi chanya. Utafiti haujaripoti kando mara ngapi kila mbinu ya kurejea ilitumika.

Ni migongano gani ya dawa iliyotathminiwa?

Ni mifumo ipi ya uchunguzi iliyotumika?

• Kuendelea kwa ugonjwa sugu wa figo
• Uhusiano kati ya matokeo ya tezi na matokeo ya moyo
• Mfumo wa kisukari ambao bado haujatambuliwa

Mifumo hii mitatu iliundwa kwa namna ambayo inaweza kubainika si kwa data ya idara moja, bali kwa kuunganisha thamani na matokeo ya uchunguzi kutoka idara tofauti.

Kwa nini Tier 1 haikuweza kupata mifumo ya uchunguzi?

Jibu la Tier 1 husema tu kwamba kuna matokeo yanayohusika katika idara nyingine. Kwa mfano, mfumo unaweza kusema kwamba kuna matokeo muhimu katika idara ya macho, lakini hauelezi kwamba ni mabadiliko ya retina. Wakala wa maabara hashiriki thamani ya HbA1c, na wakala wa tiba ya jumla hashiriki mfululizo wa glukosi unaoongezeka.

Katika hali kama hiyo, LLM haina msingi wa kliniki wa kutosha wa kuunganisha ishara tofauti chini ya mekanizimu mahususi ya ugonjwa. Ndiyo maana, ingawa migongano ya dawa ilipatikana kwa asilimia 100, hakuna hata mmoja wa mifumo mitatu ya uchunguzi uliobainika.

Matokeo ya ulinganisho wa Tier ni yapi?

Katika majaribio yaliyochaguliwa, Tier 3 haikutoa mafanikio ya juu zaidi ya ugunduzi kuliko Tier 2; ilitoa tu taarifa nyingi zaidi na muda mrefu zaidi wa jibu. Kwa hiyo watafiti walitafsiri Tier 2 kuwa uwiano unaofaa zaidi kwa matumizi ya kawaida.

Matokeo ni thabiti kwa kiwango gani katika utekelezaji huru tatu?

Mbegu nasibu zilichaguliwa kuwa 42, 1042 na 2042; katika kila utekelezaji wagonjwa wapya 50 wa sintetiki waliundwa.

Tofauti sifuri inaonyesha kwamba senario zilizofafanuliwa zilitafutiwa suluhisho kwa uthabiti na modeli. Hata hivyo, senario na prompt ziliundwa na watafiti zikiwa na ishara za kliniki zilizo wazi. Hakukuwa na jaribio la nje lenye ugumu zaidi linalohusisha rekodi halisi ambazo zinaweza kuwa pungufu, zinazokinzana, zilizojaa vifupisho na zenye makosa.

Ulinganisho kati ya mfumo wa sheria na LLaMA ulionyesha nini?

Kufikia ugunduzi uleule kwa miundombinu yote miwili kunaonyesha kwamba tabaka za ridhaa na uelekezaji hazitegemei modeli moja ya lugha pekee. LLaMA ilitoa tahadhari chache za uongo kuliko mfumo wa Mock wa maneno muhimu, lakini ilifanya kazi takriban mara 47 polepole zaidi.

Hitimisho la “kutotegemea LLM” linatokana tu na kulinganisha injini moja ya sheria na toleo moja la LLaMA. Hakuna majaribio mapana yaliyofanywa kati ya modeli tofauti za lugha, ukubwa wa modeli, miundo ya prompt au urekebishaji wa kitabibu.

Kizuizi cha ridhaa ya mgonjwa kilitoa matokeo gani?

Mafanikio chini ya kizuizi cha sehemu yalielezwa na uwezekano wa kupata baadhi ya taarifa kupitia idara mbadala. Kwa mfano, hata kama njia ya moja kwa moja kati ya moyo na meno imefungwa, wakala wa famasia anaweza kuripoti antikoagulanti hai.

Katika hali ya kutoshiriki kabisa, ni dawa tu zilizokuwa pamoja katika rekodi za ndani za idara ileile zilizoweza kubainika. Mifumo ya uchunguzi inayohitaji kuunganisha matokeo kutoka idara zaidi ya moja ilipotea kabisa.

Matokeo haya yanategemea mgawanyo wa data ya sintetiki iliyotumika. Katika taasisi halisi, ni idara zipi zinaathiriwa na kufungwa kwa asilimia 30 au asilimia 60 ya njia kunaweza kubadilisha utendaji wa kliniki zaidi kuliko idadi ya viungo vilivyofungwa kwa nasibu.

Jaribio la uwezo wa kupanuka lilionyesha nini?

Muda wote uliongezeka takriban kwa mstari kulingana na idadi ya wagonjwa na senario. Watafiti wanafafanua ugumu kama \(O(n\cdot k)\), ambapo \(n\) ni idadi ya wagonjwa na \(k\) ni wastani wa idadi ya hoja kwa kila mgonjwa.

Jaribio hili linaunga mkono kwamba kadiri idadi ya visa vya sintetiki vya mtu mmoja mmoja inavyoongezeka, mantiki ya uelekezaji haitoi mzigo unaokua zaidi ya mstari. Hata hivyo, mzigo wa watumiaji wa wakati mmoja kwa wakati halisi, ucheleweshaji wa mtandao, kufungika kwa hifadhidata, mkusanyiko wa foleni, upatikanaji wa juu na mawasiliano ya kati ya taasisi havijajaribiwa.

Senario ya meno–moyo inafanyaje kazi?

Katika mfano wa kwanza, mgonjwa wa kubuni mwenye umri wa miaka 62 hamwambii daktari wa meno kuhusu dawa za moyo anazotumia kabla ya kung’olewa jino. Rekodi ya moyo ina Warfarin na Metoprolol.

Wakala wa Meno huanzisha hoja ya MED_CONFLICT. Msimamizi huchagua mawakala wa moyo na famasia. Wakala wa Moyo hushiriki taarifa za Warfarin 5 mg na Metoprolol 50 mg katika Tier 2. Wakala wa Famasia hukagua kama kuna antikoagulanti nyingine au NSAİİ. Mwishowe, tahadhari ya hatari ya kutokwa damu hutumwa kwa daktari wa meno.

Senario inaeleza kwamba matibabu yaliratibiwa na daktari wa moyo na utaratibu ukaahirishwa hadi muda salama. Hili si tokeo la kliniki lililoonekana kwa mgonjwa halisi, bali ni mfano wa kubuni unaoeleza matumizi yanayowezekana ya usanifu.

Mfumo wa kisukari wa muda mrefu unajengwaje?

Katika senario ya pili, glukosi ya kufunga ya mgonjwa wa kubuni huongezeka katika ziara tatu kutoka 5,4 mmol/L hadi 5,9 mmol/L na kisha 6,4 mmol/L. Katika rekodi za maabara, HbA1c huongezeka kutoka asilimia 5,8 hadi asilimia 6,1 ndani ya miezi 12. Uchunguzi wa macho unaonyesha mabadiliko ya awali ya retina, na tathmini ya mguu inaonyesha kupungua kwa hisia.

Kila moja ya matokeo haya peke yake katika idara yake haitoi utambuzi wa uhakika. Wakala wa Tiba ya Jumla anapotuma hoja ya LONG_PATTERN, rekodi za maabara, macho na neuropathia ya ndani huunganishwa. Mfumo huripoti kwamba matokeo yanaunda mfumo wa pamoja unaohitaji tathmini rasmi kwa kisukari aina ya 2.

Hitimisho la watafiti la “utambuzi wa mapema kwa miezi 6–12” halikupimwa katika kundi halisi la wagonjwa; liliandikwa kama tokeo la kinadharia la senario.

Senario ya matumizi ya dawa nyingi katika dharura inaonyesha nini?

Mgonjwa wa tatu wa kubuni huwasili huduma ya dharura akiwa na jeraha la ghafla la figo. Ameandikiwa Lisinopril na idara ya moyo, Ibuprofen na rheumatolojia, Hydrochlorothiazide na daktari wa jumla, na Metformin na endokrinolojia.

Wakala wa Huduma ya Dharura hutuma hoja za wakati mmoja kwa idara chini ya itifaki ya dharura ya Tier 3. Wakala wa Famasia huashiria mchanganyiko wa ACE inhibitor, NSAİİ na diuretiki kama mfumo wa “triple whammy”; Metformin pia huripotiwa kando katika muktadha wa kuharibika kwa ghafla kwa kazi ya figo.

Mfano huu unaeleza manufaa yanayowezekana ya uratibu wakati dawa zimesambazwa katika idara tofauti. Kauli kwamba matokeo hupatikana ndani ya sekunde ni sehemu ya senario ya usanifu; pia inapaswa kuzingatiwa kwamba majaribio makuu ya LLaMA yalikuwa na ucheleweshaji wa takriban sekunde 9–13 na lengo la dharura la chini ya sekunde 2 halikufikiwa.

Nguvu kuu za utafiti ni zipi?

• Usanifu wazi umewasilishwa unaoruhusu hoja kati ya idara bila kuhamisha data ghafi za mgonjwa kwenye hifadhi ya kati.
• Kutofikia data za mgonjwa moja kwa moja kwa Msimamizi huimarisha ujanibishaji wa data.
• Hoja zimewekewa mipaka kwa madhumuni ya kliniki badala ya maandishi huru.
• Ridhaa ya mgonjwa imetengenezwa katika kiwango cha jozi za idara na tabaka za ufichuaji.
• Tofauti ya faragha–manufaa kati ya Tier 1, Tier 2 na Tier 3 imetathminiwa kwa kiasi.
• Modeli halisi ya lugha, LLaMA 3.1 8B, imetumika.
• Migongano minane ya dawa na mifumo mitatu ya uchunguzi imechunguzwa pamoja.
• Uthabiti umetathminiwa kwa mbegu nasibu nyingi.
• Injini ya sheria na injini ya LLM zimelinganishwa katika miundombinu ileile ya uratibu.
• Athari ya kizuizi cha ridhaa ya mgonjwa kwenye utendaji imepimwa kando.
• Jaribio la uwezo wa kupanuka limefanywa kutoka wagonjwa 50 hadi 500.
• Muundo wa hoja unaolingana na FHIR na mpango wa utekelezaji wa hatua kwa hatua umetolewa.

Mapungufu makuu ya utafiti ni yapi?

• Utafiti ni preprint ambayo haijapitiwa na mapitio ya kitaalamu.
• Rekodi zote za wagonjwa ni za sintetiki.
• Upungufu, makosa ya uandishi, vifupisho na migongano katika rekodi halisi za afya za kielektroniki havijatathminiwa.
• Noti huru za kliniki, picha na mfululizo changamano wa muda havikujumuishwa katika majaribio makuu.
• Maktaba ya senario imepunguzwa hadi migongano minane ya dawa na mifumo mitatu ya uchunguzi.
• Majibu sahihi yaliingizwa kwenye senario wakati wa kuunda data na hayakuamuliwa na jopo huru la watoa huduma waliopofushwa.
• Matokeo ya asilimia 100 si kiashiria cha ujanibishaji wa kliniki halisi.
• Ni LLaMA 3.1 8B pekee na injini rahisi ya sheria zilizolinganishwa.
• Ukubwa tofauti wa LLM na watoa huduma tofauti hawajajaribiwa kwa majaribio.
• Hakuna jaribio la usalama linalotegemea visa halisi lililofanywa kwa ajili ya hallucination za modeli.
• Ingawa uvujaji wa taarifa umefafanuliwa miongoni mwa vipimo vya tathmini, hakuna thamani ya kiasi ya uvujaji iliyotolewa katika jedwali la matokeo.
• Faragha ya kriptografia, faragha tofauti au kompyuta salama ya vyama vingi haijatekelezwa.
• Mashambulizi ya wakala mwenye nia ovu, prompt injection, kuongeza mamlaka na utambulishaji upya hayajajaribiwa.
• Utiifu wa HIPAA na GDPR haujathibitishwa kwa ukaguzi huru wa kisheria.
• Utiifu wa FHIR haujajaribiwa katika ujumuishaji halisi wa mfumo wa taarifa za afya.
• Ucheleweshaji wa wastani wa Tier 2 umezidi lengo la watafiti la hoja za kawaida.
• Lengo la sekunde 2 kwa hali ya dharura halijafikiwa.
• Lengo la upatikanaji wa %99,99 halijathibitishwa kwa kipimo halisi cha mfumo.
• Hakuna matokeo ya majaribio kwa malengo ya ucheleweshaji wa ukaguzi wa ridhaa na kumbukumbu ya ukaguzi.
• Jaribio la uwezo wa kupanuka haliwakilishi trafiki ya hospitali ya wakati mmoja.
• Tabia ya madaktari katika kutafsiri na kutumia tahadhari kwa usahihi haijachunguzwa.
• Uchovu wa tahadhari haujapimwa kwa watumiaji halisi.
• Uelewekaji wa maandishi ya ridhaa ya mgonjwa na ubora wa uamuzi havijajaribiwa.
• Hakuna utafiti wa kliniki wa mbele uliofanywa.
• Hakuna tukio la dawa lililozuiwa, kupungua kwa ucheleweshaji wa utambuzi au tokeo la mgonjwa lililopimwa.
• Hakuna kiungo cha wazi cha kufikia msimbo chanzo, jenereta ya data ya sintetiki au faili za majaribio.
• Taarifa za ufadhili na mgongano wa maslahi hazipo katika maandishi makuu.

Utafiti unaunga mkono nini?

• Unaunga mkono kwamba mawasiliano yaliyopangwa ya mawakala yanaweza kuwezesha kuunganisha taarifa kati ya idara katika senario za kliniki za sintetiki.
• Unaonyesha kwamba ishara za jumla katika Tier 1 hazitoshi kwa mifumo changamano ya uchunguzi.
• Unaonyesha kwamba muhtasari wa kliniki wa Tier 2 unaweza kutoa mafanikio sawa ya ugunduzi na Tier 3 katika senario zilizochaguliwa kwa maelezo machache zaidi.
• Unaunga mkono kwamba uratibu na mtiririko wa data vinaweza kuwa muhimu zaidi kuliko uwezo wa LLM peke yake.
• Unaonyesha kwamba njia mbadala za taarifa zinaweza kuhifadhi baadhi ya ugunduzi chini ya vizuizi vya sehemu vya ridhaa.
• Unaonyesha kwamba kutoshiriki kabisa huondoa mifumo ya uchunguzi inayohusisha idara nyingi.
• Unaunga mkono kwamba tabaka lilelile la uratibu linaweza kufanya kazi na injini za sheria na injini za LLM.
• Unaonyesha kwamba muda wa uigaji huongezeka takriban kwa mstari kadiri idadi ya wagonjwa inavyoongezeka.

Utafiti hauthibitishi nini?

• Hauthibitishi kwamba MedAgentNet itafanya kazi kwa usahihi wa asilimia 100 katika hospitali halisi.
• Haionyeshi kwamba inapunguza kweli makosa ya dawa au matukio yasiyotakiwa ya dawa.
• Haithibitishi kwa data za kliniki kwamba inapunguza ucheleweshaji wa utambuzi kwa miezi 6–12.
• Haionyeshi kwamba Tier 2 itatosha kwa maswali yote ya kliniki.
• Haithibitishi kwamba kuweka data ghafi mahali zilipo huondoa hatari zote za faragha na usalama wa mtandao.
• Haionyeshi kwamba mfumo unatii kiotomatiki HIPAA, GDPR au sheria za nchi nyingine.
• Haiungi mkono kwamba kushiriki data bila ridhaa ya mgonjwa ni jambo la kimaadili au la kisheria.
• Haithibitishi ni katika hali zipi uamuzi wa kuvunja ridhaa wakati wa dharura utakuwa salama.
• Haionyeshi kwamba modeli ya lugha inaweza kuchukua nafasi ya mtoa huduma wa kliniki.
• Haithibitishi kwamba tahadhari za kliniki zinaweza kutekelezwa bila mapitio ya binadamu.
• Haionyeshi ujanibishaji katika lugha, hospitali, makundi ya wagonjwa na matumizi tofauti ya kitabibu.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti unajumuisha muundo wa usanifu, itifaki ya mawasiliano iliyopangwa, modeli ya ridhaa ya mgonjwa, uzalishaji wa wagonjwa wa sintetiki, uigaji wa mawakala wengi unaotegemea LLM, jaribio la ablation la tabaka la ufichuaji, uchanganuzi wa uthabiti wa mbegu nasibu, ulinganisho wa mtoa huduma, kizuizi cha ridhaa na uchanganuzi wa uwezo wa kupanuka.

Vipengele vikuu vya uigaji

Vipimo vya tathmini

• Kiwango cha ugunduzi wa mgongano wa dawa
• Kiwango cha ugunduzi wa uhusiano au mfumo wa uchunguzi
• Kiwango cha chanya za uongo
• Ufichuaji wa taarifa zaidi ya zinazohitajika
• Ucheleweshaji wa jibu kutoka mwisho hadi mwisho
• Ubadilikaji kati ya mbegu nasibu tofauti
• Mabadiliko ya muda wote wa uchakataji kulingana na idadi ya wagonjwa

Ingawa uvujaji wa taarifa umefafanuliwa kama kipimo katika sehemu ya mbinu, hakuna jedwali tofauti la namba lililowasilishwa kwa kipimo hiki katika matokeo.

Matokeo makuu ya kiasi

Tathmini ya takwimu

Katika utekelezaji kwa mbegu nasibu tatu, mkengeuko wa kawaida wa asilimia 0 uliripotiwa kwa kiwango cha ugunduzi na mkengeuko wa kawaida wa asilimia 2,9 kwa kiwango cha chanya za uongo. Hata hivyo, utekelezaji tatu pekee ulifanywa na vipindi vya kujiamini havikutolewa.

Kwa kuwa lebo za matokeo ya senario zilijulikana mapema wakati wa kuzalisha data ya sintetiki, tathmini hii si utafiti wa usahihi wa utambuzi wa kliniki halisi. Unyeti, umaalumu, thamani ya ubashiri chanya na kiwango cha chanya za uongo vinapaswa kutafsiriwa tu ndani ya mgawanyo wa senario zilizozalishwa.

Uthibitishaji wa kliniki unaopendekezwa na utafiti

Watafiti wanapendekeza katika siku zijazo utafiti wa mbele na unaodhibitiwa unaolinganisha huduma ya kawaida na huduma inayosaidiwa na MedAgentNet. Matokeo makuu yanayopendekezwa ni haya:

• Matukio yasiyotakiwa ya dawa yaliyozuiwa
• Mabadiliko katika ucheleweshaji wa utambuzi
• Kuridhika kwa watoa huduma wa kliniki
• Imani ya mgonjwa
• Kiwango cha kutoa ridhaa
• Mzunguko halisi wa matumizi ya mfumo

Hakuna hata moja ya matokeo haya lililopimwa katika preprint ya sasa.

Hatua zinazohitajika kwa uthibitishaji nchini Uturuki

• Tathmini ya modeli ya lugha kwenye noti za kliniki za Kituruki na vifupisho vya kitabibu
• Kuoanisha majina ya dawa za ndani, viambato hai, dozi na rekodi za maagizo
• Kujaribu utiifu wa FHIR kati ya mifumo tofauti ya taarifa za hospitali kwa ujumuishaji halisi
• Kutathmini ulinganishaji wa utambulisho wa mgonjwa na hatari ya rekodi za mgonjwa asiye sahihi
• Kupima kama maandishi ya ridhaa yanaeleweka na wagonjwa
• Mapitio ya kimaadili na kisheria ya masharti ya kuvunja ridhaa wakati wa dharura
• Jaribio la nyuma kwa rekodi halisi za zamani lenye tathmini ya watoa huduma waliopofushwa
• Mapitio ya tahadhari za uongo na hatari zilizokosekana na bodi ya usalama wa mgonjwa
• Majaribio ya mashambulizi ya prompt injection, hoja zenye nia ovu na kuongeza mamlaka
• Kipimo cha kiasi cha uvujaji wa taarifa na hatari ya utambulishaji upya
• Kuwasilisha tahadhari za kliniki kwa idhini ya lazima ya binadamu
• Utekelezaji wa majaribio ya mbele katika idara chache
• Kupunguza ucheleweshaji wa majibu hadi malengo ya matumizi ya kawaida na ya dharura
• Kufafanua ukaguzi na mgawanyo wa wajibu kati ya taasisi

Maelezo ya Chanzo na Mbinu

Jina asili la utafiti: MedAgentNet: Federated Multi-Agent AI for Privacy-Preserving Cross-Departmental Clinical Intelligence

Waandishi: Mohamed Mabrok; Yalda Zafari; Yang Cao; Naoto Yanai; Essam A. Rashed.

Mpangilio wa waandishi: Mpangilio hapo juu unahifadhi mpangilio asili wa waandishi katika utafiti.

Taarifa ya mchango sawa: Hakuna taarifa ya mwandishi wa kwanza wa pamoja au mchango sawa katika utafiti.

Mwandishi wa mawasiliano: Hati ina tanbihi ya “Corresponding author”; hata hivyo, alama ya nyota haijaunganishwa wazi na jina moja kwenye mstari wa waandishi. Kwa kuwa tanbihi inatoa anwani za barua pepe za waandishi watano kwa pamoja, utambulisho wa mwandishi wa mawasiliano hauwezi kubainishwa kwa uhakika kutoka toleo hili.

Barua pepe za waandishi:

• Mohamed Mabrok: m.a.mabrok@qu.edu.qa
• Yalda Zafari: yaldazafari5@gmail.com
• Yang Cao: cao@c.titech.ac.jp
• Naoto Yanai: yanai.naoto@jp.panasonic.com
• Essam A. Rashed: rashed@gsis.u-hyogo.ac.jp

Taarifa za ORCID:

• Mohamed Mabrok: 0000-0003-3638-4424
• Yalda Zafari: 0009-0004-9737-7134
• Yang Cao: 0000-0002-6424-8633
• Naoto Yanai: 0000-0002-0817-6188
• Essam A. Rashed: 0000-0001-6571-9807

Taasisi:

• Department of Mathematics and Statistics, Qatar University, Doha, Qatar.
• Department of Computer Science, Institute of Science Tokyo, Tokyo, Japan.
• Graduate School of Information Science and Technology, Osaka University, “Suite, Japan”. Neno “Suite” limeandikwa hivyo hivyo katika hati na halijasahihishwa ndani ya maandishi.
• Graduate School of Information Science, University of Hyogo, Kobe 650-0047, Japan.
• Advanced Medical Engineering Research Institute, University of Hyogo, Himeji 670-0836, Japan.

Maelezo ya taasisi–mawasiliano: Ingawa Osaka University imeorodheshwa kama taasisi ya Naoto Yanai, anwani ya mawasiliano iko katika kikoa cha Panasonic. Sababu ya tofauti hii haijaelezwa katika preprint.

DOI:10.2139/ssrn.7181662

Jukwaa rasmi la uchapishaji: SSRN.

Kiungo rasmi cha utafiti:Ukurasa wa utafiti wa SSRN

Mwaka wa uchapishaji: 2026.

Jarida: Kwa toleo hili hakuna jina mahususi la jarida lililopitiwa na wataalamu au uamuzi wa kukubaliwa.

Hali ya uchapishaji: Kila ukurasa wa hati unaeleza kwamba utafiti haujapitiwa na mapitio ya kitaalamu. Kauli “Preprint submitted to Elsevier” haimaanishi kwamba umekubaliwa katika jarida la Elsevier.

Aina ya chanzo: Makala ya utafiti ya preprint inayojumuisha usanifu wa akili bandia wa kliniki wa mawakala wengi ulioshirikishwa, data za wagonjwa za sintetiki, uigaji unaotegemea LLM, ulinganisho wa tabaka za ufichuaji, kizuizi cha ridhaa na uchanganuzi wa uwezo wa kupanuka.

Data halisi za wagonjwa: Hazikutumika. Rekodi za wagonjwa zilitengenezwa kisintetiki kwa kutumia violezo vya kliniki.

Bodi ya maadili: Imeelezwa kwamba hakuna washiriki halisi wa binadamu au data za wagonjwa zilizotumika; pia hakuna idhini ya bodi ya maadili iliyowasilishwa.

Ufadhili: Hakuna taarifa ya ufadhili katika maandishi makuu.

Mgongano wa maslahi: Hakuna taarifa ya mgongano wa maslahi katika maandishi makuu.

Michango ya waandishi: Hakuna taarifa tofauti ya michango ya waandishi ya CRediT.

Upatikanaji wa data na msimbo: Hakuna kiungo cha wazi cha kufikia msimbo wa kuzalisha wagonjwa wa sintetiki, uigaji wa mawakala wengi, violezo vya prompt, lebo za majibu sahihi au matokeo ya majaribio.

Dai la utiifu: Watafiti wanasema usanifu umeundwa ili ulingane na kanuni za HIPAA, GDPR na HL7 FHIR. Utafiti hauwasilishi mapitio huru ya kisheria, uthibitishaji, ukaguzi wa usalama au ujumuishaji halisi wa FHIR.

Mbinu ya faragha: Ulinzi mkuu katika muundo wa sasa ni kuweka data mahali ilipo, hoja zilizowekewa mipaka ya madhumuni, tabaka za ufichuaji, ridhaa ya mgonjwa na kumbukumbu ya ukaguzi. Faragha tofauti, usimbaji homomofiki au kompyuta salama ya vyama vingi haijatekelezwa katika mfumo wa majaribio.

Maelezo haya ya Kiswahili yameandaliwa kwa kuchunguza taarifa za kichwa na utambulisho, michoro ya usanifu, ufafanuzi wa kihisabati, mfano wa JSON unaolingana na FHIR, algoriti ya uelekezaji, tabaka za ufichuaji, rafu ya teknolojia, senario za kliniki, jedwali za utendaji, jaribio la ridhaa ya mgonjwa, ulinganisho wa watoa huduma na matokeo ya uwezo wa kupanuka katika utafiti wa kurasa 21 uliopakiwa. Matokeo ya kliniki yasiyokuwapo katika utafiti hayajaongezwa; matokeo katika senario za kubuni hayajawasilishwa kama matokeo ya wagonjwa halisi.

Thamani kuu ya utafiti ni kuwasilisha usanifu wazi na unaoweza kujaribiwa unaoonyesha kwamba taarifa kutoka idara tofauti za afya zinaweza kuunganishwa kupitia muhtasari wenye maana ya kliniki bila kuziweka zote katika kituo kimoja. Kizuizi kikuu ni kwamba mafanikio ya asilimia 100 yaliyoripotiwa yanatokana na senario za sintetiki, zilizoelezwa wazi na zenye idadi ndogo. Mfumo haupaswi kuchukuliwa kuwa tayari kwa matumizi zaidi ya usaidizi wa maamuzi mpaka manufaa halisi ya kliniki, faragha, utiifu wa kisheria, usalama wa mtandao na matokeo ya wagonjwa yathibitishwe katika tafiti huru za kliniki.