DOI: https://doi.org/10.1038/s41746-025-01940-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40849361
تاريخ النشر: 2025-08-24
المؤلف: Rumeng Li وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
يقدم القسم CARE-AD (التحليل التعاوني وتقييم المخاطر لمرض الزهايمر)، وهو إطار متعدد الوكلاء يستخدم نماذج اللغة الكبيرة (LLMs) للتنبؤ بظهور مرض الزهايمر (AD) من خلال تحليل ملاحظات السجلات الصحية الإلكترونية (EHR) على مدى فترة طويلة. هذه الطريقة المبتكرة تعين وكلاء LLM متخصصين لاستخراج العلامات والأعراض ذات الصلة بمرض الزهايمر، مقلدة عملية تشخيص تعاونية. في تقييم رجعي، أظهر CARE-AD تحسنًا ملحوظًا في دقة التنبؤ، حيث حقق 0.53 مقارنة بأساليب النماذج الفردية الأساسية، التي تراوحت بين 0.26 إلى 0.45، لتوقع مخاطر مرض الزهايمر قبل عقد من أول تشخيص.
تؤكد الدراسة على أهمية الكشف المبكر عن مرض الزهايمر، وهو حالة تتميز بالتدهور المعرفي وضعف الذاكرة، مما يشكل تحديات كبيرة للمرضى وأنظمة الرعاية الصحية، خاصة مع تقدم السكان العالمي في العمر. الطرق التشخيصية التقليدية، على الرغم من فعاليتها، غالبًا ما تكون مكلفة وغير عملية للاستخدام على نطاق واسع، مما يؤدي إلى عدم الاستفادة الكافية من المعلومات الحيوية قبل التشخيص التي توجد عادة في ملاحظات السجلات الصحية الإلكترونية غير المنظمة. من خلال الاستفادة من التقدمات الأخيرة في نماذج اللغة الكبيرة، يهدف CARE-AD إلى التغلب على القيود الحالية في تطبيقات الرعاية الصحية، مثل خصوصية البيانات وقابلية توسيع النموذج، ويؤكد على الحاجة إلى نهج متعدد التخصصات في تقييم الحالات المعقدة مثل مرض الزهايمر. تسلط هذه الأبحاث الضوء على إمكانيات أنظمة LLM متعددة الوكلاء لتعزيز تقييم المخاطر المبكرة وتشجع على مزيد من الاستكشاف لدمجها في سير العمل لدعم اتخاذ القرار السريري.
مقدمة
في هذه الدراسة، طور المؤلفون إطارًا متعدد الوكلاء مصممًا لتكرار التفكير السريري الخبير في سياق تقييم مرض الزهايمر (AD). يتكون هذا الإطار من خمسة وكلاء متخصصين في مجالات مختلفة، يمثل كل منهم تخصصًا طبيًا مختلفًا: طبيب الرعاية الأولية، طبيب أعصاب، طبيب شيخوخة، طبيب نفسي، وعالم نفس سريري. تستخدم هذه الوكلاء مطالبات منظمة، محددة الأدوار تتماشى مع خبراتهم السريرية لتقييم ملفات أعراض المرضى وتقديم تقييمات متخصصة.
تتم بعد ذلك تجميع التقييمات من هؤلاء الوكلاء المتخصصين في مجالهم بواسطة وكيل متخصص في مرض الزهايمر، الذي يدمج النتائج مع الأدلة ذات الصلة لتقدير احتمالية تطور مرض الزهايمر. يتم تفصيل تكوينات هؤلاء الوكلاء ضمن إطار CARE-AD في الجدول التكميلي 6، بينما تتوفر مجموعة كاملة من المطالبات المستخدمة لكل وكيل في الملاحظة التكميلية 5. يهدف هذا النهج إلى تعزيز دقة وكفاءة تشخيص مرض الزهايمر من خلال الاستفادة من الخبرة الجماعية لمختلف التخصصات الطبية.
الطرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، والتدخلات أو العلاجات المحددة التي تم إدارتها، والأدوات أو الأجهزة المستخدمة لجمع البيانات. يتم وصف التحليلات الإحصائية، بما في ذلك النماذج المطبقة لتفسير النتائج والعتبات الدلالية المحددة لاختبار الفرضيات.
بالإضافة إلى ذلك، قد يتناول القسم التصميم التجريبي، مثل ما إذا كان عشوائيًا، أو محكومًا، أو ملاحظًا، ومدة الدراسة. تم تصميم المنهجيات لضمان موثوقية وصلاحية النتائج، مما يسمح باستخلاص استنتاجات قوية من البيانات المجمعة.
النتائج
تم تصميم إطار توقع CARE-AD لتقييم مخاطر مرض الزهايمر (AD) من خلال عملية هيكلية من ثلاث خطوات. في البداية، يقوم وكيل استخراج البيانات بتحديد وتنظيم العلامات والأعراض المتعلقة بمرض الزهايمر من ملاحظات السجلات الصحية الإلكترونية (EHR) إلى ملفات تعريف المرضى الواعية بالعمر، مصنفة حسب أنواع الأعراض المحددة. تضمن هذه الخطوة الأساسية أن تعكس البيانات تفاصيل عمر المريض وعلم الأعراض.
بعد ذلك، يقوم فريق متعدد التخصصات من الوكلاء المتخصصين بإجراء تقييم شامل. يتضمن هذا الفريق طبيب رعاية أولية للتقييم الشامل، وأطباء أعصاب وأطباء نفسيين للتقييمات العصبية والنفسية، وطبيب شيخوخة لتقييم الحياة اليومية والاستقلالية، وعالم نفس سريري للتحليل السلوكي والنفسي. يسمح هذا النهج المنسق بتقييم شامل ومحدد المجال لحالة المريض.
أخيرًا، يقوم وكيل متخصص في مرض الزهايمر بتجميع الرؤى التي تم جمعها من التقييمات متعددة التخصصات لإنتاج تقييم قوي لمخاطر مرض الزهايمر. يتم توضيح هيكل الإطار والهندسة التقنية بمزيد من التفصيل في الملاحظة التكميلية 1، مع تقديم نظرة عامة توضيحية في الشكل 1.
المناقشة
في هذه الدراسة، نقدم CARE-AD، وهو إطار متعدد الوكلاء يستفيد من نماذج اللغة الكبيرة (LLMs) لتعزيز التنبؤ المبكر بمرض الزهايمر (AD) من خلال تحليل ملاحظات السجلات الصحية الإلكترونية (EHR) على مدى فترة طويلة. شملت مجموعتنا 17,488 حالة من حالات مرض الزهايمر و64,691 حالة تحكم من إدارة صحة المحاربين القدامى (VHA). يستخدم الإطار عملية تصنيف من خطوتين: تصنيف ثنائي لتحديد العلامات والأعراض المتعلقة بمرض الزهايمر، يليه تصنيف متعدد الفئات لتصنيف هذه الأعراض إلى خمس فئات محددة من قبل الخبراء. تجاوز أداء نماذج LLaMA 3.1 8B لدينا أداء قاعدة تجميع قوية، مما يظهر فعالية نهجنا في استخراج مؤشرات سريرية ذات صلة من بيانات غير منظمة.
حقق نظام CARE-AD متعدد الوكلاء، الذي يتضمن متخصصين من مجالات طبية متنوعة، دقة تنبؤية عالية باستمرار عبر نقاط زمنية متعددة، بدقة بلغت 0.53 قبل عشر سنوات من التشخيص الرسمي. تفوق هذا النموذج التعاوني على النماذج الفردية الأساسية، بما في ذلك طرق عدم التوجيه وطرق التكرار، من خلال دمج الخبرة المتخصصة في المجال بشكل فعال. تشير النتائج إلى أنه يمكن تحديد المؤشرات المبكرة لمخاطر مرض الزهايمر من السرد السريري، مما قد يسمح بتدخلات سريرية مبكرة. على الرغم من أن الدراسة لها قيود، بما في ذلك الاعتماد على بيانات VHA واحتمال التحيز في الاختيار، فإن النتائج تؤكد على وعد أطر LLM متعددة الوكلاء في تحسين الكشف المبكر ومراقبة الحالات الطبية المعقدة مثل مرض الزهايمر. ستسعى الأعمال المستقبلية إلى التحقق من هذه النتائج في مجموعات سكانية أوسع واستكشاف مصادر بيانات إضافية لتعزيز القدرات التنبؤية.
DOI: https://doi.org/10.1038/s41746-025-01940-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40849361
Publication Date: 2025-08-24
Author(s): Rumeng Li et al.
Primary Topic: Machine Learning in Healthcare
Overview
The section presents CARE-AD (Collaborative Analysis and Risk Evaluation for Alzheimer’s Disease), a multi-agent framework utilizing large language models (LLMs) to predict the onset of Alzheimer’s disease (AD) by analyzing longitudinal electronic health record (EHR) notes. This innovative approach assigns specialized LLM agents to extract relevant signs and symptoms of AD, mimicking a collaborative diagnostic process. In a retrospective evaluation, CARE-AD demonstrated a notable improvement in predictive accuracy, achieving 0.53 compared to baseline single-model approaches, which ranged from 0.26 to 0.45, for forecasting AD risk a decade prior to the first diagnosis.
The study underscores the importance of early detection of AD, a condition characterized by cognitive decline and memory impairment, which poses significant challenges to patients and healthcare systems, especially as the global population ages. Traditional diagnostic methods, while effective, are often costly and impractical for widespread use, leading to the underutilization of critical pre-diagnostic information typically found in unstructured EHR notes. By leveraging recent advancements in LLMs, CARE-AD aims to overcome existing limitations in healthcare applications, such as data privacy and model scalability, and emphasizes the need for a multidisciplinary approach in assessing complex conditions like AD. This research highlights the potential of multi-agent LLM systems to enhance early risk assessment and encourages further exploration of their integration into clinical decision support workflows.
Introduction
In this study, the authors developed a multi-agent framework designed to replicate expert clinical reasoning in the context of Alzheimer’s disease (AD) assessment. This framework consists of five domain-specific agents, each representing a different medical specialty: primary care physician, neurologist, geriatrician, psychiatrist, and clinical psychologist. These agents utilize structured, role-specific prompts that align with their clinical expertise to evaluate patient symptom profiles and deliver specialized assessments.
The evaluations from these domain-specific agents are subsequently synthesized by an AD specialist agent, which integrates the findings with relevant evidence to estimate the likelihood of AD development. The configurations of these agents within the CARE-AD framework are detailed in Supplementary Table 6, while the complete set of prompts used for each agent is available in Supplementary Note 5. This approach aims to enhance the accuracy and efficiency of AD diagnosis by leveraging the collective expertise of various medical disciplines.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the specific interventions or treatments administered, and the tools or instruments used for data collection. Statistical analyses are described, including the models applied to interpret the results and the significance thresholds established for hypothesis testing.
Additionally, the section may elaborate on the experimental design, such as whether it was randomized, controlled, or observational, and the duration of the study. The methodologies are designed to ensure the reliability and validity of the findings, allowing for robust conclusions to be drawn from the data collected.
Results
The CARE-AD prediction framework is designed to assess the risk of Alzheimer’s Disease (AD) through a structured three-step process. Initially, a data extraction agent identifies and organizes AD-related signs and symptoms from electronic health record (EHR) notes into age-aware patient profiles, categorized by specific symptom types. This foundational step ensures that the data reflects the nuances of patient age and symptomatology.
Subsequently, a multidisciplinary team of specialist agents conducts a comprehensive evaluation. This team includes a primary care physician for holistic assessment, neurologists and psychiatrists for neurological and psychiatric evaluations, a geriatrician for assessing daily living and independence, and a clinical psychologist for behavioral and psychological analysis. This coordinated approach allows for a thorough and domain-specific assessment of the patient’s condition.
Finally, an AD-focused specialist agent synthesizes the insights gathered from the multidisciplinary evaluations to produce a robust AD risk assessment. The framework’s structure and technical architecture are further elaborated in Supplementary Note 1, with an illustrative overview provided in Figure 1.
Discussion
In this study, we introduce CARE-AD, a multi-agent framework leveraging large language models (LLMs) to enhance early prediction of Alzheimer’s disease (AD) through the analysis of longitudinal electronic health record (EHR) notes. Our cohort comprised 17,488 AD cases and 64,691 controls from the Veterans Health Administration (VHA). The framework employs a two-step classification process: a binary classification to identify AD-related signs and symptoms, followed by a multi-class classification to categorize these symptoms into five expert-defined categories. The performance of our LLaMA 3.1 8B models surpassed that of a strong ensemble baseline, demonstrating the efficacy of our approach in extracting relevant clinical indicators from unstructured data.
CARE-AD’s multi-agent system, which includes specialists from various medical fields, consistently achieved high predictive accuracy across multiple time points, with an accuracy of 0.53 at ten years prior to formal diagnosis. This collaborative model outperformed single-model baselines, including zero-shot and iterative methods, by effectively integrating domain-specific expertise. The results suggest that early indicators of AD risk can be identified from clinical narratives, potentially allowing for earlier clinical interventions. While the study has limitations, including reliance on VHA data and potential selection bias, the findings underscore the promise of multi-agent LLM frameworks in improving early detection and monitoring of complex medical conditions like AD. Future work will aim to validate these results in broader populations and explore additional data sources to enhance predictive capabilities.