CT-Agent: Clinical Trial Multi-Agent with Large Language Model-based Reasoning

大型语言模型（LLMs）和多智能体系统在自然语言任务中展示了令人印象深刻的能力，但在临床试验应用中面临挑战，主要是由于外部知识获取的限制。我们认识到高级临床试验工具在最新医疗数据的基础上聚合和预测的潜力，提出了一个综合解决方案，以增强其可访问性和实用性。我们引入了临床智能体系统（CT-Agent），这是一个专为临床试验任务设计的临床多智能体系统，利用GPT-4、多智能体架构、LEAST-TO-MOST和ReAct推理技术。这种集成不仅提高了LLM在临床环境中的性能，还引入了新的功能。我们的系统自主管理整个临床试验过程，在我们的评估中展示了显著的效率改进，包括计算基准和专家反馈。

提高临床试验工具的可访问性和实用性，解决其在外部知识获取方面的局限性。

提出了一种整合GPT-4、多智能体架构、LEAST-TO-MOST和ReAct推理技术的临床多智能体系统（CT-Agent），自主管理整个临床试验过程，提高效率。

CT-Agent不仅提高了LLM在临床环境中的性能，还引入了新的功能。实验设计包括计算基准和专家反馈。

最近的相关研究包括使用LLM和多智能体系统进行自动化临床决策的研究，以及使用深度学习技术进行临床试验预测的研究。