Agent Hospital ：一个完全模拟整个医院环境和流程的AI医院

Agent Hospital 是一个虚拟的医院模拟环境，在其中患者、护士和医生都作为由大语言模型（LLM）驱动的自主代理。它模拟了医院中真实的医疗流程。模拟环境中，医生代理能够在几天内完成对1万名患者的治疗，而人类医生需要两年时间才能达到类似经验水平。

在一个真实的 MedQA 数据集上，进行真实的现实验证，显示其在呼吸系统疾病上的准确率达到了93.06%，为最先进水平。

模拟完整的医疗过程 ：

模拟了从疾病发生到治疗与康复的整个医疗流程，包括分诊、挂号、咨询、检查、诊断、治疗和随访等环节。 患者、护士和医生代理都是由 LLM 驱动，能够自主交互，模拟出与真实医院相似的场景和流程。 自主学习与改进 ：

医生代理通过“MedAgent-Zero”策略自主学习，不断积累成功和失败病例的经验，并通过反馈机制改进自身的诊疗技能。 医生代理在处理模拟患者时能够逐步提高诊疗准确性。 多角色协同与互动 ：

不同角色的代理（如患者、护士、医生）可以在模拟的医院环境中相互协作，实现真实的分诊、挂号、问诊、检查和治疗流程。 工作原理 Agent Hospital 的工作原理基于一个模拟的医院环境，借助型语言模型（LLM）驱动的自主医疗代理来实现整个医疗流程的仿真和自主学习。

模拟医院环境的搭建 ：

空间设置 ：整个医院分为多个功能区，例如分诊台、挂号台、诊疗室、检查室、药房等。 角色设置 ：环境中有两类角色，分别是医疗专业代理（如医生、护士）和居民代理（即患者）。每个角色都有特定的任务与行为。 自主代理角色的运作 ：

患者代理 ：一开始处于健康状态，随机生病后寻求医疗服务，经历分诊、挂号、就诊、检查、诊断和治疗的完整流程。 医疗专业代理 ：包括医生和护士，负责接待患者、诊断病情、制定治疗方案、指导检查、开具药物等。 角色之间的互动 ：

分诊 ：患者首先由护士代理进行分诊，并被引导到相应的医生代理处进行进一步的检查和诊断。 挂号 ：患者到达挂号台进行挂号，然后等待医生代理的问诊。 问诊和检查 ：医生代理通过与患者交互获取症状信息，并安排相关的医学检查。 诊断和治疗 ：医生代理根据症状和检查结果，进行诊断并制定相应的治疗方案。 居民代理肯尼斯·摩根生病了，前往代理医院就诊。分诊护士凯瑟琳·李对摩根先生的症状进行了初步评估，并将他转诊至皮肤科。摩根先生随后在医院柜台登记，并随后安排与皮肤科医生罗伯特·汤普森会诊。在接受规定的医学检查后，摩根先生接受了诊断和药物治疗。他回家休息，并监测自己病情的改善。 MedAgent-Zero 策略 ：

该策略依赖于两个关键模块： 医学记录库 和 经验库 。 医生代理通过这两个模块进行知识积累，利用过去的病例记录和从错误中总结的经验进行学习。 MedAgent-Zero策略通过收集和分析医学记录以及从错误中学习经验，帮助医生代理不断进化，从而在模拟的Agent Hospital环境中实现高效的自主诊疗和优化。 医学记录库 ：

这个库收集医生代理在实践中积累的成功病例，以及从医学文献和数据中获取的案例。 医生代理在问诊和治疗过程中可以检索到类似的病例，提供参考和启发。 每个记录包含相关的症状、诊断、检查结果和治疗计划等。 经验库 ：

医生代理从错误的诊断或治疗中反思，总结出相关经验，存储在经验库中。 这些经验可以帮助医生代理在类似情境下避免再犯相同的错误，改进决策。 训练和推理 ：

在处理患者请求时，医生代理会从医学记录库和经验库中检索到相关的案例和经验，以指导当前的诊断和治疗决策。 如果诊断或治疗失败，医生代理会反思并总结出新的经验，添加到经验库中。 推理过程中，医生代理通过对比当前患者信息和以往的记录与经验，从中提取关键点，增强当前问诊的准确性。 自主学习与进化 ：

医生代理通过与患者代理的不断互动积累经验，在处理患者的请求中不断改进。 随着更多数据的积累，医生代理的诊断和治疗准确率逐渐提高，实现自我进化。 实验结果 Agent Hospital 的性能通过模拟实验和真实世界评估进行了验证。主要结果如下：

1. 模拟实验 在 Agent Hospital 环境中对模拟患者的表现进行了详细评估，使用 "MedAgent-Zero" 策略改进医生代理的性能：

三项任务的准确率 ：

检查任务 ：88% 准确率 诊断任务 ：95.6% 准确率 治疗任务 ：77.6% 准确率 自我进化过程 ：

随着医生代理不断处理更多的病例（累计10,000个），其在检查、诊断和治疗任务上的准确率逐渐提高。 在模拟环境中，医生代理能够在几天内完成对1万名患者的治疗，而人类医生需要两年时间才能达到类似经验水平。 2. 真实世界评估 医生代理在一个真实的医疗数据集上进行评估，以验证其在实际应用中的能力：

数据集 ：

使用 MedQA 数据集的一个子集进行评估，专注于呼吸系统疾病，共72道题目。 准确率 ：

MedAgent-Zero 策略 ：在使用 GPT-4 进行推理时，准确率达到93.06%，为目前最高。 相比其他方法（如 Medprompt 和 MedAgents），MedAgent-Zero 提高了1.39%至2.78%不等。 总结 演化能力 ：医生代理能够通过在模拟环境中处理虚拟患者，自主学习和积累经验，逐渐提高医疗能力。 性能领先 ：在真实世界评估中表现出色，实现了目前最先进的准确率。 经验积累 ：大量的病例记录和经验积累确保了医生代理在诊断和治疗方面的准确性 项目意义 模拟真实医院环境 ：