【转载】Nature | 构建个人健康智能体

构建个人健康智能体

多智能体

·数据科学代理（DS 代理）将个人和群体层面的时间序列数据转化为定量分析，例如估算跑步表现的变化。

·领域专家代理（DE 代理）解读可穿戴设备数据、健康知识和现有医疗记录（在本研究中，由于协议层面的数据访问限制，医疗记录仅限于血液检测结果；未来的工作可以将电子健康记录与其他模式的数据整合），例如，通过对生物标志物值进行情境化解读。

·健康教练代理（HC 代理）应用循证策略，例如动机式访谈，来支持目标设定、识别障碍并指导行为改变。

由于许多需求跨越了这些角色，我们从多代理协作策略中汲取灵感，例如投票、迭代、辩论和层级式团队组建，并构建了多代理个人健康代理（PHA），其中包含一个协调器，用于分配任务并综合各代理的输出（图 1a ）。

    开发了一个整体评估框架（图 1b ），该框架与通过以用户为中心的分析所确定的能力相对应。我们通过与最终用户和专家开展用户研究，对 DS 代理生成稳健的分析计划和代码的能力、DE 代理的事实性和循证推理能力以及 HC 代理的指导有效性进行了基准测试。然后，我们通过反映各种健康场景的开放式多模态对话对集成的 PHA 系统进行了评估。在 11 项基准任务中，评估工作包括超过 7000 条人工标注和 1350 小时的工作量（651 小时最终用户工作量和 699 小时专家工作量），验证了每个专业子代理的优势，并展示了我们集成的多代理健康代理在实际应用中的巨大潜力。

以用户为中心的健康需求分析

确定了四个关键用户旅程：

（1）一般健康知识：用户寻求有关广泛健康主题、医疗状况和健康理念的事实信息；例如，“HIIT 的优点和缺点是什么？”

（2）个人数据洞察：用户希望了解和解读来自可穿戴设备或医疗记录的自身数据，以识别趋势和关系；例如，“过去一个月我的步数如何影响我的静息心率？”

（3）健康建议：用户寻求切实可行的个性化建议来改善自身健康状况或实现特定的健康目标；例如，“为了提高我的睡眠质量，我应该几点睡觉？”

（4）个人医疗症状：用户描述自己的症状，以探究潜在原因并了解可能发生的情况；例如，“我的喉咙发痒，吞咽困难。这是怎么回事？”

四个智能体如何分工？

严格来说，PHA包含一个中央编排器，以及数据科学、健康领域专家和健康教练三个专长子智能体。

1. 中央编排器：先理解需求，再组建临时团队

  中央编排器相当于团队负责人。它不直接包办所有工作，而是完成四个步骤：

    第一步是理解用户需求。编排器判断问题对应哪一条或哪几条用户旅程，以及用户真正想解决什么。

    第二步是动态分工。它选择一个“主智能体”，再按需调用“支持智能体”，并把原问题拆成更具体的子任务。例如，面对“根据上周数据，我怎样改善睡眠”，健康教练智能体可作为主智能体，数据科学智能体先负责分析睡眠数据，健康领域专家智能体再补充证据背景。

    第三步是反思与整合。各子智能体的输出不会被简单拼接后直接交给用户。主智能体会检查信息是否一致、完整、准确，是否充分利用了已有健康数据，避免重复询问系统已经掌握的信息。

    第四步是更新记忆。系统记录每轮对话中的关键洞见、用户目标、障碍和偏好，使后续交流保持连贯，并能随目标变化调整支持方式。

    因此，PHA不是“三个智能体同时作答，再投票选一个答案”，而是一个会根据任务动态组队、分工、复核和记忆的协作系统。

2. 数据科学智能体：把模糊问题变成可执行的统计分析

    数据科学智能体（Data Science Agent，DS智能体）专门处理个人健康数据，尤其是可穿戴设备产生的纵向时间序列数据。它采用两阶段流程。

    第一阶段生成分析方案。系统先把“我最近是不是更健康了”这类模糊问题转化为可计算的问题：用什么指标表示“健康”或“体能”，分析哪段时间，需要过滤、清洗、连接和汇总哪些数据，数据是否充足，以及应采用什么统计检验。

    第二阶段生成并执行代码。系统把结构化分析方案转成Python代码，在沙箱环境中运行。如果出现语法错误或运行时异常，它会结合原问题、分析方案和报错信息进行自我修正，最多迭代多次，直到得到可执行代码和数值结果。

    这一设计把“应该分析什么”和“如何用代码实现”分开，减少端到端生成中常见的逻辑错误与计算错误。

3. 健康领域专家智能体：把个人数据放进医学证据中解释

    健康领域专家智能体（Domain Expert Agent，DE智能体）负责医学与健康知识推理。它既要回答事实性问题，也要结合用户的人口学特征、既往健康状况、可穿戴数据和检验结果进行个体化解释。

    它采用“推理—检索—审查”的循环：先把健康问题拆成可核查的步骤，再调用网络搜索、美国国家生物技术信息中心（NCBI）接口、Data Commons等工具寻找研究证据或人群统计数据，随后审查结果并决定是否继续检索，直到证据足以支持回答。

    研究团队将其核心能力分为四类：健康信息准确性、鉴别诊断推理、情境化与个性化、多模态数据综合。这里的“多模态”包括文本、可穿戴设备数据、实验室检验结果和健康问卷等异构信息。

    它的作用不是简单检索知识，而是回答三个更重要的问题：这个结论是否有可信证据？是否适用于这个具体用户？不同来源的数据能否相互印证？

4. 健康教练智能体：把洞见转化为能执行的行动

    健康教练智能体（Health Coach Agent，HC智能体）负责目标设定、行为改变和多轮对话。其设计依据来自11名睡眠、健身和生活教练等健康专家的访谈。

    研究团队总结出六项核心能力：识别目标与动机、积极倾听、澄清情境、增强用户自主性、给出具体而个性化的建议，以及根据用户反馈调整方案。

    该智能体以动机式访谈（motivational interviewing）理念为基础，先了解目标、现实限制和用户过去尝试过的方法，再提出建议。它还设置了两个对话流程模块：一个判断何时信息已经足够、可以进入建议阶段；另一个判断何时应自然结束对话，并总结关键行动点。    

    建议尽量遵循SMART原则，即具体、可衡量、可实现、相关且有时限。这样，系统输出的不只是“多运动、早睡”一类泛泛建议，而是更贴合个人情境的行动计划。

内容由原作者AI辅助生成，若有错误欢迎指正。

来源：健康行为前沿