临床计算器在医疗风险评估中发挥关键作用，但其应用往往受限于可用性、传播速度和临床整合度。研究人员提出了 AgentMD——一种能够自动搜集并应用临床计算器的智能语言代理系统。在“工具构建”阶段，AgentMD 从 PubMed 中筛选出 2,164 个可执行的临床计算器，其质量验证准确率超过 85%，单元测试通过率超过 90%。在“工具使用”阶段，AgentMD 可自动选择并应用最合适的计算器进行风险预测。在评估中，AgentMD 在风险预测准确率上显著超越 GPT-4（87.7% vs. 40.9%）。在 698 份真实急诊病历上，AgentMD 能精确计算个体级风险；在 MIMIC-III 病历数据上，它还能提供群体级风险洞察。本研究展示了语言代理在医疗中自动整理并运用临床计算器的潜力，为个体化风险评估与大规模健康数据分析开辟了新方向。

临床风险计算器是医生评估疾病风险与预后的重要工具，例如 HEART 评分可用于预测急性心脏不良事件。然而，这些计算器的临床应用受多重因素限制：

医生需熟悉计算器适用场景与参数；

工具多为独立存在，难以整合；

缺乏与电子病历（EHR）的数据兼容性，导致需手动输入数据；

手工解读带来主观误差。

语言代理（Language Agent）基于大型语言模型（LLMs）发展而来，具有使用外部工具的能力。研究人员基于此提出 AgentMD 框架，旨在：（1）自动化整理临床风险计算器；（2）在不同场景中智能选择并执行相应计算。

AgentMD 既是工具创建者（Tool Maker），也可作为工具使用者（Tool User）。其核心组成包括临床计算器数据库 RiskCalcs，以及一个独立于模型架构的风险计算框架，用于匹配、计算和总结患者风险。

图1. AgentMD 框架结构与临床计算器

AgentMD 包含两个核心阶段：

AgentMD 使用 PubMed 文章作为信息源，通过 LLM 自动筛选与生成计算器草稿，并进行六维验证。最终构建的 RiskCalcs 包含 2,164 个临床风险计算器，每个工具均具备用途说明、计算逻辑（Python函数）、解释标准与临床效用描述。

临床计算器应用（Tool Application）

AgentMD 首先根据患者病历提取关键信息，通过检索模型 MedCPT 匹配最相关计算器。随后，它调用相应的计算逻辑，在 Python 环境中执行运算并生成风险报告。若缺失关键参数，AgentMD 通过最佳/最差情景假设提供范围估计。

这一流程被应用于三类数据：

RiskQA 数据集（350 个多项选择题）：用于控制性验证；

Yale 急诊病历（698 份）：用于个体级测试；

MIMIC-III 病历（9822 份）：用于群体级分析。

研究人员在两组样本中验证 RiskCalcs 工具质量：被引用最多的 50 个计算器与随机抽样的 50 个计算器。结果表明:

计算逻辑与结果解释的正确率分别为 87.6% 与 89.0%；

AgentMD 的自动单元测试与人工计算结果一致率达 91.6%。

此外，约 68% 的高引用计算器已存在于网络工具中，但随机样本中仅 4% 可在线获得。AgentMD 自动生成的 RiskCalcs 能弥补网络资源覆盖不足，成为新的可复用医学工具库。

图2. RiskCalcs 计算器的正确性与覆盖性评估结果

RiskQA 模拟 USMLE 医考题形式，用于评估 AgentMD 的选取与计算能力。

结果显示：

GPT-4 驱动的 AgentMD 准确率 87.7%，而 GPT-4 自身仅 40.9%；

GPT-3.5 驱动的 AgentMD 准确率仍高于 GPT-4 + Chain-of-Thought 提示；

工具选择准确率达 0.823，显著高于基线 MedCPT（0.723）。

这表明，当语言模型获得结构化医疗工具支持后，其风险计算与逻辑推理能力显著增强。

图3. AgentMD 在 RiskQA 数据集上的性能表现与对比

研究人员选取 16 个常用急诊风险计算器（如 CURB-65、qSOFA、HEART Score 等），并将 AgentMD 应用于 698 份急诊病历。

结果显示：

80.6% 的患者符合计算器使用条件；

在这些样本中，计算过程正确率为 52.3%，部分正确率为 28.5%；

结果有用或部分有用的比例达 97.7%。

多数计算器得分超过 60%，仅个别受缺失值假设影响（如 HEART Score、CCR）。

图4. AgentMD 在急诊病历中的预测表现与人工评估结果

在 MIMIC-III 病历上，AgentMD 应用 1039 个计算器，覆盖 9822 名患者。每位患者平均应用 4.6 个计算器，显示该模型能同时考虑多重风险因素。AgentMD 还定义了四个可解释指标：特异性、紧急性、严重度、缺失度，并通过医生评估验证了其一致性（平均一致率 70% 以上）。在院内死亡预测任务中，AgentMD 生成的计算结果在 113 个计算器上表现优于 GPT-4，表明其计算结果具有潜在预测增益。

图5. AgentMD 在 MIMIC-III 上的群体级风险分析结果与 ROC

AgentMD 解决了临床工具学习中的两个核心问题：

缺乏系统的医疗计算器工具库；

缺少自动化的工具应用方法与评估体系。

通过 PubMed 文献挖掘与 LLM 自动生成，AgentMD 构建了全球首个可执行医学计算器集合 RiskCalcs，实现了跨疾病、跨领域的风险建模。

在 RiskQA、急诊病历与 MIMIC-III 三个层级的验证中，AgentMD 展现出优越的准确性、可扩展性与可解释性。

未来方向包括：

扩展至全文数据库与更多信息模态（如影像与结构化数据）；

开发低成本、可本地部署的开源版本；

将 AgentMD 嵌入医院工作流程，实现实时辅助决策。

综上，AgentMD 标志着临床语言代理向自主知识构建与风险建模迈出关键一步，为精准医疗与智能决策提供了可扩展、可验证的技术基础。

Jin, Q., Wang, Z., Yang, Y. et al. AgentMD: Empowering language agents for risk prediction with large-scale clinical tool learning. Nat Commun 16, 9377 (2025). 

https://doi.org/10.1038/s41467-025-64430-x