Introducere. Sepsisul, o afecţiune care pune viaţa în pericol, face milioane de victime anual din cauza intervenţiilor întârziate. Instrumentele de asistenţă decizională care utilizează IA pot îmbunătăţi gestionarea promptă a sepsisului în terapia intensivă, abordând nevoia urgentă de decizii rapide, bazate pe dovezi. Scop. Evaluarea performanţei sistemelor de IA multi-agent în gestionarea bazată pe dovezi a sepsi-sului, a recomandărilor privind antibioticele şi a respectării ghidurilor în diverse cazuri de sepsis. Material şi metode. Un sistem multi-agent care utilizează Palmyra-Med 70B cu generare augmentată (RAG) a fost testat pe 10 cazuri de sepsis (8 din baza de date MIMIC IV, 2 bazate pe literatură). Agenţii au gestionat managementul, antibioticele şi conformitatea. Rezultatele au fost evaluate de TruLens şi doi intensivişti pentru fundamentare şi relevanţă. Rezultate. Sistemul a generat recomandări privind antibioticele (scor mediu 0,89 - 1,0) în cazuri precum pneumonia şi fasceita necrozantă, cu evaluări acceptabile din partea experţilor. (Cohen Kappa = 0.22 - 0,622). Cu toate acestea, halucinaţiile (de exemplu, semne clinice neconfirmate) şi lipsa detaliilor din ghiduri (de exemplu, dezescaladarea) au redus scorurile de ancorare (0,44-0,94) în cazurile complexe. Scorurile de conformitate au variat între 0,50 şi 0,89, reflectând o respectare inconsistentă a ghidurilor. Experţii au evidenţiat utilitatea, dar au remarcat probleme de fiabilitate datorate halucinaţiilor (ex. în cazurile cu comorbidităţi). Concluzii. Sistemul de inteligentă artificială multi-agent este promiţător pentru gestionarea sepsisului în unităţile de terapie intensivă, dar necesită rafinare pentru a reduce inconsistenţa (ex. halucinaţiile) şi a spori respectarea ghidurilor curente, asigurând fiabilitatea clinică.
Introduction. Sepsis, a life-threatening condition, claims millions of lives yearly due to delayed interventions. Decision-support tools leveraging artificial intelligence (AI) can enhance timely sepsis management in the intensive care units (ICUs), addressing the urgent need for rapid, evidence-based decisions. Objective. To evaluate a multiagent AI system’s performance in providing evidence-based sepsis management, antibiotic recommendations, and guideline adherence across diverse sepsis cases. Material and methods. A multi-agent system using Palmyra-Med 70B with retrieval-augmented generation (RAG) was tested on 10 sepsis cases (8 from MIMIC IV and 2 from literature-based studies). Agents handled management, antibiotics, and compliance. Outputs were assessed by TruLens, GPT-3.5 Turbo, and two intensivists for groundedness and relevance. Results. The system generated rapid and appropriate antibiotic recommendations (mean score 0.89-1.0) across cases such as pneumonia and necrotizing fasciitis, with acceptable expert ratings for community-acquired pneumonia (Cohen’s Kappa = 0.622). However, hallucinations (e.g. unconfirmed clinical signs) and lack of details in guidelines (e.g. de-escalation) reduced anchor scores (0.440.94) in complex cases. Compliance scores ranged from 0.50 to 0.89, reflecting inconsistent adherence to the guidelines. Expert feedback highlighted utility but noted reliability issues due to hallucinations, particularly in cases with comorbidities. Conclusion. The multi-agent artificial intelligence system is promising for sepsis management in the intensive care units. Still, it requires improvement and refinement to reduce inconsistency (e.g., hallucinations) and increase compliance with current guidelines, ensuring clinical reliability.
