编辑推荐：
大语言模型（large language models, LLMs）正在催生新一代健康代理（health agents），然而其在日常健康场景中满足个体多样化需求的能力仍未得到充分探索。研究人员开发了一种全面的个人健康代理（personal health ag
大语言模型（large language models, LLMs）正在催生新一代健康代理（health agents），然而其在日常健康场景中满足个体多样化需求的能力仍未得到充分探索。研究人员开发了一种全面的个人健康代理（personal health agent, PHA），该代理能够对来自消费级健康设备（consumer wellness devices）和医疗记录的多模态数据进行推理，以提供个性化健康支持。通过对网络搜索和健康论坛查询的分析，结合涉及最终用户和健康专家的以用户为中心的研究，研究人员确定了四个关键用户旅程（critical user journeys, CUJs）：一般健康知识、个人数据解读、健康建议和症状评估。这些旅程催生了三个专业子代理：（1）数据科学代理（data science agent, DS agent），负责分析纵向可穿戴和医疗数据，并结合人群层面统计以情境化数值洞察；（2）健康领域专家代理（domain expert agent, DE agent），负责整合个人和情境数据与健康知识，以生成个性化见解；（3）健康教练代理（health coach agent, HC agent），负责综合见解、支持多轮交互和目标设定、应用特定心理策略并跟踪进度。研究人员将这些能力整合到个人健康代理中，这是一个开源的多代理框架，用于动态、个性化的健康交互。研究人员在11项基准任务上使用自动化和人工评估对子代理和整个系统进行了评估，涉及超过7,000条注释以及来自健康专家和最终用户的1,350小时（h）投入。这代表了迄今为止对个人健康代理最全面的评估，并为更广泛地改善高质量个性化健康支持的可及性提供了具体基础。
近年来，大语言模型（large language models, LLMs）推动医疗健康领域发生变革，可支持临床文档、诊断、决策支持、药物发现以及消费级健康工具。然而，现有系统在满足个体日常健康场景中多样化需求的能力仍不充分：一些系统仅覆盖狭窄的健身或睡眠问题，缺乏深度数值分析；另一些系统可处理广泛数值查询，但未评估健康专业知识和互动辅导。可穿戴设备提供了连续的多模态生理信号，但数值时间序列推理仍不可靠。因此，迫切需要一种能综合数据分析、健康领域知识和行为辅导的完整个人健康代理。
为应对这一挑战，研究人员开展了一项以用户为中心的研究，通过分析网络搜索和健康论坛查询、用户调查和专家工作坊，确定了四个关键用户旅程（critical user journeys, CUJs）：一般健康知识、个人数据解读、健康建议和症状评估。基于这些旅程，研究人员开发了个人健康代理（personal health agent, PHA）——一个开源的多代理框架，由三个专业子代理组成：数据科学代理（data science agent, DS agent）、健康领域专家代理（domain expert agent, DE agent）和健康教练代理（health coach agent, HC agent），并由中央编排器动态协调。该研究发表于《Nature》。研究人员在11项基准任务上进行了自动化和人工评估，涉及超过7,000条注释和来自健康专家与终端用户的1,350小时投入，这是迄今对个人健康代理最全面的评估，为广泛改善高质量个性化健康支持的可及性提供了基础。
研究人员采用的关键技术方法包括：基于真实世界队列——可穿戴代谢健康（WEAR-ME）研究（n=1,165）——的数据来构建评估场景，并从该队列中抽取50个用户画像用于人本评估；DS代理采用两阶段架构，先生成结构化分析计划，再生成可执行Python代码并迭代自纠错；DE代理采用多步推理-调查-检查循环，整合网络搜索、NCBI API和DataCommons API等工具；HC代理采用基于动机性访谈的模块化设计，包含个性化辅导模块和对话流模块；集成系统PHA由编排器执行用户需求理解、任务分配、查询反思和记忆更新。评估使用了LLM自动评分器（与人类专家验证）、盲法终端用户研究和健康专家评审。
### 以用户为中心的健康需求分析
该部分通过综合1,370条消费者健康查询、555名用户的调查和14名专家的设计工作坊，识别出四个关键用户旅程，验证了模块化架构的必要性。
### 模块化多代理健康架构
该部分描述了PHA的系统组成：DS代理分析个人时间序列数据，DE代理提供基于证据的临床上下文，HC代理支持目标设定和行为改变；编排器负责分解请求、分配任务并合成响应。
### 数据科学代理改进了分析和编码
通过专家评分和173项单元测试，DS代理在分析计划质量和代码生成首次通过率上显著优于基础模型，表明该架构能有效处理模糊的个性化数据查询。
### 领域专家代理综合多模态洞察
DE代理在医学知识问答（>2,000题）上准确率提升，在2,000例真实症状病例的鉴别诊断中达到46.1%的top-1准确率；盲法用户和临床医生评估显示其在个性化、可信度和多模态摘要方面明显更优。
### 健康教练代理实现专家对齐的辅导
基于11名专家的主题分析设计，31名终端用户和3名专家的评估显示HC代理在对话流畅性、动机性访谈和反馈处理上优于基线，尽管在进度测量上基线稍优，这促使在PHA中进行了改进。
### PHA提供整体健康支持
45名终端用户和3名健康专家对PHA、单代理PHIA和并行多代理系统进行了实时多轮对话评估，PHA在整体质量和有用性上获得最高排名，专家评估中优势更为显著，验证了协同架构的价值。
### 使用合成对话扩展评估
基于50个WEAR-ME人物画像合成了150段对话，由20名普通评估者和5名健康专家评分，结果与实时评估一致，支持了PHA的普遍优势。
### 相对计算成本优势
PHA平均每轮6.5次LLM调用和205.3秒响应时间，低于并行多代理的7.0次和244.4秒，优于静态并行方法。
### 总体总结
各子代理独立提升了目标能力，编排后的PHA优于单代理和并行多代理基线，支持模块化协作架构。
讨论部分指出，PHA在个人数据解读和健康建议方面表现突出，但症状评估需保持谨慎，系统不应提供明确诊断或替代专业医疗。未来应加入公平性指标、限制开放网络检索到权威来源、增加风险查询处理机制。局限性包括评估未覆盖长期行为改变、依赖LLM自动评分器、以Fitbit数据为主、计算成本较高等。研究结论为：总体而言，本研究在11项基准任务和超过1,350小时的终端用户与专家评估中，评估了DS、DE和HC代理及其编排。公开的实现和基准允许其他研究人员和工程师测试不同的代理、基础模型、协作模式和保障措施。这些结果为日常健康与福祉的个人健康代理的进一步研究提供了基础。
