PATHFinder Agent for Tailored Prenatal Care

Technisches Resümee: PATHFinder Agent für maßgeschneiderte Schwangerschaftsvorsorge

Problemstellung
Die Schwangerschaftsvorsorge ist eine kritische präventive Maßnahme, doch das traditionelle Modell von 12–14 persönlichen Besuchen versäumt es oft, die sozialen Gesundheitsdeterminanten (z. B. Wohnungsinstabilität, unflexible Arbeitszeiten) zu adressieren, die Patienten den Zugang zur Versorgung erschweren. Darüber hinaus haben die American College of Obstetricians and Gynecologists (ACOG) neue Richtlinien eingeführt, den Plan for Appropriate Tailored Healthcare (PATH), der eine flexible, patientenspezifische Versorgung fordert. Die Implementierung von PATH ist jedoch sowohl für Kliniker als auch für Patienten komplex; Kliniker leiden unter Burnout durch die Adressierung ungedeckter sozialer Bedürfnisse bei unzureichenden Ressourcen, während Patienten mit sozialen Barrieren zusätzliche Besuche eher als belastend denn als hilfreich empfinden könnten. Es besteht ein Bedarf an einem System, das diese maßgeschneiderten Richtlinien operationalisieren, die Integration sozialer Ressourcen sicherstellen und die klinische Aufsicht aufrechterhalten kann, ohne die Anbieter zu überlasten.

Methodik und Systemdesign
Die Autoren schlagen den PATHFinder Agent vor, ein end-to-end konversationelles agentisches System, das darauf ausgelegt ist, den Patientenkontext zu erfassen, individualisierte Versorgungspläne zu synthetisieren und Gemeinschaftsressourcen bereitzustellen. Das System wurde gemeinsam von Fachärzten für Geburtshilfe, Hebammen und Informatikern entwickelt, um die klinische Validität und technische Machbarkeit zu gewährleisten.

• Architektur: Das System nutzt ein React-Frontend, das mit einem FastAPI-Backend kommuniziert. Der Kern des Agenten besteht aus einem Large Language Model (LLM), das mit einem Tool-Executor, einem Oversight-Classifier, einem FHIR-Service und einem Report-Generator gekoppelt ist. Der Konversationszustand wird in einer relationalen Datenbank persistiert.
• Tool-Suite: Der Agent ist mit 13 Tools aus vier Kategorien ausgestattet:
  • Medizinisch: Beinhaltet einen TOLAC-Rechner (Trial of Labor After Cesarean) und eine „An den Kliniker verweisen“-Aktion.
  • Soziale Bedürfnisse: Eine hierarchische Schnittstelle zur Abfrage von Michigan 211-Ressourcen (Lebensmittel, Wohnen, Transport usw.) nach Unterkategorie und Postleitzahl.
  • Personalisierung: Konsultiert ein sekundäres LLM, um kontextbezogene Folgefragen zu generieren.
  • Berichterstattung: Erstellt inkrementell Patientenzusammenfassungen, klinische Zusammenfassungen, Besuchspläne und Ressourcenlisten.
• Vierstufiger Workflow:
  1. Intake (Aufnahme): Patienten füllen ein standardisiertes Formular aus, das demografische Daten, die Krankengeschichte, das Gestationsalter und soziale Faktoren erfasst.
  2. Dynamische Interaktion: Der Agent führt einen strukturierten, offenen Dialog. Er verwendet ein „Form+Chat“-Interface, bei dem ein sekundäres LLM intermediäre UI-Elemente (Buttons, Checkboxen) generiert, um die Ermüdung durch Texteingabe zu reduzieren und gleichzeitig ungedeckte soziale Bedürfnisse und Präferenzen zu ermitteln.
  3. Plan-Synthese: Der Agent erstellt einen Entwurf eines Berichts, der eine patientenorientierte Zusammenfassung, eine klinische Zusammenfassung, Empfehlungen für den Besuchsplan und kuratierte Michigan 211-Ressourcen enthält.
  4. Klinische Aufsicht: Ein Kliniker überprüft den Entwurf, validiert den Plan und kann den Inhalt genehmigen oder bearbeiten, bevor die Finalisierung erfolgt.

Evaluierung und Ergebnisse
Die Autoren evaluierten Frontier-LLMs (GPT-5.2, GPT-4o, Gemini 2.5 Pro, Gemini 2.5 Flash) unter Verwendung synthetischer Patientenprofile und Experten-kuratierter Rubriken. Die Evaluierung konzentrierte sich auf fünf klinische Dimensionen:

1. Besuchshäufigkeit
2. Leistungen (Tests, Empfehlungen)
3. Zeitpunkt für antenatale Tests
4. Zeitpunkt für Wachstumsultraschall
5. Modalität der Versorgung (persönlich vs. Telemedizin)

Wesentliche Erkenntnisse:

• Leistung: GPT-5.2 erreichte die höchste durchschnittliche Rubrik-Bewertung von 77,6 %, gefolgt von Gemini 2.5 Pro (71,5 %), Gemini 2.5 Flash (62,0 %) und GPT-4o (57,25 %).
• Dimensionale Varianz: „Besuchshäufigkeit“ war die am einfachsten korrekt vorherzusagende Dimension für alle Modelle. Umgekehrt waren „antenatale Tests“ und „Leidungsempfehlungen“ die schwierigsten Dimensionen, die die größten Leistungsunterschiede zwischen den Modellen zeigten.
• Implikationen: Die Ergebnisse deuten darauf hin, dass, obwohl aktuelle Modelle vielversprechend sind, robuste Aufsichtsmaßnahmen (sowohl LLM-basiert als auch menschlich gesteuert) essenziell sind, um Fehler bei kritischen klinischen Empfehlungen zu verhindern.

Wesentliche Beiträge

1. PATHFinder Agent: Ein neuartiges agentisches System, das die ACOG-PATH-Richtlinien operationalisiert und die Lücke zwischen medizinischen Leitlinien und der Integration sozialer Ressourcen schließt.
2. Hybrides Interface-Design: Ein „Form+Chat“-Interaktionsmodell, das die strukturierte Datenerfassung mit adaptiven konversationellen Nachfragen verbindet, um die Ermüdung der Patienten zu mildern.
3. Clinician-in-the-Loop Workflow: Ein strukturierter vierstufiger Prozess, der sicherstellt, dass alle generierten Versorgungspläne einer menschlichen Validierung unterliegen, was Sicherheits- und Deployment-Bedenken adressiert, die in der aktuellen medizinischen KI-Literatur geäußert werden.
4. Empirisches Benchmarking: Eine vergleichende Evaluierung von State-of-the-Art-LLMs hinsichtlich spezifischer Dimensionen der Schwangerschaftsvorsorge, die aktuelle Fähigkeiten und Einschränkungen in komplexer medizinischer Argumentation aufzeigt.

Bedeutung und Ansprüche
Das Paper positioniert den PATHFinder Agent als potenziellen Ermöglicher für die breite Anwendung maßgeschneiderter Richtlinien zur Schwangerschaftsvorsorge. Die Autoren behaupten, dass das System den Übergang von einem starren, visit-intensiven Modell zu einem flexiblen, patientenzentrierten Ansatz unterstützen kann, der sowohl medizinische als auch soziale Determinanten der Gesundheit adressiert.

Die Autoren vertreten eine bescheidene Haltung bezüglich des Einsatzes. Sie betonen explizit, dass das System darauf ausgelegt ist, Kliniker zu unterstützen und nicht zu ersetzen. Das Paper hebt hervor, dass zukünftige Arbeiten formale Genauigkeitsgarantien, Studien mit menschlichen Teilnehmern und randomisierte kontrollierte Studien beinhalten müssen, bevor das System als einsatzbereit für die reale klinische Praxis gelten kann. Der aktuelle Beitrag wird als technischer Prototyp und Evaluierungsrahmen gerahmt, der zentrale Lücken (insbesondere bei Empfehlungen für antenatale Tests) identifiziert, die adressiert werden müssen, um Sicherheit und Wirksamkeit zu gewährleisten.