Klinische Aufgaben brauchen spezialisierte KI-Agenten – Corti erläutert Konzept einer Multi-Agent-Architektur mit Orchestrator

Im Gesundheitswesen greifen klinische Entscheidungsfindung, Abrechnung, Terminplanung und weitere Aufgaben häufig ineinander. Jeder Bereich stützt sich auf eigene Wissensgrundlagen, Datenquellen und Werkzeuge. Soll ein einzelner KI-Agent alle Anforderungen bewältigen, muss er zahlreiche Informationen und Funktionen gleichzeitig berücksichtigen.

Zu viele Aufgaben beeinträchtigen die Leistung, was im Gesundheitsbereich inakzeptabel ist. Florian Schwiecker, Chief Partnerships Officer bei Corti, erläutert daher das Konzept einer Multi-Agent-Architektur im Zusammenspiel mit einem Orchestrator:

Stattet man ein einzelnes LLM mit zu vielen Werkzeugen und Verantwortlichkeiten aus, sinkt seine Leistungsfähigkeit. Das Modell muss alle verfügbaren Funktionen gleichzeitig berücksichtigen, wodurch die Auswahl des passenden Werkzeugs unzuverlässiger wird. Zugleich konkurrieren sämtliche Informationen um den Platz in einem einzigen Kontextfenster. Mehr Token bedeuten langsamere Antworten, höhere Kosten und häufig eine geringere Genauigkeit.

Im Gesundheitswesen betrifft dies besonders Aufgaben aus unterschiedlichen Fachgebieten. Klinische Entscheidungsfindung erfordert einen anderen Kontext als die Abrechnungslogik. Für die Optimierung der Terminplanung werden andere Werkzeuge benötigt als für die Leitlinienrecherche. Soll ein einzelner Agent sämtliche Aufgaben erledigen, kann diese fachliche Breite die Qualität der Ergebnisse beeinträchtigen.

Spezialisierte Agenten teilen die Aufgaben untereinander auf

Multi-Agent-Systeme zerlegen komplexe Anforderungen in klar abgegrenzte Teilbereiche. Spezialisierte Agenten übernehmen dabei jeweils ein bestimmtes Fachgebiet. Ein Orchestrator koordiniert ihre Arbeit und führt die einzelnen Ergebnisse zusammen.

Dazu nimmt der Orchestrator zunächst die Benutzeranfrage entgegen. Anschließend analysiert er auf übergeordneter Ebene, welche Schritte erforderlich sind. Er entscheidet, welche Experten zum Einsatz kommen, und kann mehrere davon parallel aufrufen. Abschließend führt er ihre Ergebnisse zu einer gemeinsamen Antwort zusammen.

Die Experten verfügen jeweils über einen eigenen System-Prompt und eine begrenzte Auswahl an Werkzeugen. Sie erhalten nur die Informationen, die sie für ihre konkrete Aufgabe benötigen. Ihre Ergebnisse übermitteln sie anschließend an den Orchestrator.

Der Kontext eines Experten für medizinische Fachinformationen wird nicht durch Abrechnungswerkzeuge belastet. Ein Experte für medizinische Kodierung benötigt wiederum keine Funktionen zur Terminplanung. Jeder Agent arbeitet somit in einer fokussierten Umgebung. Das verbessert die Werkzeugauswahl und die Qualität der Antworten.

Parallele Abfragen unterstützen die Dosierungsentscheidung

Die Funktionsweise lässt sich anhand einer konkreten Anfrage veranschaulichen: „Welche Metformin-Dosis ist angesichts der Nierenfunktion für diesen Patienten angemessen?“

Beim Ansatz mit einem einzelnen Agenten berechnet das LLM zunächst die Nierenfunktion. Anschließend recherchiert es die Dosierungsleitlinien und prüft mögliche Wechselwirkungen mit der aktuellen Medikation. Jeder Schritt erweitert den Kontext. Zugleich muss der Agent klinische Berechnungswerkzeuge, Arzneimitteldatenbanken und Wechselwirkungsprüfungen verwalten.

Bei einem Multi-Agent-Ansatz verteilt der Orchestrator diese Aufgaben parallel auf drei Experten: „Medical Calculator“ berechnet anhand der Laborwerte des Patienten die eGFR. „DrugBank“ ruft die Schwellenwerte für die Metformin-Dosierung bei eingeschränkter Nierenfunktion ab. Gleichzeitig prüft „Posos“ mögliche Wechselwirkungen mit der aktuellen Medikation. Der Orchestrator erhält diese Ergebnisse und führt sie zu einer Dosierungsempfehlung mit den relevanten Sicherheitshinweisen zusammen. Jeder Experte greift dabei ausschließlich auf die Wissensgrundlagen seines Fachgebiets zu. Kein einzelner Agent muss sämtliche Datenquellen und Werkzeuge gleichzeitig verwalten.

Die Architektur orientiert sich an etablierten Strukturen

Welcher Ansatz geeignet ist, hängt von der konkreten Anfrage und den verfügbaren Daten ab. Die Aufgabenteilung in Multi-Agent-Systemen entspricht der Arbeitsweise im Gesundheitswesen. Ein Arzt übernimmt nicht zugleich Abrechnung, Vorabgenehmigungen und Terminplanung. Stattdessen bearbeiten verschiedene Fachkräfte einzelne Prozessschritte und stimmen sich bei Bedarf ab. Multi-Agent-Systeme übertragen dieses Prinzip auf KI-gestützte Prozesse.

Daraus ergeben sich mehrere Vorteile:

• Höhere Genauigkeit: Spezialisierte Agenten mit fokussiertem Kontext machen weniger Fehler als ein Generalist mit zahlreichen Aufgaben.
• Übersichtliche Architektur: Jeder Agent besitzt einen klaren Aufgabenbereich. Das erleichtert Entwicklung, Tests und Wartung.
• Flexibilität: Neue Funktionen lassen sich durch weitere Agenten ergänzen. Ändert sich die medizinische Kodierung, wird nur der dafür zuständige Agent aktualisiert.
• Schnellere Ausführung: Mehrere Agenten können gleichzeitig arbeiten. Eine Prüfung der Entlassungsfähigkeit kann Vitalparameter, Laborwerte, Medikation und Nachsorgetermine parallel statt nacheinander abfragen.

Multi-Agent-Architektur als Service

Entwickeln Unternehmen eine Multi-Agent-Architektur selbst, benötigen sie dafür eine eigene Orchestrierungsschicht. Diese muss Kontextfenster verwalten, eine parallele Ausführung ermöglichen sowie Wiederholungsversuche und Fehler behandeln. Auch die Prompts müssen agentenübergreifend optimiert werden. Der Aufbau dieser Infrastruktur kann mehrere Monate beanspruchen, bevor sich eine Lösung bereitstellen lässt.

Bei Corti ist die erforderliche Infrastruktur bereits in der Architektur enthalten. Ein Orchestrator koordiniert die spezialisierten Experten. Über den System-Prompt legen Unternehmen sein Verhalten fest und bestimmen, welche Experten er aufrufen und auf welche Daten er zugreifen kann. Corti übernimmt Multi-Agent-Koordination, Kontextverwaltung, parallele Ausführung, Memory und Fehlerbehandlung. Die Konfiguration lässt sich dadurch gezielt auf die fachlichen Anforderungen abstimmen.