AI & computing › Agentic AI & autonome agents
Google bouwt AI-gezondheidscoach met drie digitale specialisten
Onderzoekers van Google hebben een AI-systeem ontwikkeld dat gezondheidsvragen beantwoordt door drie gespecialiseerde AI-agenten te laten samenwerken. De 'personal health agent' combineert data van smartwatches, medische gegevens en gezondheidskennis om persoonlijk advies te geven. Het systeem is uitgebreid getest met meer dan 7.000 beoordelingen door experts en gebruikers, en is nu open source beschikbaar.
Steeds meer mensen dragen een smartwatch of fitnesstracker die slaap, hartslag en beweging meet. Maar wat die cijfers precies betekenen, blijft voor veel gebruikers onduidelijk. Onderzoekers van Google ontwikkelden daarom een AI-systeem dat die data begrijpelijk maakt: de personal health agent (PHA). Het systeem is beschreven in een publicatie in het wetenschappelijke tijdschrift Nature.
De makers ontdekten dat één AI-model niet goed genoeg is om alle soorten gezondheidsvragen te beantwoorden. Een vraag over trainingsvoortgang vraagt om nauwkeurige dataverwerking, terwijl een vraag over motivatie om een empathisch gesprek vraagt. Daarom koos het team voor een aanpak met meerdere gespecialiseerde AI-agenten die elk hun eigen taak hebben, aangestuurd door een centrale 'regisseur'.
Drie specialisten, één gesprek
De eerste agent, de data-agent, analyseert cijfers uit wearables en vergelijkt die met gegevens van grote groepen mensen. Zo kan het systeem bijvoorbeeld uitleggen of een hardloopprestatie boven of onder gemiddeld is. De tweede agent, de medische-kennis-agent, combineert persoonlijke gegevens zoals bloedwaarden met algemene medische kennis om een waarde in context te plaatsen. De derde agent, de coach-agent, voert het gesprek met de gebruiker. Die stelt doelen, signaleert obstakels en gebruikt gesprekstechnieken uit de psychologie, zoals motiverende gespreksvoering, om gedragsverandering te ondersteunen.
Voordat de onderzoekers het systeem bouwden, onderzochten ze eerst waar mensen daadwerkelijk mee worstelen. Ze analyseerden 1.370 zoekopdrachten en vragen van gezondheidsforums, hielden een enquête onder 555 gebruikers en organiseerden een workshop met veertien experts. Daaruit kwamen vier soorten vragen naar voren: algemene gezondheidskennis, het interpreteren van eigen data, advies over leefstijl, en vragen over klachten en symptomen.
Uitgebreid getest door experts en gebruikers
De onderzoekers onderwierpen hun systeem aan een van de grootste tests die ooit op een gezondheids-AI is uitgevoerd. Over elf verschillende testtaken verzamelden ze ruim 7.000 beoordelingen, met in totaal 1.350 uur aan werk van gezondheidsexperts en gewone gebruikers. Daarbij keken ze niet alleen of het systeem feitelijk klopte, maar ook of de data-analyses correct waren en of de coaching daadwerkelijk motiveerde.
Het team benadrukt dat de personal health agent geen vervanging is voor een arts. Het systeem is bedoeld om mensen te helpen hun eigen gezondheidsdata beter te begrijpen en gezondere keuzes te maken, niet om diagnoses te stellen. De broncode is openbaar gemaakt, zodat andere ontwikkelaars het systeem kunnen uittesten, verbeteren en met andere typen medische data kunnen uitbreiden, zoals volledige elektronische patiëntendossiers.
De publicatie laat zien hoe AI-chatbots zich ontwikkelen van simpele vraag-en-antwoordsystemen naar complexere systemen die meerdere AI's laten samenwerken. Die aanpak wordt steeds vaker gebruikt in andere sectoren, van klantenservice tot financiële planning, omdat één AI-model lastig alle taken even goed kan uitvoeren.
Achtergrond & begrippen
Wat betekent dit voor de toekomst? Deze ontwikkeling laat zien dat AI-gezondheidshulp steeds persoonlijker en betrouwbaarder wordt door meerdere gespecialiseerde systemen te combineren in plaats van op één model te vertrouwen. Dit kan de drempel verlagen voor mensen om inzicht te krijgen in hun eigen gezondheidsdata, al blijft een arts nodig voor diagnoses. De aanpak met samenwerkende AI-agenten kan ook in andere sectoren, zoals financiën en onderwijs, een blauwdruk worden voor complexere AI-toepassingen.
- Large language model (LLM)
- Een AI-model dat getraind is op grote hoeveelheden tekst en daardoor mensachtige taal kan begrijpen en genereren, zoals ChatGPT of Gemini.
- Multi-agentsysteem
- Een AI-opzet waarin meerdere gespecialiseerde AI-programma's samenwerken, elk gericht op een eigen taak, aangestuurd door een overkoepelend regisseursysteem.
- Wearables
- Draagbare apparaten zoals smartwatches en fitnesstrackers die lichaamssignalen meten, zoals hartslag, slaap en beweging.
- Orchestrator (regisseur)
- Het onderdeel van het AI-systeem dat bepaalt welke gespecialiseerde agent een vraag moet beantwoorden en de antwoorden samenvoegt tot één samenhangend advies.
- Motiverende gespreksvoering
- Een gesprekstechniek uit de psychologie die mensen helpt hun eigen motivatie voor gedragsverandering te vinden, vaak gebruikt bij leefstijlbegeleiding.
- Biomarker
- Een meetbare waarde in het lichaam, zoals een bloedwaarde, die iets zegt over gezondheid of de aanwezigheid van een aandoening.
- Open source
- Software waarvan de broncode openbaar is, zodat andere ontwikkelaars deze vrij kunnen inzien, gebruiken en aanpassen.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.
