A Multi-Agent Framework for Sepsis Clinical Decision Support

Abstract

[Abstract] The work presented in this dissertation demonstrates how real-world clinical data, structured medical knowledge, and interpretable artificial intelligence methods can be integrated to support sepsis prediction and clinical decision-making. Across five chapters, this study progressively develops a research framework that moves from clinical data infrastructure to predictive modeling and intelligent decision support. First, the thesis reviews the current landscape of artificial intelligence applications in sepsis research and highlights the limitations of conventional data-driven models, particularly regarding interpretability, knowledge integration, and clinical applicability. Second, a multicenter sepsis database was established and used to construct a structured knowledge graph through large language model–assisted entity recognition and relationship extraction, providing an organized representation of sepsis-related medical knowledge and clinical concepts. Building on this data and knowledge foundation, an interpretable prognostic modeling framework was developed using explainable machine learning. By quantifying individualized risk contributions and applying clustering to risk attribution patterns, the study identified clinically meaningful sepsis subphenotypes with distinct risk profiles and pathophysiological characteristics. Subsequently, an ontology-enhanced large language model framework was proposed to improve early prediction of sepsis and septic shock by transforming unstructured clinical narratives into knowledge-informed structured features, enabling accurate and interpretable stage-aware risk prediction. Finally, a multi-agent clinical decision-support system, Sepsis-Agent, was developed to integrate predictive models, medical knowledge, and generative reasoning within a unified architecture. By coordinating multiple specialized modules through a large language model orchestrator and retrieval-augmented knowledge access, the system enables structured analysis and evidence-informed decision support for sepsis management. Together, these studies illustrate a coherent research pathway from clinical data construction and knowledge representation to predictive modeling and intelligent decision-support systems, providing methodological insights and practical foundations for the development of interpretable AI tools in critical care medicine.Taken together, these contributions highlight a translational pathway from data construction and knowledge representation to interpretable prediction and coordinated decision support. The dissertation therefore advances not only a set of computational models, but also an integrated methodological framework for building clinically grounded AI systems. Equally important, the work identifies practical requirements that must accompany technical development, including transparent data governance, continuous expert review, calibration across heterogeneous patient populations, and evaluation of how recommendations affect clinical workflow. These considerations are central to ensuring that intelligent systems remain robust under real-world uncertainty and that their outputs can be interpreted, challenged, and refined by clinicians. The work also acknowledges that retrospective validation, although necessary, is not sufficient for clinical adoption. Prospective studies should examine model stability over time, performance across different hospital information systems, clinician interaction patterns, and potential unintended consequences in high-pressure care environments. They should also consider training needs, organizational readiness, and mechanisms for auditing recommendations after deployment, because the value of clinical AI depends on its sustained performance within real care teams. Future work should focus on prospective validation, broader multi-center deployment, user-centered interface refinement, and systematic evaluation of how model explanations influence clinical decisions. Such efforts will be essential for moving from technically promising prototypes toward reliable, accountable, and ethically deployable tools for intelligent critical care.

[Resumo] O traballo presentado nesta tese demostra como os datos clínicos do mundo real, o coñecemento médico estruturado e os métodos de intelixencia artificial interpretable poden integrarse para apoiar a predición da sepse e a toma de decisións clínicas. Ao longo de cinco capítulos, este estudo desenvolve progresivamente un marco de investigación que avanza desde a infraestrutura de datos clínicos ata a modelización preditiva e o apoio intelixente á decisión. En primeiro lugar, a tese revisa o panorama actual das aplicacións da intelixencia artificial na investigación sobre sepse e salienta as limitacións dos modelos convencionais baseados en datos, especialmente no que se refire á interpretabilidade, á integración de coñecemento e á aplicabilidade clínica. En segundo lugar, estableceuse unha base de datos multicéntrica de sepse e empregouse para construír un grafo de coñecemento estruturado mediante recoñecemento de entidades e extracción de relacións asistidos por grandes modelos de linguaxe, proporcionando unha representación organizada do coñecemento médico e dos conceptos clínicos relacionados coa sepse. Sobre esta base de datos e coñecemento, desenvolveuse un marco prognóstico interpretable mediante aprendizaxe automática explicable. Ao cuantificar contribucións individualizadas ao risco e aplicar agrupamento aos patróns de atribución de risco, o estudo identificou subfenotipos de sepse clinicamente significativos con perfís de risco e características fisiopatolóxicas diferenciadas. Posteriormente, propúxose un marco de grandes modelos de linguaxe mellorado con ontoloxía para mellorar a predición temperá da sepse e do shock séptico, transformando narrativas clínicas non estruturadas en características estruturadas informadas por coñecemento e permitindo unha predición de risco precisa, interpretable e sensible ao estadio. Finalmente, desenvolveuse un sistema multi-axente de apoio á decisión clínica, Sepsis-Agent, para integrar modelos preditivos, coñecemento médico e razoamento xerativo dentro dunha arquitectura unificada. Ao coordinar múltiples módulos especializados mediante un orquestrador baseado nun gran modelo de linguaxe e acceso a coñecemento aumentado por recuperación, o sistema permite análise estruturada e apoio á decisión informado pola evidencia para o manexo da sepse. En conxunto, estes estudos ilustran unha vía de investigación coherente desde a construción de datos clínicos e a representación do coñecemento ata a modelización preditiva e os sistemas intelixentes de apoio á decisión, achegando coñecementos metodolóxicos e fundamentos prácticos para o desenvolvemento de ferramentas de IA interpretable na medicina de coidados críticos. Consideradas no seu conxunto, estas contribucións salientan unha vía translacional que vai desde a construción de datos e a representación do coñecemento ata a predición interpretable e o apoio coordinado á decisión. A tese, por tanto, non só propón un conxunto de modelos computacionais, senón tamén un marco metodolóxico integrado para construír sistemas de IA clinicamente fundamentados. Igual de importante é que o traballo identifica requisitos prácticos que deben acompañar o desenvolvemento técnico, incluíndo gobernanza transparente dos datos, revisión experta continua, calibración en poboacións de pacientes heteroxéneas e avaliación de como as recomendacións afectan ao fluxo de traballo clínico. Estas consideracións son centrais para garantir que os sistemas intelixentes permanezan robustos baixo a incerteza do mundo real e que as súas saídas poidan ser interpretadas, cuestionadas e refinadas polos clínicos. O traballo tamén recoñece que a validación retrospectiva, aínda que necesaria, non é suficiente para a adopción clínica. Os estudos prospectivos deberían examinar a estabilidade dos modelos ao longo do tempo, o rendemento en distintos sistemas de información hospitalaria, os patróns de interacción dos clínicos e as posibles consecuencias non desexadas en contornos asistenciais de alta presión. Tamén deberían considerar as necesidades de formación, a preparación organizativa e os mecanismos para auditar as recomendacións despois do despregamento, porque o valor da IA clínica depende do seu rendemento sostido dentro de equipos reais de atención. O traballo futuro debería centrarse na validación prospectiva, nun despregamento multicéntrico máis amplo, no refinamento de interfaces centrado no usuario e na avaliación sistemática de como as explicacións dos modelos inflúen nas decisións clínicas. Estes esforzos serán esenciais para avanzar desde prototipos tecnicamente prometedores cara a ferramentas fiables, responsables e eticamente despregables para coidados críticos intelixentes.

[Resumen] El trabajo presentado en esta tesis demuestra cómo los datos clínicos del mundo real, el conocimiento médico estructurado y los métodos de inteligencia artificial interpretable pueden integrarse para apoyar la predicción de la sepsis y la toma de decisiones clínicas. A lo largo de cinco capítulos, este estudio desarrolla progresivamente un marco de investigación que avanza desde la infraestructura de datos clínicos hasta la modelización predictiva y el apoyo inteligente a la decisión. En primer lugar, la tesis revisa el panorama actual de las aplicaciones de la inteligencia artificial en la investigación sobre sepsis y destaca las limitaciones de los modelos convencionales basados en datos, especialmente en lo relativo a interpretabilidad, integración de conocimiento y aplicabilidad clínica. En segundo lugar, se estableció una base de datos multicéntrica de sepsis y se utilizó para construir un grafo de conocimiento estructurado mediante reconocimiento de entidades y extracción de relaciones asistidos por grandes modelos de lenguaje, proporcionando una representación organizada del conocimiento médico y de los conceptos clínicos relacionados con la sepsis. Sobre esta base de datos y conocimiento, se desarrolló un marco pronóstico interpretable mediante aprendizaje automático explicable. Al cuantificar contribuciones individualizadas al riesgo y aplicar agrupamiento a los patrones de atribución de riesgo, el estudio identificó subfenotipos de sepsis clínicamente significativos con perfiles de riesgo y características fisiopatológicas diferenciadas. Posteriormente, se propuso un marco de grandes modelos de lenguaje mejorado con ontología para mejorar la predicción temprana de la sepsis y del shock séptico, transformando narrativas clínicas no estructuradas en características estructuradas informadas por conocimiento y permitiendo una predicción de riesgo precisa, interpretable y sensible al estadio. Finalmente, se desarrolló un sistema multiagente de apoyo a la decisión clínica, Sepsis-Agent, para integrar modelos predictivos, conocimiento médico y razonamiento generativo dentro de una arquitectura unificada. Al coordinar múltiples módulos especializados mediante un orquestador basado en un gran modelo de lenguaje y acceso a conocimiento aumentado por recuperación, el sistema permite análisis estructurado y apoyo a la decisión informado por la evidencia para el manejo de la sepsis. En conjunto, estos estudios ilustran una vía de investigación coherente desde la construcción de datos clínicos y la representación del conocimiento hasta la modelización predictiva y los sistemas inteligentes de apoyo a la decisión, aportando conocimientos metodológicos y fundamentos prácticos para el desarrollo de herramientas de IA interpretable en la medicina de cuidados críticos. Consideradas en su conjunto, estas contribuciones destacan una vía traslacional que va desde la construcción de datos y la representación del conocimiento hasta la predicción interpretable y el apoyo coordinado a la decisión. La tesis, por tanto, no solo propone un conjunto de modelos computacionales, sino también un marco metodológico integrado para construir sistemas de IA clínicamente fundamentados. Igualmente importante, el trabajo identifica requisitos prácticos que deben acompañar al desarrollo técnico, incluyendo gobernanza transparente de los datos, revisión experta continua, calibración en poblaciones de pacientes heterogéneas y evaluación de cómo las recomendaciones afectan al flujo de trabajo clínico. Estas consideraciones son centrales para garantizar que los sistemas inteligentes permanezcan robustos bajo la incertidumbre del mundo real y que sus salidas puedan ser interpretadas, cuestionadas y refinadas por los clínicos. El trabajo también reconoce que la validación retrospectiva, aunque necesaria, no es suficiente para la adopción clínica. Los estudios prospectivos deberían examinar la estabilidad de los modelos a lo largo del tiempo, el rendimiento en distintos sistemas de información hospitalaria, los patrones de interacción de los clínicos y las posibles consecuencias no deseadas en entornos asistenciales de alta presión. También deberían considerar las necesidades de formación, la preparación organizativa y los mecanismos para auditar las recomendaciones después del despliegue, porque el valor de la IA clínica depende de su rendimiento sostenido dentro de equipos reales de atención. El trabajo futuro debería centrarse en la validación prospectiva, un despliegue multicéntrico más amplio, el refinamiento de interfaces centrado en el usuario y la evaluación sistemática de cómo las explicaciones de los modelos influyen en las decisiones clínicas. Estos esfuerzos serán esenciales para avanzar desde prototipos técnicamente prometedores hacia herramientas fiables, responsables y éticamente desplegables para cuidados críticos inteligentes.