論文の概要: Large Language Models in Mental Health Care: a Scoping Review
- arxiv url: http://arxiv.org/abs/2401.02984v1
- Date: Mon, 1 Jan 2024 17:35:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 09:34:18.640242
- Title: Large Language Models in Mental Health Care: a Scoping Review
- Title（参考訳）: メンタルヘルスにおける大規模言語モデル:スコーピング・レビュー
- Authors: Yining Hua, Fenglin Liu, Kailai Yang, Zehan Li, Yi-han Sheu, Peilin
Zhou, Lauren V. Moran, Sophia Ananiadou, Andrew Beam
- Abstract要約: 大規模言語モデル(LLM)の利用の増加は、メンタルヘルスにおける応用と結果の包括的なレビューの必要性を刺激する。
このスコーピングレビューは、精神医療におけるLCMの既存の開発と応用を批判的に分析することを目的としている。
主な課題は、データの可用性と信頼性、精神状態の微妙な扱い、効果的な評価方法である。
- 参考スコア（独自算出の注目度）: 29.247717845238228
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Objective: The growing use of large language models (LLMs) stimulates a need
for a comprehensive review of their applications and outcomes in mental health
care contexts. This scoping review aims to critically analyze the existing
development and applications of LLMs in mental health care, highlighting their
successes and identifying their challenges and limitations in these specialized
fields. Materials and Methods: A broad literature search was conducted in
November 2023 using six databases (PubMed, Web of Science, Google Scholar,
arXiv, medRxiv, and PsyArXiv) following the 2020 version of the Preferred
Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. A
total of 313 publications were initially identified, and after applying the
study inclusion criteria, 34 publications were selected for the final review.
Results: We identified diverse applications of LLMs in mental health care,
including diagnosis, therapy, patient engagement enhancement, etc. Key
challenges include data availability and reliability, nuanced handling of
mental states, and effective evaluation methods. Despite successes in accuracy
and accessibility improvement, gaps in clinical applicability and ethical
considerations were evident, pointing to the need for robust data, standardized
evaluations, and interdisciplinary collaboration. Conclusion: LLMs show
promising potential in advancing mental health care, with applications in
diagnostics, and patient support. Continued advancements depend on
collaborative, multidisciplinary efforts focused on framework enhancement,
rigorous dataset development, technological refinement, and ethical integration
to ensure the effective and safe application of LLMs in mental health care.
- Abstract（参考訳）: 目的: 大規模言語モデル(LLM)の利用の増加は、メンタルヘルスの文脈における応用と結果の包括的なレビューの必要性を刺激する。
このスコーピングレビューは、精神医療におけるLLMの既存の開発と応用を批判的に分析することを目的としており、その成功を強調し、これらの専門分野における課題と限界を特定する。
Materials and Methods: 2023年11月に6つのデータベース(PubMed, Web of Science, Google Scholar, arXiv, medRxiv, PsyArXiv)を使用して、Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA)ガイドラインの2020年バージョンに従って、広範な文献検索が行われた。
最初は313の出版物が同定され、調査対象基準を適用した後、最終審査のために34の出版物が選択された。
結果: 精神医療におけるllmの応用範囲は, 診断, 治療, 患者の関与度向上など多様であった。
主な課題は、データ可用性と信頼性、精神状態の微妙な処理、効果的な評価方法である。
精度とアクセシビリティの改善は成功したものの、臨床応用可能性と倫理的考察のギャップは明らかであり、堅牢なデータの必要性、標準化された評価、学際的な協力の必要性が指摘された。
結論: LLMは精神保健の進歩に有望な可能性を示し, 診断, 患者支援に応用した。
継続的な進歩は、フレームワークの強化、厳密なデータセットの開発、技術的洗練、倫理的統合、精神医療におけるllmの効果的かつ安全に適用することに焦点を当てた、協力的で多分野の努力に依存している。
関連論文リスト
- SouLLMate: An Application Enhancing Diverse Mental Health Support with Adaptive LLMs, Prompt Engineering, and RAG Techniques [9.146311285410631]
メンタルヘルスの問題は個人の日常生活に大きな影響を及ぼすが、多くの人は利用可能なオンラインリソースでも必要な支援を受けていない。
この研究は、最先端のAI技術を通じて、多様な、アクセス可能な、スティグマのない、パーソナライズされた、リアルタイムのメンタルヘルスサポートを提供することを目的としている。
論文 参考訳（メタデータ） (2024-10-17T22:04:32Z) - Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - SouLLMate: An Adaptive LLM-Driven System for Advanced Mental Health Support and Assessment, Based on a Systematic Application Survey [9.146311285410631]
メンタルヘルスの問題は個人の日常生活に大きな影響を及ぼすが、多くの人は利用可能なオンラインリソースでも必要な支援を受けていない。
この研究は、最先端のAI技術を通じて、アクセス可能で、スティグマフリーで、パーソナライズされ、リアルタイムなメンタルヘルスサポートを提供することを目的としている。
論文 参考訳（メタデータ） (2024-10-06T17:11:29Z) - Towards Evaluating and Building Versatile Large Language Models for Medicine [57.49547766838095]
MedS-Benchは大規模言語モデル(LLM)の性能を臨床的に評価するためのベンチマークである。
MedS-Benchは、臨床報告の要約、治療勧告、診断、名前付きエンティティ認識、医療概念説明を含む、11のハイレベルな臨床タスクにまたがる。
MedS-Insは58の医療指向言語コーパスで構成され、112のタスクで1350万のサンプルを収集している。
論文 参考訳（メタデータ） (2024-08-22T17:01:34Z) - Applying and Evaluating Large Language Models in Mental Health Care: A Scoping Review of Human-Assessed Generative Tasks [16.099253839889148]
大規模言語モデル(LLM)はメンタルヘルスのための有望なツールとして登場し、人間のような反応を生成する能力を通じてスケーラブルなサポートを提供する。
しかし, 臨床環境におけるこれらのモデルの有効性は明らかになっていない。
このスコーピングレビューは、これらのモデルが現実世界のシナリオで人間の参加者とテストされた研究に焦点を当てている。
論文 参考訳（メタデータ） (2024-08-21T02:21:59Z) - GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。
GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。
38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文 参考訳（メタデータ） (2024-08-06T17:59:21Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Large Language Model for Mental Health: A Systematic Review [2.9429776664692526]
大規模言語モデル(LLM)は、デジタルヘルスの潜在的な応用に対して大きな注目を集めている。
この体系的なレビューは、早期スクリーニング、デジタル介入、臨床応用におけるその強みと限界に焦点を当てている。
論文 参考訳（メタデータ） (2024-02-19T17:58:41Z) - Benefits and Harms of Large Language Models in Digital Mental Health [40.02859683420844]
大型言語モデル (LLMs) は、デジタルメンタルヘルスを未知の領域に導くことを約束している。
本稿では、デジタルメンタルヘルスツールの設計、開発、実装においてLLMがもたらす可能性とリスクについて、現代の展望を示す。
論文 参考訳（メタデータ） (2023-11-07T14:11:10Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-04T06:09:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。