論文の概要: CataractBot: An LLM-Powered Expert-in-the-Loop Chatbot for Cataract Patients
- arxiv url: http://arxiv.org/abs/2402.04620v4
- Date: Thu, 07 Nov 2024 10:16:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-08 19:36:01.897872
- Title: CataractBot: An LLM-Powered Expert-in-the-Loop Chatbot for Cataract Patients
- Title（参考訳）: CataractBot:白内障患者のためのLLMベースのエキスパート・イン・ザ・ループチャットボット
- Authors: Pragnya Ramjee, Bhuvan Sachdeva, Satvik Golechha, Shreyas Kulkarni, Geeta Fulari, Kaushik Murali, Mohit Jain,
- Abstract要約: CataractBotはインドの眼科病院と共同で開発された。
白内障手術に関連する質問に対して、キュレートされた知識ベースを問合せすることで、即座に答える。
システムに対する信頼は、専門家による検証によって確立されたと報告された。
- 参考スコア（独自算出の注目度）: 5.649965979758816
- License:
- Abstract: The healthcare landscape is evolving, with patients seeking reliable information about their health conditions and available treatment options. Despite the abundance of information sources, the digital age overwhelms individuals with excess, often inaccurate information. Patients primarily trust medical professionals, highlighting the need for expert-endorsed health information. However, increased patient loads on experts has led to reduced communication time, impacting information sharing. To address this gap, we developed CataractBot, an experts-in-the-loop chatbot powered by LLMs, in collaboration with an eye hospital in India. CataractBot answers cataract surgery related questions instantly by querying a curated knowledge base and provides expert-verified responses asynchronously. It has multimodal and multilingual capabilities. In an in-the-wild deployment study with 55 participants, CataractBot proved valuable, providing anytime accessibility, saving time, accommodating diverse literacy levels, alleviating power differences, and adding a privacy layer between patients and doctors. Users reported that their trust in the system was established through expert verification. Broadly, our results could inform future work on designing expert-mediated LLM bots.
- Abstract（参考訳）: 医療の展望は進化しており、患者は自分の健康状態や利用可能な治療オプションについて信頼できる情報を求めている。
情報ソースが豊富にあるにもかかわらず、デジタル時代は、過度に不正確な情報を持つ個人を圧倒する。
患者は主に医療専門家を信頼しており、専門知識のある医療情報の必要性を強調している。
しかし、専門家に対する患者負荷の増加はコミュニケーション時間を短縮し、情報の共有に影響を与えている。
このギャップに対処するため,私たちはインドにある眼科病院と共同で,LLMを利用したループ型チャットボットのCatalactBotを開発しました。
CataractBotは、キュレートされた知識ベースに問い合わせ、専門家が検証した応答を非同期に提供することで、白内障手術に関連する質問に即座に答える。
マルチモーダルと多言語機能を備えている。
CataractBotは、55名の参加者を対象に、あらゆる時間的アクセシビリティ、保存時間、多様なリテラシーレベルの調整、パワー差の緩和、患者と医師のプライバシーレイヤの追加など、その価値を実証した。
システムに対する信頼は、専門家による検証によって確立されたと報告された。
我々の研究結果は、専門家によるLLMボットの設計に関する今後の研究に役立てることができるだろう。
関連論文リスト
- Leveraging Large Language Models for Patient Engagement: The Power of Conversational AI in Digital Health [1.8772687384996551]
大規模言語モデル(LLM)は、会話型AIを通じて医療における患者のエンゲージメントを変革する新たな機会を開いた。
4つのケーススタディを通して,LLMの非構造化会話データ処理能力を示す。
論文 参考訳（メタデータ） (2024-06-19T16:02:04Z) - Assessing Empathy in Large Language Models with Real-World Physician-Patient Interactions [9.327472312657392]
医療領域へのLarge Language Models(LLMs)の統合は、患者のケアとサポートを大幅に強化する可能性がある。
本研究は、ChatGPTが医師が通常提供するものよりも共感の度合いが高いかどうかを調査する。
マヨクリニックから患者メッセージと医師の回答の非特定データセットを収集し,ChatGPTを用いて代替応答を生成する。
論文 参考訳（メタデータ） (2024-05-26T01:58:57Z) - MedInsight: A Multi-Source Context Augmentation Framework for Generating
Patient-Centric Medical Responses using Large Language Models [3.0874677990361246]
大きな言語モデル(LLM)は、人間のような応答を生成する素晴らしい能力を示している。
我々は,LLM入力を関連背景情報で拡張する新しい検索フレームワークMedInsightを提案する。
MTSamplesデータセットの実験は、文脈的に適切な医療応答を生成するMedInsightの有効性を検証する。
論文 参考訳（メタデータ） (2024-03-13T15:20:30Z) - MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway
Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。
このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文 参考訳（メタデータ） (2024-03-11T10:57:45Z) - Yes, this is what I was looking for! Towards Multi-modal Medical
Consultation Concern Summary Generation [46.42604861624895]
マルチモーダル・メディカル・コンシューム・サマリ・ジェネレーションの新しい課題を提案する。
患者のジェスチャーや表情などの非言語的手がかりは、患者の懸念を正確に識別するのに役立つ。
マルチモーダル・メディカル・コンシューム・サマリー・ジェネレーション・コーパスを構築。
論文 参考訳（メタデータ） (2024-01-10T12:56:47Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
本稿では,Re$3$Writer法を提案する。
本手法が患者の退院指示生成に有効であることを示す。
論文 参考訳（メタデータ） (2022-10-23T16:34:39Z) - Doctor Recommendation in Online Health Forums via Expertise Learning [12.264865055778388]
本稿では,患者を専門知識を持つ医師に自動ペア化するための,医師推薦の新たな課題について検討する。
本研究は, 他患者とのプロフィールと過去の対話の併用効果について検討し, 自己学習による対話を探求するものである。
実験のためには、中国のオンライン健康フォーラムであるChunyu Yishengから大規模なデータセットが収集されている。
論文 参考訳（メタデータ） (2022-03-06T10:39:48Z) - Self-Supervised Knowledge Assimilation for Expert-Layman Text Style
Transfer [63.72621204057025]
エキスパート・レイマン・テキスト・スタイル・トランスファー技術は、科学コミュニティと一般大衆とのコミュニケーションを改善する可能性がある。
専門家が生み出す高品質な情報は、しばしば難しいジャーゴンの平民が理解するのに苦労している。
これは医療分野において特に顕著な問題であり、レイマンはしばしばオンラインの医療テキストに混同される。
論文 参考訳（メタデータ） (2021-10-06T17:57:22Z) - Auto Response Generation in Online Medical Chat Services [0.0]
医師が相談要求に効率的に反応できるスマートな自動応答生成機構を開発した。
9ヶ月にわたって収集された医師と患者の匿名、歴史的なオンラインメッセージ9万件を探索する。
論文 参考訳（メタデータ） (2021-04-26T17:45:10Z) - Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。
多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
論文 参考訳（メタデータ） (2020-09-21T03:45:14Z)
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。