Fugu-MT 論文翻訳(概要): Leveraging Large Language Model as Simulated Patients for Clinical Education

論文の概要: Leveraging Large Language Model as Simulated Patients for Clinical Education

arxiv url: http://arxiv.org/abs/2404.13066v2
Date: Thu, 25 Apr 2024 02:39:24 GMT
ステータス: 翻訳完了
システム内更新日: 2024-04-26 20:19:09.512841
Title: Leveraging Large Language Model as Simulated Patients for Clinical Education
Title（参考訳）: 臨床教育の模擬患者としての大規模言語モデルの活用
Authors: Yanzeng Li, Cheng Zeng, Jialun Zhong, Ruoyu Zhang, Minhao Zhang, Lei Zou,
Abstract要約: 高いトレーニングコストと有資格SPは、この種の臨床訓練への学生のアクセスを制限する。 LLM(Large Language Models)の急速な発展に伴い、対話型人工知能とロールプレイングにおける特有な能力が実証された。臨床医学教育におけるLLMの可能性を生かしたCureFunと呼ばれる統合型モデル診断フレームワークを提案する。
参考スコア（独自算出の注目度）: 18.67200160979337
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Simulated Patients (SPs) play a crucial role in clinical medical education by providing realistic scenarios for student practice. However, the high cost of training and hiring qualified SPs, along with the heavy workload and potential risks they face in consistently portraying actual patients, limit students' access to this type of clinical training. Consequently, the integration of computer program-based simulated patients has emerged as a valuable educational tool in recent years. With the rapid development of Large Language Models (LLMs), their exceptional capabilities in conversational artificial intelligence and role-playing have been demonstrated, making them a feasible option for implementing Virtual Simulated Patient (VSP). In this paper, we present an integrated model-agnostic framework called CureFun that harnesses the potential of LLMs in clinical medical education. This framework facilitates natural conversations between students and simulated patients, evaluates their dialogue, and provides suggestions to enhance students' clinical inquiry skills. Through comprehensive evaluations, our approach demonstrates more authentic and professional SP-scenario dialogue flows compared to other LLM-based chatbots, thus proving its proficiency in simulating patients. Additionally, leveraging CureFun's evaluation ability, we assess several medical LLMs and discuss the possibilities and limitations of using LLMs as virtual doctors from the perspective of their diagnostic abilities.
Abstract（参考訳）: シミュレーション患者(SP)は,学生の実践に現実的なシナリオを提供することによって,臨床医学教育において重要な役割を担っている。しかし、訓練と雇用の高コストは、重い作業負荷や、実際の患者を一貫して描写する潜在的なリスクとともに、このタイプの臨床訓練へのアクセスを制限する。近年,コンピュータ・プログラムをベースとしたシミュレートされた患者の統合が教育ツールとして重要視されている。 LLM(Large Language Models)の急速な発展に伴い、対話型人工知能とロールプレイングにおける特有な能力が実証され、仮想シミュレートされた患者(VSP)を実装するための選択肢となった。本稿では,臨床医学教育における LLM の可能性を活用した,CureFun と呼ばれる統合型モデル診断フレームワークを提案する。この枠組みは, 学生とシミュレーション患者との自然な会話を促進し, その対話を評価し, 臨床検査のスキルを高めることを提案する。総合的な評価を通じて,本手法は,他のLSMベースのチャットボットと比較して,より正確で専門的なSP-scenarioの対話フローを示し,患者をシミュレートする能力を示す。さらに、CureFunの評価能力を活用し、いくつかの医療用LCMを評価し、診断能力の観点からLLMを仮想医師として使う可能性と限界について議論する。

関連論文リスト

Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions [2.1897719729390173]
中国初の患者シミュレーションデータセット(Ch-PatientSim)を提案する。患者は5次元のペルソナ構造に基づいてシミュレートされる。ペルソナクラスの不均衡の問題に対処するため、データセットの一部は、数ショット生成を使用して拡張され、続いて手動検証が行われる。
論文参考訳（メタデータ） (2026-01-16T02:34:22Z)
ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
論文参考訳（メタデータ） (2025-12-29T12:58:58Z)
A Voice-Enabled Virtual Patient System for Interactive Training in Standardized Clinical Assessment [0.0]
大規模言語モデル(LLM)を利用した音声対応仮想患者シミュレーションシステムを提案する。本研究は, 本システムの発展を概説し, 既定の臨床像に固執する仮想患者を創出する能力を検証した。以上の結果から, LLMを用いた仮想患者シミュレーションは, 臨床医の教育に有効かつスケーラブルなツールであることが示唆された。
論文参考訳（メタデータ） (2025-11-01T21:18:08Z)
Enabling Doctor-Centric Medical AI with LLMs through Workflow-Aligned Tasks and Benchmarks [72.89088985703748]
大きな言語モデル(LLM)の台頭は、臨床ガイダンスを提供することで医療に変化をもたらしたが、患者への直接の展開は安全性のリスクをもたらす。我々は,患者と直接対話するのではなく,経験豊富な医師と協力する臨床助手としてLLMを再配置することを提案する。我々は、22の臨床的タスクと27の専門分野にわたる92,000のQ&Aインスタンスからなる大規模な中国の医療データセットであるDoctorFLANを構築した。
論文参考訳（メタデータ） (2025-10-13T06:18:27Z)
TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening [7.395612068348526]
メンタルヘルスサービスは、臨床専門家を育成するための実際のトレーニングデータの可用性を上回っている。この不足は、トレーニングと評価を支援するシミュレートされた患者や仮想的な患者の開発を動機付けている。本稿では,患者プロファイルの多様化を図った新しい患者シミュレーションパイプラインであるTalkDepを提案する。
論文参考訳（メタデータ） (2025-08-06T09:30:47Z)
PatientSim: A Persona-Driven Simulator for Realistic Doctor-Patient Interactions [15.272979678875787]
本稿では,臨床シナリオのための現実的で多様な患者ペルソナを生成する患者シミュレータであるPatentSimを紹介する。 patientSimは、1)MIMIC-EDおよびMIMIC-IVデータセットの実際のデータから得られた症状や医療史を含む臨床プロファイル、2)性格、言語能力、医療履歴のリコールレベル、認知的混乱レベルという4つの軸で定義されたペルソナを使用する。トップパフォーマンスのオープンソースモデルであるLlama 3.3は、我々のフレームワークの堅牢性を確認するために、4人の臨床医によって検証された。
論文参考訳（メタデータ） (2025-05-23T12:34:48Z)
MedSimAI: Simulation and Formative Feedback Generation to Enhance Deliberate Practice in Medical Education [0.5068418799871723]
MedSimAIはAIを利用したシミュレーションプラットフォームで、故意の実践、自己統制型学習、対話型患者出会いによる自動評価を可能にする。初等医学生104名を対象にしたパイロットスタディでは,エンゲージメント,会話パターン,ユーザ認知について検討した。学生たちは、MedSimAIが反復的で現実的な患者史の実践に有用であると考えた。
論文参考訳（メタデータ） (2025-03-01T00:51:55Z)
LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
論文参考訳（メタデータ） (2025-01-07T08:49:04Z)
Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文参考訳（メタデータ） (2024-10-24T15:41:56Z)
PALLM: Evaluating and Enhancing PALLiative Care Conversations with Large Language Models [10.258261180305439]
大規模言語モデル(LLM)は、複雑なコミュニケーションメトリクスを評価するための新しいアプローチを提供する。 LLMは受動的センシングシステムとジャスト・イン・タイム・イン・タイム・イン・イン・介入システムとの統合を通じて、分野を前進させる可能性を提供する。本研究は, 言語, 文脈内学習, 推論能力を活用した緩和ケアコミュニケーションの質評価手法としてLLMについて検討する。
論文参考訳（メタデータ） (2024-09-23T16:39:12Z)
Synthetic Patients: Simulating Difficult Conversations with Multimodal Generative AI for Medical Education [0.0]
効果的な患者中心コミュニケーションは、医師にとって重要な能力である。調味剤提供者と医療研修生の双方は、センシティブな話題に関する会話をリードする自信を減らした。本稿では,ビデオによる会話の対話的リアルタイムシミュレーションを支援するための,新しい教育ツールを提案する。
論文参考訳（メタデータ） (2024-05-30T11:02:08Z)
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T23:19:28Z)
Evaluating large language models in medical applications: a survey [1.5923327069574245]
大規模言語モデル(LLM)は、多くのドメインにまたがる変換可能性を持つ強力なツールとして登場した。医学的文脈におけるLCMのパフォーマンスを評価することは、医療情報の複雑で批判的な性質から、ユニークな課題を提示する。
論文参考訳（メタデータ） (2024-05-13T05:08:33Z)
Towards Automatic Evaluation for LLMs' Clinical Capabilities: Metric, Data, and Algorithm [15.627870862369784]
大規模言語モデル (LLMs) は, 臨床診断の効率向上への関心が高まっている。臨床サービス提供におけるLCMの能力を評価するための自動評価パラダイムを提案する。
論文参考訳（メタデータ） (2024-03-25T06:17:54Z)
Automatic Interactive Evaluation for Large Language Models with State Aware Patient Simulator [21.60103376506254]
大きな言語モデル(LLM)は、人間の相互作用において顕著な熟練性を示している。本稿では,SAPS(State-Aware patient Simulator)とAIE(Automated Interactive Evaluation)フレームワークを紹介する。 AIEとSAPSは、多ターン医師-患者シミュレーションを通じてLCMを評価するための動的で現実的なプラットフォームを提供する。
論文参考訳（メタデータ） (2024-03-13T13:04:58Z)
AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。 LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。自動機械学習を用いた新しい予後ツールを開発した。
論文参考訳（メタデータ） (2023-10-05T14:18:40Z)
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)
VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文参考訳（メタデータ） (2021-08-04T17:34:13Z)

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。