論文の概要: Listening to Patients: A Framework of Detecting and Mitigating Patient Misreport for Medical Dialogue Generation

• arxiv url: http://arxiv.org/abs/2410.06094v2
• Date: Tue, 24 Dec 2024 09:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:52:55.975300
• Title: Listening to Patients: A Framework of Detecting and Mitigating Patient Misreport for Medical Dialogue Generation
• Title（参考訳）: 患者への聞き取り:医療対話生成における誤記の検出と軽減の枠組み
• Authors: Lang Qin, Yao Zhang, Hongru Liang, Adam Jatowt, Zhenglu Yang,
• Abstract要約: 医療対話システムは,患者の誤報告を効果的に検出し,軽減する方法という,2つの重要な課題に対処すべきである,と我々は主張する。 医療対話生成のための患者ミスレポートの検出・緩和フレームワークPaMisを提案する。
• 参考スコア（独自算出の注目度）: 31.466180762584635
• License:
• Abstract: Medical Dialogue Systems aim to provide automated healthcare support through patient-agent conversations. Previous efforts typically regard patients as ideal users -- one who accurately and consistently reports their health conditions. However, in reality, patients often misreport their symptoms, leading to discrepancies between their reports and actual health conditions. Overlooking patient misreport will affect the quality of healthcare consultations provided by MDS. To address this issue, we argue that MDS should ''listen to patients'' and tackle two key challenges: how to detect and mitigate patient misreport effectively. In this work, we propose PaMis, a framework of detecting and mitigating Patient Misreport for medical dialogue generation. PaMis first constructs dialogue entity graphs, then detects patient misreport based on graph entropy, and mitigates patient misreport by formulating clarifying questions. Experiments indicate that PaMis effectively enhances medical response generation, enabling models like GPT-4 to detect and mitigate patient misreports, and provide high-quality healthcare assistance.
• Abstract（参考訳）: 医療対話システムは、患者とエージェントの会話を通じて、自動化された医療支援を提供することを目的としている。 これまでの取り組みでは、患者を理想のユーザーとみなすのが一般的だった。 しかし、実際には、患者は症状を誤って報告し、報告と実際の健康状態の相違につながることが多い。 患者の誤報告を見渡すと、MDSが提供する医療相談の質に影響を及ぼす。 この問題に対処するために、MDSは「患者に応募する」べきであり、患者の誤報告を効果的に検出し軽減する方法という2つの主要な課題に対処すべきである、と論じる。 本研究では,医療対話生成のための患者ミスレポートの検出と緩和を行うPaMisを提案する。 PaMisはまず対話エンティティグラフを構築し、その後、グラフエントロピーに基づいて患者の誤レポートを検出し、明確な質問を定式化することによって患者の誤レポートを緩和する。 実験によると、PaMisは医療反応の生成を効果的に促進し、GPT-4のようなモデルで患者の誤報告を検出し軽減し、高品質な医療支援を提供する。

関連論文リスト

• The doctor will polygraph you now: ethical concerns with AI for fact-checking patients [0.23248585800296404]
  社会行動予測のための人工知能(AI)手法が提案されている。 これにより、患者のデータに対する敬意、プライバシ、コントロールに関する新たな倫理的懸念が生まれます。
  論文  参考訳（メタデータ） (2024-08-15T02:55:30Z)
• 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)
• Are Generative AI systems Capable of Supporting Information Needs of Patients? [4.485098382568721]
  本研究は, 画像診断における患者情報への責任を負うことなく, 生成的視覚質問応答システムの有効性について検討する。 胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行し, 胸部CT検査を施行した。 参加者と医療専門家の会話のテーマ分析を用いて,対話を通して一般的に発生するテーマを特定した。 我々は,放射線技師の反応に対して,最先端の2つの生成的視覚言語モデルを評価する。
  論文  参考訳（メタデータ） (2024-01-31T23:24:37Z)
• 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)
• MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations [4.847266237348932]
  症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。 AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。 本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T16:06:07Z)
• Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models [6.252236971703546]
  効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。 本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
  論文  参考訳（メタデータ） (2023-05-10T08:48:53Z)
• A Benchmark for Automatic Medical Consultation System: Frameworks, Tasks and Datasets [70.32630628211803]
  本稿では,医師と患者との対話理解とタスク指向インタラクションという,医療相談の自動化を支援する2つの枠組みを提案する。 マルチレベルな微粒なアノテーションを付加した新しい大規模医療対話データセットが導入された。 本稿では,各タスクに対するベンチマーク結果のセットを報告し,データセットのユーザビリティを示し,今後の研究のベースラインを設定する。
  論文  参考訳（メタデータ） (2022-04-19T16:43:21Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware Medical Dialogue Generation [86.38736781043109]
  MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。 MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。 実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
  論文  参考訳（メタデータ） (2020-10-15T03:34:33Z)

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。