論文の概要: PIORS: Personalized Intelligent Outpatient Reception based on Large Language Model with Multi-Agents Medical Scenario Simulation

• arxiv url: http://arxiv.org/abs/2411.13902v1
• Date: Thu, 21 Nov 2024 07:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-22 15:20:32.552709
• Title: PIORS: Personalized Intelligent Outpatient Reception based on Large Language Model with Multi-Agents Medical Scenario Simulation
• Title（参考訳）: PIORS:多エージェント医療シナリオシミュレーションを用いた大規模言語モデルに基づく個人化知的外来受付
• Authors: Zhijie Bao, Qingyun Liu, Ying Guo, Zhengqiang Ye, Jun Shen, Shirong Xie, Jiajie Peng, Xuanjing Huang, Zhongyu Wei,
• Abstract要約: 中国では、受付係の看護師は外来で圧倒的な負荷に直面し、各患者の時間と注意を制限している。 パーソナライズされた知的外来受容器システム(PIORS)について紹介する。 本システムは, LLMベースの受付看護師と, LLMと病院情報システム(HIS)の連携を実際の外来環境に統合する。
• 参考スコア（独自算出の注目度）: 37.62430767919014
• License:
• Abstract: In China, receptionist nurses face overwhelming workloads in outpatient settings, limiting their time and attention for each patient and ultimately reducing service quality. In this paper, we present the Personalized Intelligent Outpatient Reception System (PIORS). This system integrates an LLM-based reception nurse and a collaboration between LLM and hospital information system (HIS) into real outpatient reception setting, aiming to deliver personalized, high-quality, and efficient reception services. Additionally, to enhance the performance of LLMs in real-world healthcare scenarios, we propose a medical conversational data generation framework named Service Flow aware Medical Scenario Simulation (SFMSS), aiming to adapt the LLM to the real-world environments and PIORS settings. We evaluate the effectiveness of PIORS and SFMSS through automatic and human assessments involving 15 users and 15 clinical experts. The results demonstrate that PIORS-Nurse outperforms all baselines, including the current state-of-the-art model GPT-4o, and aligns with human preferences and clinical needs. Further details and demo can be found at https://github.com/FudanDISC/PIORS
• Abstract（参考訳）: 中国では、受付係の看護師は外来で圧倒的な負荷に直面し、各患者の時間と注意を制限し、最終的にサービス品質を低下させます。 本稿では,Personalized Intelligent Outpatient Reception System (PIORS)について述べる。 本システムは, LLMベースの受付看護師と, LLMと病院情報システム(HIS)の連携を実際の外来受付環境に統合し, パーソナライズ, 高品質, 効率的な受付サービスを提供する。 さらに、実世界の医療シナリオにおけるLLMの性能を高めるため、実世界の環境やPIORS設定にLLMを適用することを目的とした、サービスフロー認識医療シナリオシミュレーション(SFMSS)と呼ばれる医療会話データ生成フレームワークを提案する。 PIORSとSFMSSの有効性を15名と臨床専門家15名による自動評価と人的評価で評価した。 その結果、PIORS-Nurseは現在の最先端モデルであるGPT-4oを含む全てのベースラインを上回り、ヒトの嗜好や臨床ニーズと整合していることが示された。 詳細とデモはhttps://github.com/FudanDISC/PIORSで見ることができる。

関連論文リスト

• A Survey of LLM-based Agents in Medicine: How far are we from Baymax? [44.97640611811786]
  大規模言語モデル(LLM)は、LLMベースのエージェントの開発を通じて医療を変革している。 この調査は、医学におけるLSMベースのエージェントの総合的なレビューを提供する。 医療エージェントシステムの主要な構成要素として, システムプロファイル, 臨床計画機構, 医療推論フレームワーク, 外的能力向上などについて分析する。
  論文  参考訳（メタデータ） (2025-02-16T17:21:05Z)
• 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)
• Polaris: A Safety-focused LLM Constellation Architecture for Healthcare [17.074456639617996]
  Polarisは、リアルタイムの患者とAIの医療会話のための、安全に焦点を当てた初めてのLLMコンステレーションだ。 当社のモデルは、プロプライエタリなデータ、臨床ケア計画、医療規制文書、医療マニュアル、その他の医学推論文書に基づいてトレーニングします。 我々は、このシステムのエンドツーエンドの会話評価を行うために、1100人以上の米国免許看護師と130人以上の米国医師を募集した。
  論文  参考訳（メタデータ） (2024-03-20T05:34:03Z)
• 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)
• LLM on FHIR -- Demystifying Health Records [0.32985979395737786]
  本研究では,大規模言語モデル(LLM)を用いた健康記録と対話可能なアプリを開発した。 このアプリは、医療データを患者フレンドリーな言語に効果的に翻訳し、その反応を異なる患者プロファイルに適応させることができた。
  論文  参考訳（メタデータ） (2024-01-25T17:45:34Z)
• ChiMed-GPT: A Chinese Medical Large Language Model with Full Training Regime and Better Alignment to Human Preferences [51.66185471742271]
  我々は中国医学領域向けに明示的に設計されたベンチマークLSMであるChiMed-GPTを提案する。 ChiMed-GPTは、事前訓練、SFT、RLHFを含む総合的な訓練体制を実施。 我々は,ChiMed-GPTを患者識別に関する態度尺度の実行を促すことによって,潜在的なバイアスを分析した。
  論文  参考訳（メタデータ） (2023-11-10T12:25:32Z)
• 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)
• MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
  この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
  論文  参考訳（メタデータ） (2021-09-29T18:09:41Z)

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。