論文の概要: Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning
- arxiv url: http://arxiv.org/abs/2502.07143v1
- Date: Tue, 11 Feb 2025 00:13:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:08:15.137333
- Title: Ask Patients with Patience: Enabling LLMs for Human-Centric Medical Dialogue with Grounded Reasoning
- Title(参考訳): 忍耐を有する患者に尋ねる : 接地推論による人中心医療対話におけるLLMの活用
- Authors: Jiayuan Zhu, Junde Wu,
- Abstract要約: Ask patients with Patience (APP) は,LLMが基底的推論に基づいて反復的に診断を洗練できる,最初のマルチターン対話である。
APPは診断予測において高い類似性スコアを達成し、地上の真理診断との整合性を示す。
APPは、ユーザアクセシビリティと共感の面でも優れており、複雑な医療言語とユーザ理解のギャップをさらに埋めている。
- 参考スコア(独自算出の注目度): 5.520419627866446
- License:
- Abstract: Accurate and efficient diagnosis in online medical consultations remains a challenge for current large language models. These models often rely on single-turn interactions and lack the ability to refine their predictions through follow-up questions. Additionally, their responses frequently contain complex medical terminology, making them less accessible to non-medical users and creating barriers to effective communication. In this paper, we introduce Ask Patients with Patience (APP), the first multi-turn dialogue that enables LLMs to iteratively refine diagnoses based on grounded reasoning. By integrating medical guidelines and entropy minimization, APP improves both diagnostic accuracy and efficiency. Furthermore, it features human-centric communication that bridges the gap between user comprehension and medical terminology, significantly enhancing user accessibility and engagement. We evaluated APP using a subset of the ReMeDi dataset, comparing it with single-turn and traditional multi-turn LLM baselines. APP achieved higher similarity scores in diagnosis predictions, demonstrating better alignment with ground truth diagnoses. Entropy analysis showed that APP reduces diagnostic uncertainty more rapidly across iterations, increasing confidence in its predictions. APP also excels in user accessibility and empathy, further bridging the gap between complex medical language and user understanding. Code will be released at: https://github.com/SuperMedIntel/AskPatients.
- Abstract(参考訳): オンライン医療相談における正確かつ効率的な診断は、現在の大規模言語モデルにとって依然として課題である。
これらのモデルは、しばしばシングルターン相互作用に依存し、フォローアップ質問を通じて予測を洗練させる能力が欠如している。
さらに、その応答には複雑な医療用語が含まれており、非医療ユーザーにはアクセスしにくくなり、効果的なコミュニケーションの障壁が生じる。
本稿では, LLM が基底的推論に基づいて反復的に診断を洗練できる最初のマルチターン対話である Ask patients with Patience (APP) を紹介する。
医療ガイドラインとエントロピーの最小化を統合することにより、APPは診断精度と効率の両方を改善している。
さらに、ユーザ理解と医療用語のギャップを埋め、ユーザアクセシビリティとエンゲージメントを大幅に向上させる、人間中心のコミュニケーションも備えている。
ReMeDiデータセットのサブセットを用いてAPPを評価し,従来のマルチターンLDMベースラインと比較した。
APPは診断予測において高い類似性スコアを達成し、地上の真理診断との整合性を向上した。
エントロピー分析により、APPは反復で診断の不確かさをより早く減らし、予測の信頼性を高めた。
APPは、ユーザアクセシビリティと共感の面でも優れており、複雑な医療言語とユーザ理解のギャップをさらに埋めている。
コードは、https://github.com/SuperMedIntel/AskPatients.comでリリースされる。
関連論文リスト
- ProMRVL-CAD: Proactive Dialogue System with Multi-Round Vision-Language Interactions for Computer-Aided Diagnosis [0.7430974817507225]
コンピュータ支援診断(ProMRVL-CAD)のためのLLMベースの対話システム、すなわちプロアクティブな多ラウンド視覚言語インタラクションを開発する。
提案した ProMRVL-CAD システムでは,患者に対して,知識グラフをレコメンデーションシステムに統合することにより,一定の医療アクセスを提供することができる。
論文 参考訳(メタデータ) (2025-02-15T01:14:23Z) - 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) - Detecting anxiety and depression in dialogues: a multi-label and explainable approach [5.635300481123079]
不安と抑うつは世界中で最も一般的なメンタルヘルスの問題であり、人口の非無視的な部分に影響を及ぼす。
本研究では、不安と抑うつの多ラベル分類のための全く新しいシステムを提案する。
論文 参考訳(メタデータ) (2024-12-23T15:29:46Z) - RuleAlign: Making Large Language Models Better Physicians with Diagnostic Rule Alignment [54.91736546490813]
本稿では,大規模言語モデルと特定の診断規則との整合性を考慮したルールアラインフレームワークを提案する。
患者と医師間の規則に基づくコミュニケーションを含む医療対話データセットを開発した。
実験の結果,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-08-22T17:44:40Z) - 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) - PneumoLLM: Harnessing the Power of Large Language Model for Pneumoconiosis Diagnosis [16.90918546157292]
大規模言語モデル(LLM)は対話において複数のタスクを実行する際、前例のない能力を示す。
学習可能なパラメータの少ない診断において,LSMを効果的に活用する手法を提案する。
本稿では,コンテキスト型マルチトークンエンジンと情報エミッタモジュールを紹介する。
論文 参考訳(メタデータ) (2023-12-06T13:31:52Z) - Language models are susceptible to incorrect patient self-diagnosis in
medical applications [0.0]
患者からの自己診断報告を含むように修正された米国の医療委員会試験からの複数項目の質問を含む様々なLSMを提示する。
以上の結果から, 誤った偏見検証情報を提案すると, LLMの診断精度は劇的に低下することが明らかとなった。
論文 参考訳(メタデータ) (2023-09-17T19:56:39Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment
Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。
DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文 参考訳(メタデータ) (2020-01-22T17:51:25Z)
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。