論文の概要: AI Agents for Conversational Patient Triage: Preliminary Simulation-Based Evaluation with Real-World EHR Data

• arxiv url: http://arxiv.org/abs/2506.04032v1
• Date: Wed, 04 Jun 2025 14:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.395499
• Title: AI Agents for Conversational Patient Triage: Preliminary Simulation-Based Evaluation with Real-World EHR Data
• Title（参考訳）: 会話型患者トリアージのためのAIエージェント--実世界EHRデータを用いた予備シミュレーションに基づく評価
• Authors: Sina Rashidian, Nan Li, Jonathan Amar, Jong Ha Lee, Sam Pugh, Eric Yang, Geoff Masterson, Myoung Cha, Yugang Jia, Akhil Vaid,
• Abstract要約: 実世界の患者との出会いを利用した患者シミュレータを提案する。 本シミュレータは,症状チェックエージェントを用いた患者プレゼンテーションとマルチターン会話に対して,現実的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 3.4206930658402115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: We present a Patient Simulator that leverages real world patient encounters which cover a broad range of conditions and symptoms to provide synthetic test subjects for development and testing of healthcare agentic models. The simulator provides a realistic approach to patient presentation and multi-turn conversation with a symptom-checking agent. Objectives: (1) To construct and instantiate a Patient Simulator to train and test an AI health agent, based on patient vignettes derived from real EHR data. (2) To test the validity and alignment of the simulated encounters provided by the Patient Simulator to expert human clinical providers. (3) To illustrate the evaluation framework of such an LLM system on the generated realistic, data-driven simulations -- yielding a preliminary assessment of our proposed system. Methods: We first constructed realistic clinical scenarios by deriving patient vignettes from real-world EHR encounters. These vignettes cover a variety of presenting symptoms and underlying conditions. We then evaluate the performance of the Patient Simulator as a simulacrum of a real patient encounter across over 500 different patient vignettes. We leveraged a separate AI agent to provide multi-turn questions to obtain a history of present illness. The resulting multiturn conversations were evaluated by two expert clinicians. Results: Clinicians scored the Patient Simulator as consistent with the patient vignettes in those same 97.7% of cases. The extracted case summary based on the conversation history was 99% relevant. Conclusions: We developed a methodology to incorporate vignettes derived from real healthcare patient data to build a simulation of patient responses to symptom checking agents. The performance and alignment of this Patient Simulator could be used to train and test a multi-turn conversational AI agent at scale.
• Abstract（参考訳）: 背景: 医療エージェントモデルの開発とテストのための総合的なテスト対象を提供するために, 幅広い症状と症状をカバーした実世界の患者遭遇を利用した患者シミュレータを提案する。 本シミュレータは,症状チェックエージェントを用いた患者プレゼンテーションとマルチターン会話に対して,現実的なアプローチを提供する。 目的:(1)患者シミュレーションを構築・インスタンス化し,実際のEHRデータから得られる患者ビグネットに基づいて,AIヘルスエージェントを訓練・テストする。 2)患者シミュレーターがヒト臨床提供者に対して提供したシミュレートされた出会いの妥当性とアライメントを検証する。 (3) 現実的なデータ駆動型シミュレーションに基づくLCMシステムの評価の枠組みを説明するため,提案システムについて予備評価を行った。 方法: 現実のERHとの出会いから患者ヴィグネットを抽出し, 現実的な臨床シナリオを構築した。 これらのビグネットは、様々な症状や基礎疾患をカバーしている。 次に,500種以上の患者に遭遇した実際の患者を模擬したシミュレーションとして,患者シミュレータの性能を評価した。 我々は、個別のAIエージェントを利用して、現在の病気の歴史を得るために、マルチターン質問を行った。 得られた多面的会話は,2名の専門医によって評価された。 結果: 臨床医は同じ97.7%の症例で患者ビゲットと一致して患者シミュレーターを採点した。 会話履歴に基づいて抽出した事例要約は99%の関連性を示した。 結論: 本研究は, 症状検査剤に対する患者反応のシミュレーションを構築するために, 実際の医療患者データから得られるヴィグネットを組み込む手法を開発した。 この患者シミュレータのパフォーマンスとアライメントは、大規模なマルチターン会話AIエージェントのトレーニングとテストに使用することができる。

関連論文リスト

• 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)
• Self-Evolving Multi-Agent Simulations for Realistic Clinical Interactions [16.50490537786593]
  MedAgentSimは、医師、患者、測定エージェントによる、オープンソースのシミュレートされた臨床環境である。 従来のアプローチとは違って,本フレームワークでは,マルチターン会話を通じて医師が患者と活発に交流する必要がある。 我々は、モデルが診断戦略を反復的に洗練できる自己改善メカニズムを組み込んだ。
  論文  参考訳（メタデータ） (2025-03-28T17:59:53Z)
• Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators [5.217925404425509]
  本稿では,実際の医師と患者との会話から対話戦略を抽出し,患者シミュレータのトレーニングを指導する。 本シミュレータは, 動的対話戦略を用いて, 人為性が高く, 幻覚率も低いことを示す。
  論文  参考訳（メタデータ） (2025-01-16T11:41:14Z)
• LLMs Can Simulate Standardized Patients via Agent Coevolution [8.539733225671059]
  標準化された患者(SP)を用いた医療従事者の養成は、依然として複雑な課題である。 EvoPatientは、患者エージェントと医師エージェントがマルチターン対話を通じて診断プロセスをシミュレートする、新しいシミュレートされた患者フレームワークである。 我々のフレームワークは、既存の推論手法を10%以上改善し、要求アライメントと人間の嗜好を改善する。
  論文  参考訳（メタデータ） (2024-12-16T12:36:47Z)
• 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)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• SmartTriage: A system for personalized patient data capture, documentation generation, and decision support [9.09817311390571]
  我々は,電子カルテ(EMR)との緊密な双方向統合を通じて,従来の症状チェックを超える機械学習支援システムであるSmartTriageを開発した。 SmartTriageは、患者の主訴を自由テキストエントリから識別し、関連する症状学を得るために一連の個別の質問を行う。 患者固有のデータは、詳細なICD-10-CMコード、薬品、検査、画像の順序を予測するために使用される。
  論文  参考訳（メタデータ） (2020-10-19T22:45:27Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。