論文の概要: "Where does it hurt?" - Dataset and Study on Physician Intent Trajectories in Doctor Patient Dialogues

• arxiv url: http://arxiv.org/abs/2508.19077v1
• Date: Tue, 26 Aug 2025 14:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.886953
• Title: "Where does it hurt?" - Dataset and Study on Physician Intent Trajectories in Doctor Patient Dialogues
• Title（参考訳）: 「どこが痛むのか?」-医師対話における医学的意図的軌跡のデータセットと考察
• Authors: Tom Röhr, Soumyadeep Roy, Fares Al Mohamad, Jens-Michalis Papaioannou, Wolfgang Nejdl, Felix Gers, Alexander Löser,
• Abstract要約: 本研究は,医師と患者との対話における医師意図の軌跡を研究する最初の試みである。 研究には、Ambient Clinical Intelligence Benchmarkのデータセットを使用します。 また,医学対話構造における共通軌跡を初めて報告し,鑑別診断システムの設計に有用な知見を提供する。
• 参考スコア（独自算出の注目度）: 41.28959792853309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a doctor-patient dialogue, the primary objective of physicians is to diagnose patients and propose a treatment plan. Medical doctors guide these conversations through targeted questioning to efficiently gather the information required to provide the best possible outcomes for patients. To the best of our knowledge, this is the first work that studies physician intent trajectories in doctor-patient dialogues. We use the `Ambient Clinical Intelligence Benchmark' (Aci-bench) dataset for our study. We collaborate with medical professionals to develop a fine-grained taxonomy of physician intents based on the SOAP framework (Subjective, Objective, Assessment, and Plan). We then conduct a large-scale annotation effort to label over 5000 doctor-patient turns with the help of a large number of medical experts recruited using Prolific, a popular crowd-sourcing platform. This large labeled dataset is an important resource contribution that we use for benchmarking the state-of-the-art generative and encoder models for medical intent classification tasks. Our findings show that our models understand the general structure of medical dialogues with high accuracy, but often fail to identify transitions between SOAP categories. We also report for the first time common trajectories in medical dialogue structures that provide valuable insights for designing `differential diagnosis' systems. Finally, we extensively study the impact of intent filtering for medical dialogue summarization and observe a significant boost in performance. We make the codes and data, including annotation guidelines, publicly available at https://github.com/DATEXIS/medical-intent-classification.
• Abstract（参考訳）: 医師と患者との対話において,主目的は患者を診断し,治療計画を提案することである。 医師はこれらの会話を対象の質問を通じてガイドし、患者に最良の結果を提供するために必要な情報を効率的に収集する。 我々の知る限りでは、医師と患者の対話における医師の意図的軌跡を研究する最初の作品である。 本研究では,Ambient Clinical Intelligence Benchmark(Aci-bench)データセットを用いて検討を行った。 私たちは、SOAPフレームワーク(Objective, Objective, Assessment, Plan)に基づいた、医師の意図のきめ細かい分類法を開発するために、医療専門家と協力しています。 そして、人気のあるクラウドソーシングプラットフォームであるProlificを使って採用された多くの医療専門家の助けを借りて、5000人以上の医師と患者のターンをラベル付けする大規模なアノテーションの取り組みを行います。 この大きなラベル付きデータセットは、医療目的分類タスクのための最先端の生成およびエンコーダモデルのベンチマークに使用する重要なリソースコントリビューションである。 我々のモデルは、高い精度で医療対話の一般的な構造を理解するが、しばしばSOAPカテゴリ間の遷移を特定することに失敗する。 また, 医療対話構造における共通軌跡を初めて報告し, 「鑑別診断」 システムを設計するための貴重な洞察を提供する。 最後に、医用対話要約における意図フィルタリングの影響を広範囲に研究し、パフォーマンスの顕著な向上を観察する。 我々は、アノテーションガイドラインを含むコードとデータをhttps://github.com/DATEXIS/medical-intent-classificationで公開しています。

関連論文リスト

• MediTOD: An English Dialogue Dataset for Medical History Taking with Comprehensive Annotations [23.437292621092823]
  本研究は,医学史研究のための英語における医師と患者との対話のデータセットであるMedictoDを紹介する。 医療領域に合わせたアンケートに基づくラベリング手法を考案する。 そして、医療専門家は高品質の包括的なアノテーションでデータセットを作成する。
  論文  参考訳（メタデータ） (2024-10-18T06:38:22Z)
• 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)
• 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)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Dr. Summarize: Global Summarization of Medical Dialogue by Exploiting Local Structures [4.3012765978447565]
  本稿では,患者の医療履歴を収集する際,一意で独立した局所構造を生かした医療会話要約手法を提案する。 提案手法は,ベースラインポインタジェネレータモデルに対するポインタ数を2倍にし,会話の80%で情報の大部分あるいは全部をキャプチャする。
  論文  参考訳（メタデータ） (2020-09-18T07:35:44Z)

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。