論文の概要: A Voice-Enabled Virtual Patient System for Interactive Training in Standardized Clinical Assessment

• arxiv url: http://arxiv.org/abs/2511.00709v1
• Date: Sat, 01 Nov 2025 21:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.905969
• Title: A Voice-Enabled Virtual Patient System for Interactive Training in Standardized Clinical Assessment
• Title（参考訳）: クリニカルアセスメントにおける対話的トレーニングのための音声支援仮想患者システム
• Authors: Veronica Bossio Botero, Vijay Yadav, Jacob Ouyang, Anzar Abbas, Michelle Worthington,
• Abstract要約: 大規模言語モデル(LLM)を利用した音声対応仮想患者シミュレーションシステムを提案する。 本研究は, 本システムの発展を概説し, 既定の臨床像に固執する仮想患者を創出する能力を検証した。 以上の結果から, LLMを用いた仮想患者シミュレーションは, 臨床医の教育に有効かつスケーラブルなツールであることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training mental health clinicians to conduct standardized clinical assessments is challenging due to a lack of scalable, realistic practice opportunities, which can impact data quality in clinical trials. To address this gap, we introduce a voice-enabled virtual patient simulation system powered by a large language model (LLM). This study describes the system's development and validates its ability to generate virtual patients who accurately adhere to pre-defined clinical profiles, maintain coherent narratives, and produce realistic dialogue. We implemented a system using a LLM to simulate patients with specified symptom profiles, demographics, and communication styles. The system was evaluated by 5 experienced clinical raters who conducted 20 simulated structured MADRS interviews across 4 virtual patient personas. The virtual patients demonstrated strong adherence to their clinical profiles, with a mean item difference between rater-assigned MADRS scores and configured scores of 0.52 (SD=0.75). Inter-rater reliability across items was 0.90 (95% CI=0.68-0.99). Expert raters consistently rated the qualitative realism and cohesiveness of the virtual patients favorably, giving average ratings between "Agree" and "Strongly Agree." Our findings suggest that LLM-powered virtual patient simulations are a viable and scalable tool for training clinicians, capable of producing high-fidelity, clinically relevant practice scenarios.
• Abstract（参考訳）: クリニカル・トライアルにおけるデータ品質に影響を与えるスケーラブルで現実的な実践機会が欠如しているため、標準化された臨床アセスメントを実施するための精神保健医の訓練は困難である。 このギャップに対処するために,大言語モデル(LLM)を利用した音声対応仮想患者シミュレーションシステムを導入する。 本研究は, 臨床経過を正確に把握し, コヒーレントな物語を維持し, 現実的な対話を創出する仮想患者を創出する能力について述べる。 LLMを用いて、特定の症状プロファイル、人口統計、コミュニケーションスタイルを持つ患者をシミュレートするシステムを実装した。 本システムは, 仮想患者4名を対象に, 模擬MADRSインタビューを20回実施した経験者5名を対象に評価した。 仮想患者は臨床像に強く固執し, 平均項目差は, 平均値0.52点(SD=0.75点)であった。 レータ間の信頼性は0.90 (95% CI=0.68-0.99)であった。 専門家のラテンダーは、バーチャル患者の質的な現実主義と結束性を常に評価し、"Agree" と "Strongly Agree" の間に平均的な評価を与えた。 以上の結果から, LLMを用いた仮想患者シミュレーションは, 高忠実で臨床的に関係のある実践シナリオを創出できる, 臨床医を訓練するための実用的でスケーラブルなツールであることが示唆された。

関連論文リスト

• CLiVR: Conversational Learning System in Virtual Reality with AI-Powered Patients [0.0]
  CLiVRは、大きな言語モデル、音声処理、および3Dアバターを統合する、仮想現実における会話学習システムである。 Unityで開発され、Meta Quest 3プラットフォームにデプロイされたCliVRは、トレーニング担当者が仮想患者と自然な対話を行うことを可能にする。
  論文  参考訳（メタデータ） (2025-10-21T19:19:55Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening [7.395612068348526]
  メンタルヘルスサービスは、臨床専門家を育成するための実際のトレーニングデータの可用性を上回っている。 この不足は、トレーニングと評価を支援するシミュレートされた患者や仮想的な患者の開発を動機付けている。 本稿では,患者プロファイルの多様化を図った新しい患者シミュレーションパイプラインであるTalkDepを提案する。
  論文  参考訳（メタデータ） (2025-08-06T09:30:47Z)
• PatientSim: A Persona-Driven Simulator for Realistic Doctor-Patient Interactions [21.02633535404176]
  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。 最も優れたオープンソースモデルであるLlama 3.3 70B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ている。
  論文  参考訳（メタデータ） (2025-05-23T12:34:48Z)
• 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)
• Leveraging Large Language Model as Simulated Patients for Clinical Education [18.67200160979337]
  高いトレーニングコストと有資格SPは、この種の臨床訓練への学生のアクセスを制限する。 LLM(Large Language Models)の急速な発展に伴い、対話型人工知能とロールプレイングにおける特有な能力が実証された。 臨床医学教育におけるLLMの可能性を生かしたCureFunと呼ばれる統合型モデル診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-13T06:36:32Z)
• 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)

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。