論文の概要: Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions

• arxiv url: http://arxiv.org/abs/2601.10951v1
• Date: Fri, 16 Jan 2026 02:34:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.339364
• Title: Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions
• Title（参考訳）: 現実的臨床インタラクションのための多段階患者ロールプレイングフレームワーク
• Authors: Shijie Jiang, Zefan Zhang, Kehua Zhu, Tian Bai, Ruihong Zhao,
• Abstract要約: 中国初の患者シミュレーションデータセット(Ch-PatientSim)を提案する。 患者は5次元のペルソナ構造に基づいてシミュレートされる。 ペルソナクラスの不均衡の問題に対処するため、データセットの一部は、数ショット生成を使用して拡張され、続いて手動検証が行われる。
• 参考スコア（独自算出の注目度）: 2.1897719729390173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The simulation of realistic clinical interactions plays a pivotal role in advancing clinical Large Language Models (LLMs) and supporting medical diagnostic education. Existing approaches and benchmarks rely on generic or LLM-generated dialogue data, which limits the authenticity and diversity of doctor-patient interactions. In this work, we propose the first Chinese patient simulation dataset (Ch-PatientSim), constructed from realistic clinical interaction scenarios to comprehensively evaluate the performance of models in emulating patient behavior. Patients are simulated based on a five-dimensional persona structure. To address issues of the persona class imbalance, a portion of the dataset is augmented using few-shot generation, followed by manual verification. We evaluate various state-of-the-art LLMs and find that most produce overly formal responses that lack individual personality. To address this limitation, we propose a training-free Multi-Stage Patient Role-Playing (MSPRP) framework, which decomposes interactions into three stages to ensure both personalization and realism in model responses. Experimental results demonstrate that our approach significantly improves model performance across multiple dimensions of patient simulation.
• Abstract（参考訳）: 臨床言語モデル(LLM)の進歩と医療診断教育支援において,現実的な臨床相互作用のシミュレーションが重要な役割を担っている。 既存のアプローチとベンチマークはジェネリックまたはLLM生成の対話データに依存しており、医師と患者の相互作用の信頼性と多様性を制限している。 本研究では,患者行動のエミュレートにおけるモデルの性能を包括的に評価するために,現実的な臨床相互作用シナリオから構築した中国初の患者シミュレーションデータセット(Ch-PatientSim)を提案する。 患者は5次元のペルソナ構造に基づいてシミュレートされる。 ペルソナクラスの不均衡の問題に対処するため、データセットの一部は、数ショット生成を使用して拡張され、続いて手動検証が行われる。 我々は,様々な最先端のLCMを評価し,個人の個性に欠ける過度に形式的な反応が生じることを発見した。 この制限に対処するために、モデル応答におけるパーソナライズとリアリズムの両面を確実にするために、インタラクションを3段階に分解する、トレーニング不要なマルチステージ患者ロールプレイング(MSPRP)フレームワークを提案する。 実験により,本手法は患者シミュレーションの多次元にわたるモデル性能を著しく向上することが示された。

関連論文リスト

• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Patient-Zero: A Unified Framework for Real-Record-Free Patient Agent Generation [11.75912414451272]
  実際の医療記録を必要としない現実的な患者生成フレームワークであるPatent-Zeroを提案する。 patient-Zeroはまず、医療に整合したマルチステップ生成アーキテクチャを導入し、実際の医療記録を使わずに階層的な医療知識注入を通じて包括的な患者記録を構築する。 本フレームワークは,適応的対話戦略とリアルタイム臨床的妥当性検証によって支援され,厳密な医療コヒーレンスを維持しつつ,文脈的に多様な患者記録の生成を可能にする。
  論文  参考訳（メタデータ） (2025-09-14T03:56:00Z)
• AI Agents for Conversational Patient Triage: Preliminary Simulation-Based Evaluation with Real-World EHR Data [3.4206930658402115]
  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。
  論文  参考訳（メタデータ） (2025-06-04T14:56:08Z)
• 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)
• 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)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)

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。