論文の概要: Synthetic or Authentic? Building Mental Patient Simulators from Longitudinal Evidence

• arxiv url: http://arxiv.org/abs/2603.22704v1
• Date: Tue, 24 Mar 2026 01:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.242809
• Title: Synthetic or Authentic? Building Mental Patient Simulators from Longitudinal Evidence
• Title（参考訳）: 合成・正当性 : 縦断的証拠による精神科患者シミュレーションの構築
• Authors: Baihan Li, Bingrui Jin, Kunyao Lan, Ming Wang, Mengyue Wu,
• Abstract要約: 統合されたマルチソース患者プロファイルを構築するデータ基底型患者シミュレーションフレームワークを提案する。 複数の大規模言語モデル(LLM)のバックボーンを用いた実験では、DEPROFILEによって構築されたより包括的なプロファイルにより、対話リアリズム、振る舞いの多様性、イベントリッチネスは一貫して改善され、最先端のベースラインを超えている。
• 参考スコア（独自算出の注目度）: 22.515808549331762
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Patient simulation is essential for developing and evaluating mental health dialogue systems. As most existing approaches rely on snapshot-style prompts with limited profile information, homogeneous behaviors and incoherent disease progression in multi-turn interactions have become key chellenges. In this work, we propose DEPROFILE, a data-grounded patient simulation framework that constructs unified, multi-source patient profiles by integrating demographic attributes, standardized clinical symptoms, counseling dialogues, and longitudinal life-event histories from real-world data. We further introduce a Chain-of-Change agent to transform noisy longitudinal records into structured, temporally grounded memory representations for simulation. Experiments across multiple large language model (LLM) backbones show that with more comprehensive profile constructed by DEPROFILE, the dialogue realism, behavioral diversity, and event richness have consistently improved and exceed state-of-the-art baselines, highlighting the importance of grounding patient simulation in verifiable longitudinal evidence.
• Abstract（参考訳）: 患者シミュレーションはメンタルヘルス対話システムの開発と評価に不可欠である。 既存のほとんどのアプローチは、プロファイル情報に制限のあるスナップショットスタイルのプロンプトに依存しているため、マルチターン相互作用における均質な振る舞いや不整合性疾患の進行が重要となっている。 本研究では,人口統計属性,標準化された臨床症状,カウンセリングダイアログ,および実世界データからの縦断的生活経験履歴を統合することで,統合されたマルチソース患者プロファイルを構築するデータ基底型患者シミュレーションフレームワークであるDEPROFILEを提案する。 さらに、雑音の多い長手レコードを時間的基礎としたメモリ表現に変換するChain-of-Changeエージェントを導入し、シミュレーションを行う。 複数の大規模言語モデル(LLM)のバックボーンを用いた実験では、DEPROFILEによって構築されたより包括的なプロファイルにより、対話リアリズム、行動多様性、事象の豊かさは一貫して改善され、最先端のベースラインを超えており、検証可能な長手証拠における患者シミュレーションの基盤となることの重要性が強調されている。

関連論文リスト

• Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
  本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。 提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
  論文  参考訳（メタデータ） (2026-01-17T03:35:39Z)
• Multi-Stage Patient Role-Playing Framework for Realistic Clinical Interactions [2.1897719729390173]
  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。
  論文  参考訳（メタデータ） (2026-01-16T02:34:22Z)
• CURENet: Combining Unified Representations for Efficient Chronic Disease Prediction [24.569877750738286]
  CURENetは、構造化されていない臨床ノート、検査結果、患者の時系列データを統合するマルチモーダルモデルである。 CURENetは、さまざまな臨床データ間の複雑な相互作用を捉え、慢性疾患のより信頼性の高い予測モデルを作成することができる。
  論文  参考訳（メタデータ） (2025-11-14T15:52:22Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• 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)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。