論文の概要: SynDocDis: A Metadata-Driven Framework for Generating Synthetic Physician Discussions Using Large Language Models

• arxiv url: http://arxiv.org/abs/2604.08555v1
• Date: Mon, 16 Mar 2026 13:49:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.403197
• Title: SynDocDis: A Metadata-Driven Framework for Generating Synthetic Physician Discussions Using Large Language Models
• Title（参考訳）: SynDocDis: 大規模言語モデルを用いた合成物理学者の議論を生成するメタデータ駆動フレームワーク
• Authors: Beny Rubinstein, Sergio Matos,
• Abstract要約: 構造化されたプロンプト技術とプライバシ保護されたケースメタデータを組み合わせた新しいフレームワークであるSynDocDisを提案する。 このフレームワークは、医師や患者のプライバシーを維持しながら、91%の臨床的関連性評価を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physician-physician discussions of patient cases represent a rich source of clinical knowledge and reasoning that could feed AI agents to enrich and even participate in subsequent interactions. However, privacy regulations and ethical considerations severely restrict access to such data. While synthetic data generation using Large Language Models offers a promising alternative, existing approaches primarily focus on patient-physician interactions or structured medical records, leaving a significant gap in physician-to-physician communication synthesis. We present SynDocDis, a novel framework that combines structured prompting techniques with privacy-preserving de-identified case metadata to generate clinically accurate physician-to-physician dialogues. Evaluation by five practicing physicians in nine oncology and hepatology scenarios demonstrated exceptional communication effectiveness (mean 4.4/5) and strong medical content quality (mean 4.1/5), with substantial interrater reliability (kappa = 0.70, 95% CI: 0.67-0.73). The framework achieved 91% clinical relevance ratings while maintaining doctors' and patients' privacy. These results place SynDocDis as a promising framework for advancing medical AI research ethically and responsibly through privacy-compliant synthetic physician dialogue generation with direct applications in medical education and clinical decision support.
• Abstract（参考訳）: 患者に関する物理学者と物理学者の議論は、AIエージェントを豊かにし、その後の相互作用に参加することができるような、臨床知識と推論の豊富な源である。 しかし、プライバシー規制や倫理的配慮は、そのようなデータへのアクセスを厳しく制限している。 大規模言語モデルを用いた合成データ生成は有望な代替手段であるが、既存のアプローチは主に患者と医師の相互作用や構造化された医療記録に焦点を当てており、医師と医師のコミュニケーション合成において大きなギャップを残している。 我々は、構造化プロンプト技術とプライバシ保存されたケースメタデータを組み合わせた新しいフレームワークであるSynDocDisを提案し、臨床的に正確な医師と医師の対話を生成する。 9つの腫瘍学・肝学シナリオにおける5人の実践医による評価は、例外的なコミュニケーション効果(平均4.4/5)と強い医療内容の質(平均4.1/5)を示し、かなりの相互信頼(kappa = 0.70, 95% CI: 0.67-0.73)を示した。 このフレームワークは、医師や患者のプライバシーを維持しながら、91%の臨床的関連性評価を達成した。 これらの結果は、SynDocDisを医療AI研究を倫理的にかつ責任的に進めるための有望なフレームワークとして、プライバシに準拠した総合的医師対話生成を通じて医療教育と臨床決定支援に直接応用する。

関連論文リスト

• Towards a Medical AI Scientist [73.6056699962416]
  私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。 このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。 本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
  論文  参考訳（メタデータ） (2026-03-30T15:37:25Z)
• MedDialogRubrics: A Comprehensive Benchmark and Evaluation Framework for Multi-turn Medical Consultations in Large Language Models [15.91764739198419]
  5,200件の患者と6万件以上のきめ細粒度評価ルーブリックからなる新規なベンチマークであるMedDialogRubricsについて紹介する。 本フレームワークでは,実世界の電子的健康記録にアクセスすることなく,現実的な患者記録と主訴を合成するマルチエージェントシステムを採用している。
  論文  参考訳（メタデータ） (2026-01-06T13:56:33Z)
• 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)
• Position Paper: Building Trust in Synthetic Data for Clinical AI [0.3937354192623676]
  本稿では, 臨床応用において, 総合医療データの信頼性向上が重要であることを論じる。 我々は,脳腫瘍のセグメント化による経験的証拠を提示し,合成データの質,多様性,比率が臨床AIモデルの信頼に直接影響を与えることを示す。
  論文  参考訳（メタデータ） (2025-02-04T07:53:23Z)
• In-Context Learning for Preserving Patient Privacy: A Framework for Synthesizing Realistic Patient Portal Messages [0.9112162560071937]
  新型コロナウイルス(COVID-19)のパンデミック以降、臨床医は患者のポータルメッセージに大きくて持続的な流入を見てきた。 本研究では,現実的な患者ポータルメッセージ生成のための LLM を利用したフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-10T18:06:55Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• 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)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)
• 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)

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。