論文の概要: Improving Medical Communication using Rubric-Guided Counterfactual Recommendations
- arxiv url: http://arxiv.org/abs/2606.18889v1
- Date: Wed, 17 Jun 2026 10:07:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.109996
- Title: Improving Medical Communication using Rubric-Guided Counterfactual Recommendations
- Title（参考訳）: ルーブリックガイドによる医療コミュニケーションの改善
- Abstract要約: テキストベースの遠隔医療は、ますます軽量な患者からのフィードバックに依存している。
我々は、解釈可能な通信機能を発見し、洗練するLM誘導の対実的レコメンデーションパイプラインを導入する。
- 参考スコア（独自算出の注目度）: 1.2772440721750564
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Text-based telemedicine increasingly relies on lightweight patient feedback, however, such feedback primarily reflects perceived communication quality rather than medical accuracy. We introduce an LM-guided counterfactual recommendation pipeline that discovers and refines interpretable communication features such as tone, personalization, actionability and completeness in addressing patient concerns, without interfering with the medical content. These features are used together with patient-doctor interaction metadata to estimate positive feedback. At inference time, the system searches over low-cost ordinal feature changes and recommends minimal communication changes predicted to increase the probability of positive feedback, while independent auditor models test whether these gains generalize beyond the selection model. Across interactions, recommendations yield a mean +6.41% gain in predicted positive feedback probability under independent auditors, and are non-negative for 93.31% of recommendations. These results suggest that small, interpretable communication changes can capture most predicted gains while preserving the doctor's control over medical reasoning and final wording.
- Abstract（参考訳）: テキストベースの遠隔医療は、ますます軽量な患者からのフィードバックに頼っているが、そのようなフィードバックは主に医療の正確さよりもコミュニケーションの質を反映している。
医療内容に干渉することなく、患者の関心事に対処する上で、トーン、パーソナライゼーション、行動可能性、完全性などの解釈可能なコミュニケーション機能を発見し、洗練するLM誘導の対物レコメンデーションパイプラインを導入する。
これらの特徴は、患者と医師の相互作用メタデータと共に、肯定的なフィードバックを見積もるために使われる。
予測時において、システムは低コストの順序的特徴変化を探索し、肯定的なフィードバックの確率を高めるために予測される最小限の通信変更を推奨する。
相互作用全体を通じて、レコメンデーションは、独立した監査人の下で予測された肯定的なフィードバック確率において平均+6.41%上昇し、93.31%のレコメンデーションでは非負である。
これらの結果は、医師が医学的推論や最後の言葉を制御しながら、小さな、解釈可能なコミュニケーションの変化が、ほとんどの予想される利益を捉えることができることを示唆している。
関連論文リスト
- G-CARL: Grounded Checklist-Aligned Reward Learning for Patient-Oriented Medical Report Interpretation [20.773040629535785]
患者指向医療報告解釈(PMRI)は、新しいオープンエンドマルチモーダル・ジェネレーション・タスクである。
G-CARLは、チェックリストに準拠した強化学習フレームワークである。
MMedReportは現実世界のPMRIベンチマークである。
論文 参考訳（メタデータ） (2026-08-20T17:59:46Z) - Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars [0.45671221781968324]
アクセプタンス・アンド・コミット・セラピー(ACT)における精神療法士の訓練には、有意義なフィードバックを伴う反復的な実践が必要である。
仮想患者と音声対話によるACT指向精神療法訓練を支援するシステムを提案する。
論文 参考訳（メタデータ） (2026-06-16T11:02:00Z) - What Makes a Good Doctor Response? An Analysis on a Romanian Telemedicine Platform [1.4969391620741985]
ルーマニア語テキストを用いた遠隔医療における患者満足度信号の分析を行った。
我々は、フィードバックを2つの結果としてモデル化し、サムアップ応答をポジティブとして扱い、負のフィードバックや欠落したフィードバックを他のクラスにグループ化する。
論文 参考訳（メタデータ） (2026-02-19T09:25:00Z) - Mapping Patient-Perceived Physician Traits from Nationwide Online Reviews with LLMs [3.364244912862208]
本稿では,5つの人格特性と5つの患者主観的判断を推定する大規模言語モデル(LLM)に基づくパイプラインを提案する。
この分析は、米国の医師226,999人の4100万人の患者のレビューを含む。
論文 参考訳（メタデータ） (2025-10-05T02:16:35Z) - Multi-Modal Self-Supervised Learning for Surgical Feedback Effectiveness Assessment [66.6041949490137]
そこで本研究では,音声による音声入力とそれに対応する手術映像からの情報を統合して,フィードバックの有効性を予測する手法を提案する。
以上の結果から,手書きフィードバックと手術映像の両方が,訓練者の行動変化を個別に予測できることがわかった。
本研究は,手術フィードバックの自動評価を推進するためのマルチモーダル学習の可能性を示すものである。
論文 参考訳（メタデータ） (2024-11-17T00:13:00Z) - Probabilistic emotion and sentiment modelling of patient-reported
experiences [0.04096453902709291]
本研究では,オンライン体験談話から患者感情をモデル化する新しい手法を提案する。
ケアオピニオンから患者が報告した経験を分析するために,メタデータネットワークトピックをモデル化する。
マルチラベル感情とバイナリ感情の両方を予測できる確率論的・文脈特異的感情推薦システムを開発した。
論文 参考訳（メタデータ） (2024-01-09T05:39:20Z) - Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。
提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。
これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
論文 参考訳（メタデータ） (2023-05-25T21:01:00Z) - Generating medically-accurate summaries of patient-provider dialogue: A
multi-stage approach using large language models [6.252236971703546]
効果的な要約は、対話におけるすべての医学的関連情報を一貫性と精度良く捉えることが要求される。
本稿では, 医療会話の要約問題に, タスクを, より小さな対話に基づくタスクに分解することで対処する。
論文 参考訳（メタデータ） (2023-05-10T08:48:53Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Opportunities of a Machine Learning-based Decision Support System for
Stroke Rehabilitation Assessment [64.52563354823711]
リハビリテーションアセスメントは、患者の適切な介入を決定するために重要である。
現在の評価の実践は、主にセラピストの経験に依存しており、セラピストの可用性が限られているため、アセスメントは頻繁に実施される。
我々は、強化学習を用いて評価の健全な特徴を識別できるインテリジェントな意思決定支援システムを開発した。
論文 参考訳（メタデータ） (2020-02-27T17:04:07Z)
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。