論文の概要: ELICITED: EHR-grounded Longitudinal Interactive Conversations for Information-seeking Triage Evaluation and Decision-making
- arxiv url: http://arxiv.org/abs/2608.09024v1
- Date: Mon, 10 Aug 2026 02:26:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.040061
- Title: ELICITED: EHR-grounded Longitudinal Interactive Conversations for Information-seeking Triage Evaluation and Decision-making
- Title（参考訳）: ELICITED:情報検索トリアージ評価と意思決定のためのEHR-grounded Longitudinal Interactive Conversations
- Abstract要約: エージェント対話生成フレームワークであるEHR2Dial-TriageをMIMIC-IV-EDで実装したベンチマークで紹介する。
情報提供,エビデンス利用,5レベル緊急度指数予測,患者対面コミュニケーションの制御評価を可能にする。
臨床情報取得、推論、コミュニケーションの動的なプロセスとして、会話トリアージを研究するための構造化された設定を提供する。
- 参考スコア（独自算出の注目度）: 26.2740760354659
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Emergency-department (ED) triage requires clinicians to rapidly identify patients who need immediate attention, determine who can safely wait, and prioritize limited clinical resources. At presentation, however, information may be limited to a chief complaint and initial vital signs. Clinically important details, including symptom onset and progression, associated symptoms, medical history, and medication use, are often obtained through focused conversation. Effective triage therefore requires clinicians to identify information gaps, ask appropriate follow-up questions, and update their assessment as new evidence becomes available. Most existing ED benchmarks evaluate acuity prediction from a fixed clinical snapshot. Although this formulation measures predictive performance after patient information has been assembled, it does not capture the interactive process through which triage-relevant evidence is elicited and interpreted. Existing medical dialogue datasets support the study of clinical communication, but dialogue statements are not always linked to temporally ordered events in the electronic health record (EHR). We introduce EHR2Dial-Triage, an agentic conversation-generation framework and benchmark grounded in MIMIC-IV-ED. The framework constructs triage conversations under explicit role-based and temporal information boundaries. Each accepted patient disclosure is linked to its supporting EHR event and the first dialogue turn at which it becomes available. EHR2Dial-Triage enables controlled evaluation of information elicitation, evidence use, five-level Emergency Severity Index prediction, and patient-facing communication across models and patient personas. It provides a structured setting for studying conversational triage as a dynamic process of clinical information acquisition, reasoning, and communication.
- Abstract（参考訳）: 救急治療(ED)トリアージでは、緊急注意が必要な患者を迅速に特定し、誰が安全に待機できるかを判断し、限られた臨床リソースを優先順位付けする必要がある。
しかし、プレゼンテーションでは、情報は主訴と最初のバイタルサインに限られる可能性がある。
症状の発症と進行、関連する症状、医療史、薬物使用など、臨床的に重要な詳細は、焦点を絞った会話を通じて得られることが多い。
したがって、効果的なトリアージでは、臨床医は情報ギャップを特定し、適切なフォローアップ質問をし、新しい証拠が利用可能になると評価を更新しなければならない。
既存のEDベンチマークのほとんどは、固定された臨床スナップショットから明度予測を評価している。
この定式化は, 患者情報収集後の予測性能を計測するが, トリアージ関連証拠を抽出し解釈する対話的過程を捉えない。
既存の医療対話データセットは、臨床コミュニケーションの研究を支援するが、対話文は、電子健康記録(EHR)における時間順イベントと常に関連付けられているわけではない。
エージェント対話生成フレームワークであるEHR2Dial-TriageをMIMIC-IV-EDで実装したベンチマークで紹介する。
このフレームワークは、明示的な役割ベースと時間的情報境界の下でのトリアージ会話を構成する。
各患者開示は、その支援EHRイベントと、それが利用可能になる最初の対話ターンにリンクされる。
EHR2Dial-Triageは、情報提供、エビデンス利用、5レベル緊急度指数予測、およびモデルおよび患者ペルソナ間の患者対面コミュニケーションの制御された評価を可能にする。
臨床情報取得、推論、コミュニケーションの動的なプロセスとして、会話トリアージを研究するための構造化された設定を提供する。
関連論文リスト
- MedConceal: A Benchmark for Clinical Hidden-Concern Reasoning Under Partial Observability [17.806376792868416]
医療対話における隠蔽推論評価のための対話型患者シミュレータを用いたベンチマークであるMedConcealを提案する。
クリニックが回答したオンライン健康に関する議論から構築された各ケースは、シミュレーターと内部を隠蔽した懸念を伴うクリニックと視覚のコンテキストをペアリングする。
本研究は,マルチターン対話を通じて隠れた関心を隠蔽し,介入し,主要な関心事に対処し,患者を目標計画に向けて誘導する2つの能力について検討する。
論文 参考訳（メタデータ） (2026-04-09T21:51:02Z) - 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) - MedKGEval: A Knowledge Graph-Based Multi-Turn Evaluation Framework for Open-Ended Patient Interactions with Clinical LLMs [19.12790150016383]
MedKGEvalは、臨床用大規模言語モデルのための新しいマルチターン評価フレームワークである。
知識グラフ駆動患者シミュレーション機構は、キュレートされた知識グラフから関連する医療事実を検索する。
ターンレベル評価フレームワークは、各モデル応答を臨床的適切性、事実的正当性、安全性について評価する。
論文 参考訳（メタデータ） (2025-10-14T07:22:26Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳（メタデータ） (2025-10-11T16:24:35Z) - A Dataset for Addressing Patient's Information Needs related to Clinical Course of Hospitalization [15.837772594006038]
ArchEHR-QAは、集中治療室と救急部門の設定から現実の患者をベースとした、専門家による注釈付きデータセットである。
症例は、公衆衛生フォーラムへの患者による質問、臨床医が解釈した質問、関連する臨床ノートの抜粋、および臨床医が認可した回答である。
答えファーストのプロンプトアプローチは一貫して最善を尽くし、ラマ4は最高得点を獲得した。
論文 参考訳（メタデータ） (2025-06-04T16:55:08Z) - Designing AI Tools for Clinical Care Teams to Support Serious Illness Conversations with Older Adults in the Emergency Department [53.52248484568777]
この研究は、EDベースの重篤な病的会話の実証的な理解に貢献し、ハイテイクな臨床環境におけるAIの設計上の考察を提供する。
専門医2名と専門医9名を対象にインタビューを行った。
我々は4段階の重篤な会話ワークフロー(識別、準備、伝導、文書化)を特徴とし、各段階における重要なニーズと課題を特定した。
既存の臨床実践に適合するSICをサポートするAIツールの設計ガイドラインを提示する。
論文 参考訳（メタデータ） (2025-05-30T21:15:57Z) - Follow-up Question Generation For Enhanced Patient-Provider Conversations [0.11309478649967242]
FollowupQは非同期医療会話を強化するための新しいフレームワークである。
FollowupQは、患者メッセージとEHRデータを処理し、パーソナライズされたフォローアップ質問を生成する。
必要なプロバイダのフォローアップ通信を34%削減する。
また、実データと合成データのパフォーマンスも17%向上し、5%向上した。
論文 参考訳（メタデータ） (2025-03-21T19:40:53Z) - 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) - RECAP-KG: Mining Knowledge Graphs from Raw GP Notes for Remote COVID-19
Assessment in Primary Care [45.43645878061283]
本稿では,患者相談の前後に書かれた生のGP医療ノートから知識グラフ構築を行うフレームワークを提案する。
私たちの知識グラフには、既存の患者の症状、その持続時間、重症度に関する情報が含まれています。
本フレームワークを英国における新型コロナウイルス患者の相談ノートに適用する。
論文 参考訳（メタデータ） (2023-06-17T23:35:51Z) - 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) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。