論文の概要: From Discharge Notes to Patient Understanding: Persona-Grounded, Open-Ended Simulation of LLMs as Discharge Educators

• arxiv url: http://arxiv.org/abs/2609.20827v1
• Date: Wed, 22 Jul 2026 13:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.677751
• Title: From Discharge Notes to Patient Understanding: Persona-Grounded, Open-Ended Simulation of LLMs as Discharge Educators
• Title（参考訳）: 退院ノートから患者の理解へ:退院教育者としてのLCMの人里離れたオープンエンディングシミュレーション
• Abstract要約: DischargeBenchは、教育者を変更することなく患者リアリズムを制御する人為的なシミュレーションである。 各シミュレーションは、Quality、Topic、Checklist、Factual Conversationの4つの軸で行われます。 クローズドでオープンソースのLCM全体において、集計スコアはICDの章と患者ペルソナの臨床的に関係のある変動を隠蔽する。
• 参考スコア（独自算出の注目度）: 9.660763328418769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hospital discharge education is an interactive teaching task: a clinician adapts a discharge plan to a patient's literacy, recall, and personality. Existing LLM evaluations target static or artifact-generation tasks and do not measure patient understanding under open-ended dialogue. We introduce DischargeBench, a persona-grounded simulation in which a candidate LLM educator conducts a multi-turn session with a Virtual Patient, while an Education Monitor Agent regulates patient realism without modifying the educator, protecting the evaluation signal. We curate MIMIC-IV-Ext-DischargeBench, 477 cases over 24 ICD chapters with persona axes (personality, education level, health literacy, past-medical-history recall) for stratified analysis. Each simulation is scored on four axes -- Conversation Quality, Topic Checklist, Comprehension, and Factual Consistency -- by an LLM-as-a-Judge aligned against physician annotations. Across closed- and open-source LLMs, aggregate scores conceal clinically relevant variation across ICD chapters and patient personas; difficult personas expose coverage failures, comprehension gaps, and reduced source-answer agreement. LLM evaluation for discharge education should center patient understanding, not text quality or answer accuracy alone.
• Abstract（参考訳）: 病院退院教育は対話的な教育課題であり、臨床医は患者のリテラシー、リコール、パーソナリティに退院計画を適用する。 既存のLCM評価は静的または人工的なタスクをターゲットにしており、オープンエンド対話では患者の理解を測ることができない。 本稿では,LLM 教育者が仮想患者とのマルチターンセッションを行うペルソナグラウンドシミュレーションである dischargeBench を紹介し,教育モニタエージェントが教育者を変更することなく患者リアリズムを規制し,評価信号を保護する。 対象はMIMIC-IV-Ext-DischargeBenchで,24のICD章にペルソナ軸(人格,教育レベル,健康リテラシー,過去の医学的・歴史的リコール)を用いた477の症例について検討した。 各シミュレーションは、医師のアノテーションに合わせたLCM-as-a-Judgeによって、会話品質、トピックチェックリスト、理解、Factual Consistencyの4つの軸で行われます。 クローズドおよびオープンソース LLM 全体で、集計スコアは、ICD の章や患者ペルソナ、難解なペルソナがカバー障害、理解のギャップ、ソース・アンサー契約の縮小を隠蔽する。 退学教育におけるLCM評価は,テキスト品質や回答精度のみではなく,患者の理解を重視すべきである。

関連論文リスト

• RealICU: Do LLM Agents Understand Long-Context ICU Data? A Benchmark Beyond Behavior Imitation [46.82418087865201]
  RealICUは、実際のICU条件下での大規模言語モデル評価のための、後述のベンチマークである。 94MIC-IV患者の930ウィンドウアノテーションを持つRealICU-Goldと、Oracleによって拡張された11,862ウィンドウを持つRealICU-Scaleの2つのデータセットをリリースする。
  論文  参考訳（メタデータ） (2026-05-13T13:52:42Z)
• MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
  MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。 既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。 階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
  論文  参考訳（メタデータ） (2025-12-10T17:55:06Z)
• Consistently Simulating Human Personas with Multi-Turn Reinforcement Learning [52.07170679746533]
  大規模言語モデル(LLM)は、セラピー、教育、社会的役割プレイといったインタラクティブな環境において、人間のユーザをシミュレートするためにますます使われています。 LLM生成対話におけるペルソナの一貫性の評価と改善のための統一的なフレームワークを提案する。 我々は3つの自動メトリクス、即行一貫性、行間一貫性、Q&A一貫性を定義し、異なるタイプのペルソナドリフトをキャプチャし、それぞれが人間のアノテーションに対して検証する。
  論文  参考訳（メタデータ） (2025-10-31T19:40:41Z)
• DischargeSim: A Simulation Benchmark for Educational Doctor-Patient Communication at Discharge [11.081999875352025]
  退院コミュニケーションは、患者のケアにおいて重要だが未発見の要素である。 モデルがパーソナライズされた放電教育者として機能する能力を評価する新しいベンチマークであるDesignSimを紹介する。
  論文  参考訳（メタデータ） (2025-09-08T20:07:30Z)
• 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)
• Retrieval-Augmented and Knowledge-Grounded Language Models for Faithful Clinical Medicine [68.7814360102644]
  本稿では,Re$3$Writer法を提案する。 本手法が患者の退院指示生成に有効であることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:34:39Z)

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。