論文の概要: Decoupling Patient Personas and Clinical Workflows: A Dual-Agent Approach to Realistic Medical Dialogue Generation

• arxiv url: http://arxiv.org/abs/2610.32443v1
• Date: Fri, 23 Oct 2026 10:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.49114
• Title: Decoupling Patient Personas and Clinical Workflows: A Dual-Agent Approach to Realistic Medical Dialogue Generation
• Title（参考訳）: 患者ペルソナと臨床ワークフローの分離: 現実的な医療対話生成のための二元的アプローチ
• Abstract要約: CoRPS-Dialは、医療対話前合成のための制御可能な二重エージェントフレームワークである。 冠動脈疾患の実験では、CoRPS-Dialは、情報カバレッジ、臨床コンプライアンス、および対話自然性において、合成対話と実際の対話の整合性を改善することが示されている。
• 参考スコア（独自算出の注目度）: 20.46562630610289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-consultation medical dialogues are essential for collecting comprehensive patient information, but are costly to obtain at scale due to privacy and ethical constraints. Existing LLM-based synthesis methods often rely on prompt engineering or rigid rules, limiting their ability to balance clinical relevance with realistic patient diversity. We propose CoRPS-Dial, a controllable dual-agent framework for pre-consultation medical dialogue synthesis that integrates patient personas with guideline-aligned clinical workflow rules. CoRPS-Dial generates dialogues through interactions between a persona-driven patient agent and a process-guided doctor agent, followed by post-hoc quality control for role consistency, workflow completeness, and textual consistency. Experiments on coronary heart disease demonstrate that CoRPS-Dial improves alignment between synthetic and real dialogues in information coverage, clinical compliance, and dialogue naturalness. Downstream fine-tuning experiments further confirm the utility of the generated synthetic data for medical dialogue tasks. These results highlight the effectiveness of CoRPS-Dial for clinically grounded and controllable medical dialogue synthesis.
• Abstract（参考訳）: 入院前の医療対話は包括的患者の情報収集には不可欠であるが,プライバシや倫理的制約のため,大規模に入手するには費用がかかる。 既存のLSMベースの合成法は、しばしば迅速なエンジニアリングや厳格な規則に依存しており、臨床関連性と現実的な患者の多様性のバランスを保っている。 我々は,患者ペルソナとガイドラインに整合した臨床ワークフロールールを統合した,術前医療対話合成のための制御可能なデュアルエージェントフレームワークであるCoRPS-Dialを提案する。 CoRPS-Dialは、ペルソナ駆動型患者エージェントとプロセス誘導型医師エージェントとの対話を通じて対話を生成し、その後、ロール一貫性、ワークフロー完全性、テキスト整合性のポストホックな品質制御を行う。 冠動脈疾患の実験では、CoRPS-Dialは、情報カバレッジ、臨床コンプライアンス、および対話自然性において、合成対話と実際の対話の整合性を改善することが示されている。 下流での微調整実験は、医療対話タスクにおいて生成された合成データの有用性をさらに確認する。 これらの結果から,臨床応用・制御可能な医用対話合成におけるCoRPS-Dialの有効性が示唆された。

関連論文リスト

• PACT: Learning Diverse Diagnostic Strategies via Privileged Synthesis and Branch Consensus [31.605826007992167]
  我々は,マルチパラダイム対話合成とコンセンサスに基づく分岐学習を併用したフレームワークである textbfPACT (Periodic Anchor Consensus Training) を提案する。 データレベルでは、textbfDPS(Doctor-Patient-Supervisor)は、患者視情報に制限された医師エージェントを維持しながら、品質管理のために完全な電子カルテ(EMR)を使用する。 実験の結果, PACTは診断結果とコンサルテーション・プロセスのメトリクスに基づいて, プロプライエタリ, 医療特化, タスク適応ベースラインを比較した。
  論文  参考訳（メタデータ） (2026-06-08T02:34:12Z)
• Towards Conversational Medical AI with Eyes, Ears and a Voice [19.359997612335018]
  我々は,対話型AIシステムであるAIコクリニシアンを紹介する。 その二重エージェントアーキテクチャは、自然な対話に必要な低レイテンシと深い臨床推論のバランスをとる。 我々の研究は、テキストのみのアプローチが、医療相談の真の課題を捉えるのに失敗していることを示している。
  論文  参考訳（メタデータ） (2026-05-10T02:43:49Z)
• SynDocDis: A Metadata-Driven Framework for Generating Synthetic Physician Discussions Using Large Language Models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-16T13:49:48Z)
• 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)
• DoctorAgent-RL: A Multi-Agent Collaborative Reinforcement Learning System for Multi-Turn Clinical Dialogue [18.814676128928234]
  大規模言語モデル (LLMs) は, バイオメディカルな質問応答の分野で優れた能力を発揮してきたが, 実際の臨床研究への応用はいまだに課題に直面している。 我々は,医療相談を不確実性下での動的意思決定プロセスとしてモデル化する,強化学習(RL)に基づくマルチエージェント協調フレームワークであるOursを提案する。 本手法は,医療資源の配分を最適化し,労働力不足を緩和する戦略の草分けとして,時間的プレッシャーによる誤診リスクの低減,複雑な症例に対する臨床医の解放,医療資源配分の最適化,労働力不足の緩和など,極めて実践的な価値を示す。
  論文  参考訳（メタデータ） (2025-05-26T07:48:14Z)
• TAMA: A Human-AI Collaborative Thematic Analysis Framework Using Multi-Agent LLMs for Clinical Interviews [54.35097932763878]
  Thematic Analysis (TA) は、構造化されていないテキストデータの潜在意味を明らかにするために広く使われている定性的手法である。 本稿では,多エージェントLEMを用いた人間とAIの協調的テーマ分析フレームワークTAMAを提案する。 TAMA は既存の LLM 支援TA アプローチよりも優れており,高い主題的ヒット率,カバレッジ,独特性を実現している。
  論文  参考訳（メタデータ） (2025-03-26T15:58:16Z)
• 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)
• 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)
• NoteChat: A Dataset of Synthetic Doctor-Patient Conversations Conditioned on Clinical Notes [17.293865946903217]
  NoteChatは、Large Language Models (LLMs)を活用して、患者と物理学者の対話を生成する新しい協調型マルチエージェントフレームワークである。 NoteChatは、臨床ノートに基づいた優れた合成患者と物理学の対話を生成する際に、ドメインの専門家によって、ChatGPTやGPT-4のような最先端のモデルを22.78%まで大幅に上回っている。
  論文  参考訳（メタデータ） (2023-10-24T15:59:43Z)
• 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。