論文の概要: A prospective randomized study of patient-centered AI for clinical visit preparation

• arxiv url: http://arxiv.org/abs/2610.41437v1
• Date: Fri, 30 Oct 2026 08:39:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.66402
• Title: A prospective randomized study of patient-centered AI for clinical visit preparation
• Title（参考訳）: 臨床訪問準備のための患者中心型AIのランダム化研究
• Abstract要約: 患者は、簡単に、時間に制約のある臨床訪問に、何を期待するか、あるいは何を求めるべきかを知らないまま到着することが多い。 我々は、予約前に患者を案内する大規模言語モデル(LLM)ベースの訪問準備エージェントを設計した。 802人の成人が訪問準備業者と健康に関する会話を866回行った。
• 参考スコア（独自算出の注目度）: 20.74798308829189
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patients often arrive at brief, time-constrained clinical visits unsure of what to expect or ask, and millions of adults now turn to general-purpose AI chatbots to prepare beforehand. Yet whether conversational AI improves visit readiness remains unclear. We designed a large language model (LLM)-based visit preparation agent to guide patients before an appointment by gathering clinical context, setting visit expectations, providing relevant health information, building a prioritized list of questions for their clinician, and generating a summary. In a prospective consented randomized study in the Google Health app, 802 U.S. adults held 866 health-related conversations with the visit preparation agent (standard or concise variant) or a minimally prompted control chatbot built on the same LLM. The visit preparation agent significantly outperformed the control across blinded clinician evaluations and patient self-reports. In clinician reviews of completed sessions (n = 272), the agent achieved a 16.6% higher rate of comprehensive preparation (67.2% vs. 50.6%; P < 0.05) and an 8.5% higher rate of alignment with patients' health context (98.9% vs. 90.4%; P < 0.01), while maintaining high medical safety and appropriateness across all study arms. Patient post-surveys (n = 460) showed 16.8% higher visit preparedness (73.8% vs. 57.0%; P < 0.01), 14.3% higher confidence in knowing what to ask (81.4% vs. 67.1%; P < 0.01), and 12.0% higher overall satisfaction (74.0% vs. 62.0%; P < 0.05). Clinician and participant metrics were not significantly correlated, indicating that expert review and patient self-assessment capture complementary dimensions of patient-facing AI. These findings suggest that LLM chatbots can safely help patients prepare for clinical visits, with greater benefit when following a structured workflow, and motivate future studies on in-visit communication and clinical outcomes.
• Abstract（参考訳）: 患者は、簡単に、時間に制限された臨床訪問に、期待や質問を知らないまま到着することが多く、今や何百万人もの大人が、事前に準備のために汎用AIチャットボットに目を向けている。 しかし、会話型AIが訪問準備を改善するかどうかは不明だ。 我々は,診療状況の収集,来院希望の設定,関連する健康情報の提供,臨床医のための質問リストの優先順位付け,概要作成などにより,予約前に患者を案内する大規模言語モデル(LLM)ベースの訪問準備エージェントを設計した。 Google Healthアプリのランダム化調査では、802人の成人が、訪問準備エージェント(標準または簡潔なバリエーション)や、同じLLM上に構築された最小限の制御チャットボットと、健康関連の会話を866回行った。 訪問準備剤は盲点評価と患者自己申告のコントロールを著しく上回った。 臨床検査(n = 272)では、総合的準備率(67.2% vs. 50.6%; P < 0.05)が16.6%、患者の健康状況(98.9% vs. 90.4%; P < 0.01)が8.5%向上した。 入院後調査(n = 460)では16.8%の訪問準備率(73.8%対57.0%; P < 0.01)、14.3%の信頼性(81.4%対67.1%; P < 0.01)、および12.0%の全体的な満足度(74.0%対62.0%; P < 0.05)が見られた。 臨床医と参加者のメトリクスは有意な相関はなく、専門家のレビューと患者自己評価が患者が直面するAIの相補的な次元を捉えていることが示唆された。 これらの結果から, LLMチャットボットは, 患者の臨床訪問の準備を安全に行うことができ, 構造的ワークフローに従えば, より大きな利益が得られ, 将来的な遠隔コミュニケーションと臨床結果のモチベーションがもたらされることが示唆された。

関連論文リスト

• Advancing Clinical Genomic Analysis with a Skill-Centred Agent [63.88036490017211]
  ClinGeXは、105のキュレートされた実行可能なスキルを構成する大言語モデルエージェントである。 ClinGeXは71.7%のマクロレベルのタスクレベルを専門家の参照分類と一致させた。
  論文  参考訳（メタデータ） (2026-10-29T17:40:24Z)
• Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
  MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。 ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。 MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
  論文  参考訳（メタデータ） (2026-06-03T17:17:16Z)
• Human-LLM Dialogue Improves Diagnostic Accuracy in Emergency Care [17.055142604871506]
  MedSynは、医師が全ての臨床記録を提供するLCMに問い合わせると同時に、最初は主訴のみを見ることができる。 ブラインド評価では、住民のハードケースの正しさは0.589から0.734に上昇した。 住民は最大のF1ゲイン(=0.138; p 0.0001)を示した。
  論文  参考訳（メタデータ） (2026-05-08T22:40:10Z)
• A Decade-Scale Benchmark Evaluating LLMs' Clinical Practice Guidelines Detection and Adherence in Multi-turn Conversations [60.2076951536797]
  大規模言語モデル(LLM)は、医療シナリオにますます多くデプロイされている。 LLMが会話中に臨床ガイドラインを特定・遵守できるのかは不明確である。 CPGBenchは、LSMの臨床ガイドラインの検出と付着能力をベンチマークする自動フレームワークである。
  論文  参考訳（メタデータ） (2026-03-26T09:00:55Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• AI-assisted workflow enables rapid, high-fidelity breast cancer clinical trial eligibility prescreening [4.008304844602351]
  臨床テキストから自動検査を行うAIシステムMSK-MATCH(Memorial Sloan Kettering Multi-Agent Trial Coordination Hub)を開発した。 MSK-MATCHは、大規模な言語モデルと、キュレートされたオンコロジートライアル知識ベースと検索強化アーキテクチャを統合している。 MSK-MATCHは、6回の乳癌治験で731人の患者から88,518人の臨床記録を振り返って分析し、61.9%の患者を自動で解決し、38.1%の人的レビューを行った。
  論文  参考訳（メタデータ） (2025-11-07T20:27:05Z)
• 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)
• Leveraging Machine Learning Models to Predict the Outcome of Digital Medical Triage Interviews [0.1433758865948252]
  決定木モデル、特にLGBMClassifierとCatBoostClassifierは、完全なインタビューの結果を予測する上で80%以上の精度を達成する。 本研究は,決定木モデルのインタビュー完全性と予測力の線形相関性を明らかにする。
  論文  参考訳（メタデータ） (2025-04-16T11:17:23Z)
• A Scalable Approach to Benchmarking the In-Conversation Differential Diagnostic Accuracy of a Health AI [0.0]
  本研究では、健康AIシステムを評価するためのスケーラブルなベンチマーク手法を提案する。 提案手法では,14の専門分野に400の検証済み臨床ヴィグネットを用いて,現実的な臨床行為をシミュレートするためにAIを利用した患者アクターを用いた。 8月は81.8%(327/400件)の診断精度、85.0%(340/400件)のトップ2の診断精度を達成し、従来の症状チェッカーを上回った。
  論文  参考訳（メタデータ） (2024-12-17T05:02:33Z)

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。