Modeling Challenging Patient Interactions: LLMs for Medical Communication Training

要約

効果的な患者コミュニケーションはヘルスケアにおいて極めて重要ですが、従来の医療訓練には、多様で挑戦的な対人的ダイナミクスへの暴露がしばしば欠けています。
このギャップを埋めるために、この研究では、本物の患者コミュニケーションスタイル、特にSATIRモデルから派生した「告発者」と「合理化イザー」のペルソナをシミュレートするために、大規模な言語モデル（LLMS）の使用を提案し、多様な文化的文脈に対応し、医療専門家のアクセシビリティを強化するための多言語の適用性を確保します。
行動プロンプト、著者のメモ、頑固なメカニズムなど、高度なプロンプトエンジニアリングを活用して、微妙な感情的および会話的特性を具体化する仮想患者（VPS）を開発しました。
医療専門家はこれらのVPSを評価し、信頼性を評価しました（告発者：$ 3.8 \ PM 1.0 $; Rationalizer：$ 3.7 \ PM 0.8 $（1から5））、スタイルを正しく識別しました。
感情分析により明確なプロファイルが明らかになりました。告発者は痛み、怒り、苦痛を示しましたが、合理化者は熟考と落ち着きを示し、病歴を含む事前に定義された詳細な患者の説明と一致しました。
センチメントスコア（ゼロから9のスケール）は、通信スタイルのこれらの違いをさらに検証し、告発者はネガティブ（$ 3.1 \ PM 0.6 $）とよりニュートラル（$ 4.0 \ PM 0.4 $）トーンを採用しました。
これらの結果は、複雑なコミュニケーションスタイルを複製するLLMSの能力を強調し、医学教育の変革の可能性を提供します。
このアプローチは、現実的で適応性のある患者の相互作用を提供し、共感と診断の洞察力を高めることにより、挑戦的な臨床シナリオをナビゲートするために研修生を装備します。
私たちの調査結果は、AI主導のツールを、微妙なコミュニケーションスキルを育むためのスケーラブルで費用対効果の高いソリューションを提唱し、ヘルスケアトレーニングの将来の革新の基盤を設定します。

要約(オリジナル)

Effective patient communication is pivotal in healthcare, yet traditional medical training often lacks exposure to diverse, challenging interpersonal dynamics. To bridge this gap, this study proposes the use of Large Language Models (LLMs) to simulate authentic patient communication styles, specifically the ‘accuser’ and ‘rationalizer’ personas derived from the Satir model, while also ensuring multilingual applicability to accommodate diverse cultural contexts and enhance accessibility for medical professionals. Leveraging advanced prompt engineering, including behavioral prompts, author’s notes, and stubbornness mechanisms, we developed virtual patients (VPs) that embody nuanced emotional and conversational traits. Medical professionals evaluated these VPs, rating their authenticity (accuser: $3.8 \pm 1.0$; rationalizer: $3.7 \pm 0.8$ on a 5-point Likert scale (from one to five)) and correctly identifying their styles. Emotion analysis revealed distinct profiles: the accuser exhibited pain, anger, and distress, while the rationalizer displayed contemplation and calmness, aligning with predefined, detailed patient description including medical history. Sentiment scores (on a scale from zero to nine) further validated these differences in the communication styles, with the accuser adopting negative ($3.1 \pm 0.6$) and the rationalizer more neutral ($4.0 \pm 0.4$) tone. These results underscore LLMs’ capability to replicate complex communication styles, offering transformative potential for medical education. This approach equips trainees to navigate challenging clinical scenarios by providing realistic, adaptable patient interactions, enhancing empathy and diagnostic acumen. Our findings advocate for AI-driven tools as scalable, cost-effective solutions to cultivate nuanced communication skills, setting a foundation for future innovations in healthcare training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google