Listening to Patients: A Framework of Detecting and Mitigating Patient Misreport for Medical Dialogue Generation

要約

Medical Dialogue System は、患者とエージェントの会話を通じて自動化されたヘルスケア サポートを提供することを目的としています。
これまでの取り組みでは通常、患者を理想的なユーザー、つまり健康状態を正確かつ一貫して報告するユーザーとみなしていました。
しかし実際には、患者が自分の症状を誤って報告することが多く、その報告と実際の健康状態との間に齟齬が生じている。
患者の誤報を見落とすと、MDS が提供する医療相談の質に影響を及ぼします。
この問題に対処するために、MDS は「患者の声に耳を傾け」、患者の誤報を効果的に検出し軽減する方法という 2 つの重要な課題に取り組む必要があると私たちは主張します。
この研究では、医療対話生成のための患者の誤報を検出および軽減するフレームワークである PaMis を提案します。
PaMis は、まず対話エンティティ グラフを構築し、次にグラフ エントロピーに基づいて患者の誤報を検出し、明確な質問を定式化することで患者の誤報を軽減します。
実験によれば、PaMis は医療反応の生成を効果的に強化し、GPT-4 のようなモデルが患者の誤報告を検出して軽減し、高品質の医療支援を提供できるようになります。

要約(オリジナル)

Medical Dialogue Systems aim to provide automated healthcare support through patient-agent conversations. Previous efforts typically regard patients as ideal users — one who accurately and consistently reports their health conditions. However, in reality, patients often misreport their symptoms, leading to discrepancies between their reports and actual health conditions. Overlooking patient misreport will affect the quality of healthcare consultations provided by MDS. To address this issue, we argue that MDS should ”listen to patients” and tackle two key challenges: how to detect and mitigate patient misreport effectively. In this work, we propose PaMis, a framework of detecting and mitigating Patient Misreport for medical dialogue generation. PaMis first constructs dialogue entity graphs, then detects patient misreport based on graph entropy, and mitigates patient misreport by formulating clarifying questions. Experiments indicate that PaMis effectively enhances medical response generation, enabling models like GPT-4 to detect and mitigate patient misreports, and provide high-quality healthcare assistance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google