开发用于自动检测患者-医生对话中共享决策的 AI 框架
摘要
共享决策 (SDM) 对于实现以患者为中心的护理至关重要。目前尚不存在用于自动规模化测量 SDM 的方法。本研究旨在开发一种自动化方法，通过语言建模和对话一致性 (CA) 分数来衡量 SDM。我们获取了 157 例来自随机多中心试验中、用于评估抗凝血治疗在房颤患者中 SDM 决策工具的视频记录的患者-医生对话，共 42,559 句。采用情境-响应配对和负采样策略，对深度学习 (DL) 模型和通过下一句预测 (NSP) 任务微调的 BERT 模型进行训练。将表现最佳的模型用于计算四种类型的 CA 分数。采用临床医生的随机效应分析（调整年龄、性别、种族和试验_arm），评估 CA 分数与 SDM 结果（决策冲突量表 DCS 和观察患者参与决策 12 分 OPTION12）之间的关联。采用 Benjamini-Hochberg 方法校正多重比较 p 值。本研究中 157 名患者（女性占 34%，平均年龄 70 岁，标准差 10.8 岁），医生平均说话比患者多（1911 词 vs 773 词）。未采用 stylebook 策略的 DL 模型在 recall@1 上为 0.227，而微调的 BERTbase (110M) 在 recall@1 上最高，达到 0.640。未采用 stylebook 策略的 DL 模型生成的 AbsMax (18.36 SE7.74 p=0.025) 和 Max CA (21.02 SE7.63 p=0.012) 分数与 OPTION12 相关。使用微调的 BERTbase (110M) 生成的 Max CA 分数与 DCS 分数相关 (-27.61 SE12.63 p=0.037)。BERT 模型大小对 CA 分数与 SDM 之间的关联影响不大。本研究引入了一种自动化、可规模化的方法，通过可解释的 CA 分数来衡量患者-医生对话中的 SDM，具有在大规模评估 SDM 策略的潜力。
引用
@article{arxiv.2509.18439,
title = {Developing an AI framework to automatically detect shared decision-making in patient-doctor conversations},
author = {Oscar J. Ponce-Ponte and David Toro-Tobon and Luis F. Figueroa and Michael Gionfriddo and Megan Branda and Victor M. Montori and Saturnino Luz and Juan P. Brito},
journal= {arXiv preprint arXiv:2509.18439},
year = {2025}
}
备注
53 pages, 1 figure, 4 tables, 5 supplementary figures, 13 supplementary tables