面向患者的沟通提升：利用 LLM 模拟患者视角
人工智能
2025-01-14 v1 人机交互
摘要
大型语言模型 (LLM) 在角色扮演场景中展现出惊人的能力，尤其是在使用精心调整的提示词来模拟特定领域的专家方面。这一能力使 LLM 能够采用具有特定背景的角色，为传统资源密集型用户研究提供一种成本有效且高效的替代方案。通过模拟人类行为，LLM 可以基于具体的人口统计学或专业背景人物的预期响应。在本文中，我们评估了 LLM 在模拟具有不同背景的个体方面的效果，并分析了这些模拟行为与真实世界结果之间的一致性。特别是，我们探讨了 LLM 如何解释和响应来自 ICU 出院患者的出院摘要。我们评估并比较了人类响应，以评估不同教育背景下出院摘要易读性，并以此分析 LLM 驱动的模拟的优势与局限性。值得注意的是，当 LLM 被提供教育背景信息时，88% 的情况下能提供准确且可操作的医疗指导。然而，当提供其他信息时，性能会显著下降，跌破随机水平。这项初步研究显示了自动为不同人群生成患者特定健康信息的潜在好处与潜在风险。尽管 LLM 在模拟健康角色方面显示出前景，但我们的研究结果凸显了在其可被可靠用于临床环境之前必须解决的关键问题。我们的发现表明，简单的查询-响应模型在为健康信息提供方面可能优于更精细化的定制方法。这是一个至关重要的第一步，用以理解如何优化 LLM 用于个性化健康沟通，同时保持准确性。
引用
@article{arxiv.2501.06964,
title = {Enhancing Patient-Centric Communication: Leveraging LLMs to Simulate Patient Perspectives},
author = {Xinyao Ma and Rui Zhu and Zihao Wang and Jingwei Xiong and Qingyu Chen and Haixu Tang and L. Jean Camp and Lucila Ohno-Machado},
journal= {arXiv preprint arXiv:2501.06964},
year = {2025}
}