给我一些难题：临床问答的合成数据生成

临床问答（QA）系统使医生能够快速从电子健康记录（EHR）中访问患者信息。然而，训练这些系统需要大量标注数据，而由于所需的专业知识和与临床数据相关的隐私问题，这些数据是有限的。本文探讨了在零样本设置下使用大型语言模型（LLM）生成临床 QA 数据。我们发现，天真的提示往往产生简单的问题，不能反映临床场景的复杂性。为了解决这一问题，我们提出了两种提示策略：1）指示模型生成与输入上下文不重叠的问题；2）使用预定义模式总结输入记录以搭建问题生成框架。在两个临床 QA 数据集上的实验表明，我们的方法生成了更具挑战性的问题，显著提升了微调性能，优于基线方法。我们比较了合成数据和金标准数据，发现由于合成生成答案的质量差异，两者训练效果之间存在差距。