SynDocDis：基于元数据的生成合成医生讨论框架
计算与语言
2026-04-13 v1
摘要
医生-医生关于患者病例的讨论代表了丰富的临床知识和推理来源，可为 AI 代理人提供丰富并甚至参与后续互动。然而，隐私法规和伦理考察严格限制了对此类数据的获取。虽然使用大语言模型生成合成数据的做法正在逐渐成为一种有前景的替代方案，但现有方法主要聚焦于患者-医生互动或结构化医疗记录，留下了医生间交流合成的显著空白。我们提出SynDocDis，一种将结构化提示技术与隐私保护去标识化病例元数据结合，以生成临床上准确的医生间对话的新框架。通过九个肿瘤和肝病场景中五位从事临床实践的医生进行评估，显示出卓越的沟通效果（平均 4.4/5）和强大的医学内容质量（平均 4.1/5），并表现出显著的跨评估者可靠性（kappa=0.70，95%置信区间：0.67-0.73）。该框架实现了 91% 的临床相关性评分，同时维护了医生和患者隐私。这些结果将SynDocDis置于通过隐私合规的合成医生对话生成，推动医学 AI 研究的伦理和负责任的前景，具有直接应用于医学教育和临床决策支持。
引用
@article{arxiv.2604.08555,
title = {SynDocDis: A Metadata-Driven Framework for Generating Synthetic Physician Discussions Using Large Language Models},
author = {Beny Rubinstein and Sergio Matos},
journal= {arXiv preprint arXiv:2604.08555},
year = {2026}
}