用于 LLM 基于医学访谈的任务导向对话中的医学算法
人工智能
2025-10-15 v1
摘要
我们开发了一个结构为有向无环图（DAG）的医学问题任务导向对话框架。该系统集成了：1）将医学算法和指南转化为临床问题语料库的系统管道；2）基于层次聚类生成高效初始提问的 cold-start 机制，无需先前患者信息；3）enable adaptive branching and backtracking based on patient responses 的 expand-and-prune 机制；4）确保访谈在收集足够信息后结束的终止逻辑；5）与临床工作流程对齐的自动化 doctor-friendly 结构化报告合成。引导人机交互原则设计了 patient 和 physician 应用程序。初步评估包括五位医生使用标准化仪器进行的评估：NASA-TLX（认知工作负载）、系统可用性比例（SUS）和问卷满意度（QUIS）。patient 应用程序实现了低工作负载分数（NASA-TLX = 15.6），高可用性（SUS = 86），以及强烈满意度（QUIS = 8.1/9），尤其在学习便捷性和界面设计方面评分最高。physician 应用程序yielded moderate workload（NASA-TLX = 26）和 excellent usability（SUS = 88.5），满意度为 8.3/9。两者都证明了有效地整合到临床工作流程中，减少了认知需求并支持高效报告生成。局限性包括偶发的系统延迟和样本小且不具代表性的评估。
引用
@article{arxiv.2510.12490,
title = {Using Medical Algorithms for Task-Oriented Dialogue in LLM-Based Medical Interviews},
author = {Rui Reis and Pedro Rangel Henriques and João Ferreira-Coimbra and Eva Oliveira and Nuno F. Rodrigues},
journal= {arXiv preprint arXiv:2510.12490},
year = {2025}
}