将诊前体验数字化：影响与设计建议

文献标题

Digitizing the Pre-consultation Experience: Impacts and Design Recommendations

出版信息

• 主题领域: 基于大型语言模型（LLM）的对话代理在临床预咨询中的应用。
• 关键词: 预咨询，对话代理，大型语言模型，医疗技术，以患者为中心的护理，临床工作流程，医学摘要，信息传递，数字健康，患者赋权。

背景与问题

• 问题/挑战: 传统的预咨询方法（如问卷调查、接诊护士）在可扩展性和参与度方面存在局限性。基于LLM的代理可以自动化这一过程，但可能产生冗余或不相关的信息，从而增加医生的负担，并可能加剧电子健康记录（EHR）中的错误。
• 重要性: 改善预咨询能够增强患者与医生之间的沟通，优化临床工作流程，并赋予患者在护理中更积极的角色。
• 动机与相关工作: 现有的预咨询方法虽然提高了效率和沟通，但受限于问卷疲劳和医疗人员的过度负担。LLM在收集和总结患者信息方面表现出潜力，但在提供临床有用的摘要以及支持以患者为中心的护理方面仍需改进。

解决方案

• 提出的方法: 一个基于LLM的预咨询代理，包括两个组件：(1) 用于收集患者信息的聊天机器人界面；(2) 用于整理和呈现信息的摘要界面，供患者和医生审阅。
• 创新点:
  1. 将对话代理与可编辑的摘要相结合，弥合患者叙述与临床文档之间的差距。
  2. 在设计中平衡患者赋权与医生效率。
  3. 评估患者体验，重点关注透明度、支持性和赋权。
• 流程与关键技术:
  • 聊天机器人界面通过对话收集患者的病史和关注点。
  • 摘要界面将对话内容提炼为两种格式：通俗语言的叙述性摘要和使用医学术语的结构化表格。
  • 患者审阅并编辑摘要以确保准确性，然后将其分享给医生。
  • 使用GPT-4进行聊天和摘要处理，设计了针对清晰度、参与度以及对不完整回答进行跟进的提示。

结果

• 具体发现:
  • 86%的参与者强烈表示愿意在未来预约中使用该系统。
  • 86%的参与者认为摘要易于理解，71%认为该系统有助于医生了解他们的病史。
  • 参与者对审阅和编辑摘要的能力表示赞赏，这增强了他们的信心和控制感。
• 相较基线的优势:
  • 与静态问卷相比，能够披露更丰富的信息。
  • 与接诊护士的匆忙互动相比，更能让患者感到被倾听和支持。
  • 通过允许患者验证和编辑医疗摘要，提高了透明度。
• 实验/评估:
  • 在实验室模拟研究中，14名参与者使用假设的医疗场景与代理互动。
  • 参与者完成了交互前后的问卷调查、思维大声说协议和半结构化访谈。
  • 分析包括对访谈记录的编码以及Likert量表问卷的结果。
• 局限性与未来工作:
  • 研究在非临床环境中进行，使用假设场景，生态效度有限。
  • 未来工作应探索真实环境中的部署，评估定量结果（如咨询效率），并解决针对多样化患者群体的可访问性问题。

总结

本研究提出了一种基于LLM的预咨询代理，用于收集患者信息并生成可编辑的医生摘要。该系统通过丰富患者信息披露、增强透明度以及赋予患者在护理中更积极的角色，改进了传统的预咨询方法。对14名参与者的评估显示满意度较高，其中86%表示愿意在未来预约中使用该系统。尽管该代理在改善患者与医生沟通和临床效率方面显示出潜力，但未来工作应探索真实环境中的部署，并解决设计挑战，例如平衡细节、语言偏好和可访问性问题。