Exploring AI-Augmented Sensemaking of Patient-Generated Health Data: A Mixed-Method Study with Healthcare Professionals in Cardiac Risk Reduction

📄 arXiv: 2602.05687v1 📥 PDF

作者: Pavithren V S Pakianathan, Rania Islambouli, Diogo Branco, Albrecht Schmidt, Tiago Guerreiro, Jan David Smeddinck

分类: cs.HC, cs.AI

发布日期: 2026-02-05

💡 一句话要点

利用AI增强患者生成健康数据的理解：心脏风险降低中医疗专业人员的混合方法研究

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 患者生成健康数据 大型语言模型 医疗保健 人机交互 自然语言处理

📋 核心要点

  1. 现有方法难以有效整合患者生成的大量异构健康数据，医疗专业人员面临时间压力和数据素养的挑战。
  2. 论文提出利用大型语言模型（LLM）自动生成摘要和提供自然语言交互，辅助医疗专业人员理解患者数据。
  3. 通过混合方法研究，验证了AI摘要能快速提供概览，对话交互支持灵活分析，但也需关注透明度、隐私等问题。

📝 摘要（中文）

个体越来越多地通过可穿戴设备和智能手机生成大量的个人健康和生活方式数据。虽然这些数据可以改变预防性护理，但由于其规模、异构性以及医疗专业人员(HCP)的时间压力和数据素养，将其整合到临床实践中受到阻碍。我们探索了大型语言模型(LLM)如何通过自动摘要和自然语言数据探索来支持对患者生成健康数据(PGHD)的理解。以心血管疾病(CVD)风险降低作为用例，16名HCP在一个混合方法研究中使用一个集成了常见图表、LLM生成的摘要和一个对话界面的原型来审查多模态PGHD。研究结果表明，AI摘要提供了快速的探索概览，而对话交互支持灵活的分析并弥合了数据素养差距。然而，HCP对透明度、隐私和过度依赖提出了担忧。我们为将AI驱动的摘要和对话集成到临床工作流程中以支持PGHD理解提供了经验性见解和社会技术设计启示。

🔬 方法详解

问题定义：医疗专业人员难以有效利用患者生成的大量、异构的健康数据（PGHD），现有方法无法克服数据规模大、异构性强以及医疗专业人员时间压力和数据素养不足等问题。这阻碍了PGHD在预防性护理中的应用。

核心思路：利用大型语言模型（LLM）的自然语言处理能力，自动生成PGHD的摘要，并提供基于自然语言的交互界面，以辅助医疗专业人员快速理解和分析数据。这种方法旨在弥合数据素养差距，并支持更灵活的数据探索。

技术框架：该研究采用混合方法，构建了一个原型系统，该系统集成了常见的图表可视化、LLM生成的摘要以及一个对话式交互界面。医疗专业人员可以通过该系统审查多模态的PGHD，并利用LLM提供的摘要和对话功能进行数据分析。

关键创新：该研究的关键创新在于将LLM应用于PGHD的理解，并探索了AI驱动的摘要和对话交互在临床工作流程中的应用。与传统的数据分析方法相比，该方法能够提供更快速、更灵活的数据探索方式，并降低了对数据素养的要求。

关键设计：研究中使用了常见图表进行数据可视化，并利用LLM生成PGHD的摘要。对话式交互界面允许用户通过自然语言提问来探索数据。具体的LLM选择、提示工程（prompt engineering）以及对话管理策略等技术细节在论文中可能未详细说明，属于未知信息。

📊 实验亮点

研究结果表明，AI生成的摘要能够为医疗专业人员提供快速的数据概览，从而锚定后续的探索过程。同时，对话式交互界面支持更灵活的数据分析，并弥合了数据素养方面的差距。然而，研究也强调了透明度、隐私和过度依赖AI等潜在风险，需要在实际应用中加以关注。

🎯 应用场景

该研究成果可应用于各种需要处理大量异构数据的医疗场景，例如远程患者监控、慢性病管理和个性化健康建议。通过AI辅助的数据理解，可以提高医疗效率，改善患者护理质量，并促进预防性医疗的发展。未来，该技术有望扩展到其他领域，如健康管理、运动科学和环境监测。

📄 摘要（原文）

Individuals are increasingly generating substantial personal health and lifestyle data, e.g. through wearables and smartphones. While such data could transform preventative care, its integration into clinical practice is hindered by its scale, heterogeneity and the time pressure and data literacy of healthcare professionals (HCPs). We explore how large language models (LLMs) can support sensemaking of patient-generated health data (PGHD) with automated summaries and natural language data exploration. Using cardiovascular disease (CVD) risk reduction as a use case, 16 HCPs reviewed multimodal PGHD in a mixed-methods study with a prototype that integrated common charts, LLM-generated summaries, and a conversational interface. Findings show that AI summaries provided quick overviews that anchored exploration, while conversational interaction supported flexible analysis and bridged data-literacy gaps. However, HCPs raised concerns about transparency, privacy, and overreliance. We contribute empirical insights and sociotechnical design implications for integrating AI-driven summarization and conversation into clinical workflows to support PGHD sensemaking.