PIORS: Personalized Intelligent Outpatient Reception based on Large Language Model with Multi-Agents Medical Scenario Simulation

📄 arXiv: 2411.13902v1 📥 PDF

作者: Zhijie Bao, Qingyun Liu, Ying Guo, Zhengqiang Ye, Jun Shen, Shirong Xie, Jiajie Peng, Xuanjing Huang, Zhongyu Wei

分类: cs.CL, cs.AI

发布日期: 2024-11-21

🔗 代码/项目: GITHUB

💡 一句话要点

提出PIORS：基于大语言模型与多智能体医疗场景模拟的个性化智能门诊接待系统

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

关键词: 大语言模型 门诊接待 医疗场景模拟 人机协作 个性化服务

📋 核心要点

  1. 门诊接待护士工作量巨大，导致服务质量下降，现有方法难以兼顾效率与个性化。
  2. PIORS系统利用大语言模型构建智能接待护士，并结合医院信息系统，提供个性化服务。
  3. SFMSS框架生成医疗对话数据，提升大语言模型在实际医疗场景中的性能，实验表明PIORS优于GPT-4o。

📝 摘要（中文）

本文提出了一种个性化智能门诊接待系统(PIORS)。该系统集成了基于大语言模型的接待护士，以及大语言模型与医院信息系统(HIS)的协作，旨在提供个性化、高质量和高效的接待服务。此外，为了提高大语言模型在实际医疗场景中的性能，我们提出了一个名为“服务流程感知医疗场景模拟(SFMSS)”的医疗对话数据生成框架，旨在使大语言模型适应真实环境和PIORS设置。通过涉及15名用户和15名临床专家的自动和人工评估，我们验证了PIORS和SFMSS的有效性。结果表明，PIORS-Nurse优于所有基线模型，包括当前最先进的模型GPT-4o，并且符合人类偏好和临床需求。更多细节和演示可在https://github.com/FudanDISC/PIORS找到。

🔬 方法详解

问题定义：门诊接待场景中，护士工作量大，难以提供个性化和高质量的服务。现有方法通常效率低下，无法充分利用医院信息系统，且缺乏针对医疗场景的专门优化。因此，需要一种能够理解患者需求、高效利用信息系统并提供个性化服务的智能接待系统。

核心思路：利用大语言模型强大的自然语言理解和生成能力，构建一个智能接待护士。通过与医院信息系统集成，使智能护士能够访问患者信息、预约信息等，从而提供个性化的服务。同时，通过医疗场景模拟生成数据，提升大语言模型在医疗领域的适应性。

技术框架：PIORS系统包含两个主要模块：基于大语言模型的接待护士（PIORS-Nurse）和医疗场景模拟数据生成框架（SFMSS）。PIORS-Nurse负责与患者进行对话，理解患者需求，并提供相应的服务。SFMSS框架通过模拟真实的医疗场景，生成大量的对话数据，用于训练和优化大语言模型。系统整体流程为：患者与PIORS-Nurse交互，PIORS-Nurse根据患者需求查询HIS系统，并提供个性化服务。

关键创新：主要创新点在于将大语言模型应用于门诊接待场景，并提出了SFMSS框架用于生成医疗对话数据。SFMSS框架能够根据服务流程生成多样化的医疗场景，从而提升大语言模型在医疗领域的泛化能力。此外，PIORS系统还实现了大语言模型与医院信息系统的集成，使其能够访问和利用患者信息。

关键设计：SFMSS框架的关键设计在于服务流程感知。它根据不同的医疗服务流程，生成相应的对话场景。例如，对于预约挂号流程，SFMSS会模拟患者咨询预约信息、确认预约时间等对话。PIORS-Nurse的关键设计在于Prompt的设计，通过精心设计的Prompt，引导大语言模型生成符合医疗规范和患者需求的回复。此外，还使用了强化学习等技术对PIORS-Nurse进行优化，使其能够更好地适应实际应用场景。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PIORS-Nurse在门诊接待任务中表现出色，优于包括GPT-4o在内的所有基线模型。用户和临床专家的人工评估也表明，PIORS-Nurse的回复更符合人类偏好和临床需求。具体而言，PIORS在效率、准确性和个性化方面均有显著提升。

🎯 应用场景

该研究成果可应用于医院门诊接待、在线医疗咨询等场景，减轻护士工作负担，提高服务效率和质量，改善患者就医体验。未来可扩展到其他医疗服务领域，如慢病管理、健康咨询等，具有广阔的应用前景。

📄 摘要（原文）

In China, receptionist nurses face overwhelming workloads in outpatient settings, limiting their time and attention for each patient and ultimately reducing service quality. In this paper, we present the Personalized Intelligent Outpatient Reception System (PIORS). This system integrates an LLM-based reception nurse and a collaboration between LLM and hospital information system (HIS) into real outpatient reception setting, aiming to deliver personalized, high-quality, and efficient reception services. Additionally, to enhance the performance of LLMs in real-world healthcare scenarios, we propose a medical conversational data generation framework named Service Flow aware Medical Scenario Simulation (SFMSS), aiming to adapt the LLM to the real-world environments and PIORS settings. We evaluate the effectiveness of PIORS and SFMSS through automatic and human assessments involving 15 users and 15 clinical experts. The results demonstrate that PIORS-Nurse outperforms all baselines, including the current state-of-the-art model GPT-4o, and aligns with human preferences and clinical needs. Further details and demo can be found at https://github.com/FudanDISC/PIORS