PatientSim : Un simulateur piloté par des personas pour des interactions réalistes entre médecin et patient

PatientSim: A Persona-Driven Simulator for Realistic Doctor-Patient Interactions

May 23, 2025

Auteurs: Daeun Kyung, Hyunseung Chung, Seongsu Bae, Jiho Kim, Jae Ho Sohn, Taerim Kim, Soo Kyung Kim, Edward Choi

cs.AI

Résumé

Les consultations médecin-patient nécessitent une communication multi-tours, consciente du contexte et adaptée à des profils de patients diversifiés. L'entraînement ou l'évaluation de modèles de langage (LLMs) pour médecins dans de tels contextes exige des systèmes d'interaction avec des patients réalistes. Cependant, les simulateurs existants échouent souvent à refléter l'éventail complet des profils observés en pratique clinique. Pour remédier à cela, nous présentons PatientSim, un simulateur de patient qui génère des profils de patients réalistes et variés pour des scénarios cliniques, basés sur une expertise médicale. PatientSim fonctionne en utilisant : 1) des profils cliniques, incluant les symptômes et les antécédents médicaux, dérivés de données réelles issues des ensembles de données MIMIC-ED et MIMIC-IV, et 2) des profils définis par quatre axes : personnalité, maîtrise de la langue, niveau de rappel des antécédents médicaux et niveau de confusion cognitive, aboutissant à 37 combinaisons uniques. Nous avons évalué huit LLMs pour leur exactitude factuelle et leur cohérence de profil. Le modèle open-source le plus performant, Llama 3.3, a été validé par quatre cliniciens pour confirmer la robustesse de notre cadre. En tant que plateforme open-source et personnalisable, PatientSim offre une solution reproductible et scalable qui peut être adaptée à des besoins de formation spécifiques. Proposant un environnement respectueux de la confidentialité, il sert de banc d'essai robuste pour évaluer les systèmes de dialogue médicaux face à des présentations de patients variées et montre un potentiel prometteur en tant qu'outil éducatif pour les soins de santé.

English

Doctor-patient consultations require multi-turn, context-aware communication tailored to diverse patient personas. Training or evaluating doctor LLMs in such settings requires realistic patient interaction systems. However, existing simulators often fail to reflect the full range of personas seen in clinical practice. To address this, we introduce PatientSim, a patient simulator that generates realistic and diverse patient personas for clinical scenarios, grounded in medical expertise. PatientSim operates using: 1) clinical profiles, including symptoms and medical history, derived from real-world data in the MIMIC-ED and MIMIC-IV datasets, and 2) personas defined by four axes: personality, language proficiency, medical history recall level, and cognitive confusion level, resulting in 37 unique combinations. We evaluated eight LLMs for factual accuracy and persona consistency. The top-performing open-source model, Llama 3.3, was validated by four clinicians to confirm the robustness of our framework. As an open-source, customizable platform, PatientSim provides a reproducible and scalable solution that can be customized for specific training needs. Offering a privacy-compliant environment, it serves as a robust testbed for evaluating medical dialogue systems across diverse patient presentations and shows promise as an educational tool for healthcare.