Reinventare il Dialogo Clinico: Paradigmi Agenti per la Comunicazione Sanitaria Abilitata dai LLM
Reinventing Clinical Dialogue: Agentic Paradigms for LLM Enabled Healthcare Communication
December 1, 2025
Autori: Xiaoquan Zhi, Hongke Zhao, Likang Wu, Chuang Zhao, Hengshu Zhu
cs.AI
Abstract
Il dialogo clinico rappresenta una dualità complessa che richiede sia la fluidità empatica della conversazione naturale sia il rigore preciso della medicina basata sulle evidenze. Sebbene i Large Language Model possiedano capacità linguistiche senza precedenti, la loro architettura, basata su un'elaborazione reattiva e senza stato, tende a privilegiare la plausibilità probabilistica rispetto alla veridicità fattuale. Questa limitazione strutturale ha catalizzato un cambio di paradigma nell'IA medica, spostando l'attenzione dalla generazione testuale predittiva all'autonomia agentiva, dove il modello funge da motore di ragionamento centrale capace di pianificazione deliberata e memoria persistente. Andando oltre le revisioni esistenti che principalmente catalogano applicazioni downstream, questo survey fornisce un'analisi basata sui principi primi dell'architettura cognitiva che sostiene questo cambiamento. Introduciamo una nuova tassonomia strutturata lungo gli assi ortogonali della fonte di conoscenza e dell'obiettivo di agency per delineare la provenienza della conoscenza clinica rispetto allo scopo operativo del sistema. Questo quadro facilita un'analisi sistematica dei compromessi intrinseci tra creatività e affidabilità categorizzando i metodi in quattro archetipi: Clinici dello Spazio Latente, Pianificatori Emergenti, Sintetizzatori Grounded e Automatori di Workflow Verificabili. Per ogni paradigma, decostruiamo la realizzazione tecnica lungo l'intera pipeline cognitiva, comprendente pianificazione strategica, gestione della memoria, esecuzione delle azioni, collaborazione ed evoluzione, per rivelare come scelte architetturali distinte bilancino la tensione tra autonomia e sicurezza.
English
Clinical dialogue represents a complex duality requiring both the empathetic fluency of natural conversation and the rigorous precision of evidence-based medicine. While Large Language Models possess unprecedented linguistic capabilities, their architectural reliance on reactive and stateless processing often favors probabilistic plausibility over factual veracity. This structural limitation has catalyzed a paradigm shift in medical AI from generative text prediction to agentic autonomy, where the model functions as a central reasoning engine capable of deliberate planning and persistent memory. Moving beyond existing reviews that primarily catalog downstream applications, this survey provides a first-principles analysis of the cognitive architecture underpinning this shift. We introduce a novel taxonomy structured along the orthogonal axes of knowledge source and agency objective to delineate the provenance of clinical knowledge against the system's operational scope. This framework facilitates a systematic analysis of the intrinsic trade-offs between creativity and reliability by categorizing methods into four archetypes: Latent Space Clinicians, Emergent Planners, Grounded Synthesizers, and Verifiable Workflow Automators. For each paradigm, we deconstruct the technical realization across the entire cognitive pipeline, encompassing strategic planning, memory management, action execution, collaboration, and evolution to reveal how distinct architectural choices balance the tension between autonomy and safety.