PatientSim: 의사-환자 상호작용을 위한 페르소나 기반 시뮬레이터

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

May 23, 2025

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

cs.AI

초록

의사-환자 상담은 다양한 환자 프로필에 맞춘 다중 턴의 맥락 인식 커뮤니케이션을 요구합니다. 이러한 환경에서 의사용 대형 언어 모델(LLM)을 훈련하거나 평가하려면 현실적인 환자 상호작용 시스템이 필요합니다. 그러나 기존 시뮬레이터는 임상 현장에서 볼 수 있는 다양한 프로필을 충분히 반영하지 못하는 경우가 많습니다. 이를 해결하기 위해, 우리는 임상 시나리오에 맞춘 현실적이고 다양한 환자 프로필을 생성하는 환자 시뮬레이터인 PatientSim을 소개합니다. PatientSim은 1) MIMIC-ED 및 MIMIC-IV 데이터셋의 실제 데이터에서 도출된 증상 및 병력과 같은 임상 프로필과, 2) 성격, 언어 능력, 병력 기억 수준, 인지 혼란 수준이라는 네 가지 축으로 정의된 프로필을 사용하여 37가지 고유한 조합을 생성합니다. 우리는 팩트 정확도와 프로필 일관성을 기준으로 8개의 LLM을 평가했습니다. 최고 성능을 보인 오픈소스 모델인 Llama 3.3은 네 명의 임상의에게 검증을 받아 프레임워크의 견고성을 확인했습니다. 오픈소스이자 사용자 정의 가능한 플랫폼인 PatientSim은 특정 훈련 요구에 맞게 조정할 수 있는 재현 가능하고 확장 가능한 솔루션을 제공합니다. 개인정보 보호 규정을 준수하는 환경을 제공함으로써, 다양한 환자 상황에서 의료 대화 시스템을 평가할 수 있는 강력한 테스트베드 역할을 하며, 의료 교육 도구로서도 유망한 가능성을 보여줍니다.

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.