PatientSim: Симулятор, основанный на персонах, для реалистичного моделирования взаимодействий врача и пациента

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

May 23, 2025

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

cs.AI

Аннотация

Консультации между врачом и пациентом требуют многоэтапного, контекстно-зависимого общения, адаптированного к различным типам пациентов. Обучение или оценка языковых моделей (LLM) для врачей в таких условиях требует реалистичных систем взаимодействия с пациентами. Однако существующие симуляторы часто не отражают всего спектра типов пациентов, встречающихся в клинической практике. Для решения этой проблемы мы представляем PatientSim — симулятор пациента, который генерирует реалистичные и разнообразные типы пациентов для клинических сценариев, основываясь на медицинской экспертизе. PatientSim работает с использованием: 1) клинических профилей, включающих симптомы и медицинскую историю, полученных из реальных данных наборов MIMIC-ED и MIMIC-IV, и 2) типов пациентов, определяемых четырьмя параметрами: личность, уровень владения языком, уровень запоминания медицинской истории и уровень когнитивной спутанности, что приводит к 37 уникальным комбинациям. Мы оценили восемь LLM на предмет фактической точности и согласованности с типом пациента. Лучшая модель с открытым исходным кодом, Llama 3.3, была проверена четырьмя клиницистами для подтверждения надежности нашей системы. Как открытая и настраиваемая платформа, PatientSim предоставляет воспроизводимое и масштабируемое решение, которое может быть адаптировано для конкретных учебных задач. Предоставляя среду, соответствующую требованиям конфиденциальности, она служит надежным тестовым стендом для оценки медицинских диалоговых систем в различных клинических ситуациях и демонстрирует потенциал в качестве образовательного инструмента для здравоохранения.

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.