使用基于评分指导的反事实推荐改善医疗沟通

# 使用评分导向的反事实推荐优化医疗沟通

来源：https://arxiv.org/html/2606.18889  
Adrian Cosma§, Nicoleta\-Nina Basoc†\\dagger, Andrei Niculae†\\dagger, Cosmin Dumitrache†\\dagger, Emilian Radoi†\\dagger

§IDSIA（多乐尔人工智能研究所），†\\dagger布加勒斯特理工大学国家科学技术大学，通讯作者：emilian\.radoi@upb\.ro (https://arxiv.org/html/2606.18889v1/mailto:[email protected])

###### 摘要

基于文本的远程医疗越来越依赖轻量级患者反馈，但这种反馈主要反映的是感知到的沟通质量而非医疗准确性。我们提出了一种LM引导的反事实推荐流程，用于发现并优化可解释的沟通特征（如语气、个性化、可操作性和对患者关切的完整性），且不干扰医疗内容。这些特征与医患互动元数据一起用于估计正面反馈。在推理时，系统搜索低成本的序数特征变化，并推荐最小的沟通调整，以预测能提升正面反馈概率；同时，独立的审计模型测试这些提升能否推广到选择模型之外。跨互动分析表明，在独立审计下，推荐方案使正面反馈预测概率平均提升\+6.41%，93.31%的推荐为非负效果。这些结果说明，微小、可解释的沟通变化即可捕获大部分预测收益，同时保留医生对医疗推理和最终措辞的控制权。

Improving Medical Communication using Rubric\-Guided Counterfactual Recommendations

Adrian Cosma§, Nicoleta\-Nina Basoc†\\dagger, Andrei Niculae†\\dagger,Cosmin Dumitrache†\\dagger,Emilian Radoi†\\dagger§IDSIA（多乐尔人工智能研究所），†\\dagger布加勒斯特理工大学国家科学技术大学，通讯作者：emilian\.radoi@upb\.ro (https://arxiv.org/html/2606.18889v1/mailto:[email protected])

## 1 引言

图1：所提流程概述。从医患问答对出发，LM首先优化一组可解释的回复级特征，然后将这些特征细化为针对特定特征的提取提示，用于标注数据集。提取的语义特征与结构化元数据一起，用于训练反馈预测模型。推理时，我们搜索语义特征的反事实变化，并推荐能最大化正面反馈概率的最小特征修改。远程医疗平台日益成为患者与医生首次接触的中介。据报道，2024年全球在线问诊用户超过1.16亿Statista (2026 (https://arxiv.org/html/2606.18889#bib.bib107))。其中一些互动通过书面文本进行：患者提交问题，医生异步回复，交流通常以轻量级反馈信号（如正面或负面评分）结束。这种反馈很重要，因为它塑造医生声誉、作为患者满意度的代理指标，并激励医生更有效地与患者沟通。

然而，患者反馈并不反映回复的医疗准确性，因为患者无法评估临床正确性。他们的判断主要受沟通质量影响，如清晰度、同理心、个性化和可操作性。先前研究表明，医生的沟通显著影响患者体验、治疗依从性和对医疗的看法 (Martin 等,2005 (https://arxiv.org/html/2606.18889#bib.bib6); Geng 等,2024 (https://arxiv.org/html/2606.18889#bib.bib59))。这给远程医疗平台提出了一个重要问题：如何在不自动化医疗建议或重写回复的前提下，支持医生提升回复中面向患者的质量？

我们将此问题视为*反事实推荐*问题。给定患者问题、医生回复及问答元数据，我们的目标是识别回复中最小的沟通特征集合，通过改进这些特征能最大程度提升正面患者反馈的概率。与之前的工作 Niculae 等 (2025 (https://arxiv.org/html/2606.18889#bib.bib87)); Li 等 (2023 (https://arxiv.org/html/2606.18889#bib.bib44)); Zhao 等 (2025a (https://arxiv.org/html/2606.18889#bib.bib96),b (https://arxiv.org/html/2606.18889#bib.bib97)) 不同，我们不使用*语言模型* (LM) 生成新的医疗回复。我们推荐可解释的编辑目标，例如增加个性化、提供更清晰的解释或使建议更具可操作性。医生保留对最终回复的完全控制权，可以接受、修改或忽略推荐。

这一设定对任何用于改进医生回复的系统提出了三点要求：

R1\\mathfrak\{R\}\_\{1\} 可解释性：推荐应以可解释的沟通特征来表达。

R2\\mathfrak\{R\}\_\{2\} 反馈改进：推荐的更改应增加正面患者反馈的预测概率。

R3\\mathfrak\{R\}\_\{3\} 最小编辑工作量：推荐应能以最小的编辑工作量实现反馈改进。

为满足这些要求，我们提出了一种基于LM引导的反事实推荐流程，用于基于文本的远程医疗回复。该流程利用了*自动提示优化* (APO) 技术。

本文的主要贡献如下：

1. 1. 我们改编并验证了 Cosma 等 (2026 (https://arxiv.org/html/2606.18889#bib.bib100)) 提出的自动化特征发现方法，用于基于文本的远程医疗反馈建模，利用LM发现、优化并提取与患者满意度相关的回复级语义特征 (R1\\mathfrak\{R\}\_\{1\}, R2\\mathfrak\{R\}\_\{2\})。通过训练一个可解释的反馈估计器（达到71.5%的ROC-AUC），我们评估了这些特征的预测价值。
2. 2. 我们提出了一种预算受限的反事实搜索过程，基于序数语义特征，通过平衡预测反馈增益与编辑工作量来生成低成本推荐 (R2\\mathfrak\{R\}\_\{2\}, R3\\mathfrak\{R\}\_\{3\})。我们对所提推荐进行了定量研究，发现对于93.31%的回复，推荐能提高正面反馈的预测概率，平均提升\+6.41%。

## 2 相关工作

LM驱动的特征发现。过去，LM已被用于在固定框架下进行可靠的特征*提取* (He 等,2024 (https://arxiv.org/html/2606.18889#bib.bib62); Gilardi 等,2023 (https://arxiv.org/html/2606.18889#bib.bib42); Törnberg 2023 (https://arxiv.org/html/2606.18889#bib.bib47))。最近，研究开始利用LM*发现*应该提取哪些特征 (Cosma 等,2026 (https://arxiv.org/html/2606.18889#bib.bib100); Balek 等,2025 (https://arxiv.org/html/2606.18889#bib.bib77); Zhou 等,2024 (https://arxiv.org/html/2606.18889#bib.bib75); Zhang 等,2025 (https://arxiv.org/html/2606.18889#bib.bib84))。除了像APO那样针对单一预测优化指令 (Zhou 等,2022 (https://arxiv.org/html/2606.18889#bib.bib36); Pryzant 等,2023 (https://arxiv.org/html/2606.18889#bib.bib48); Yuksekgonul 等,2025 (https://arxiv.org/html/2606.18889#bib.bib94))，Cosma 等 (2026 (https://arxiv.org/html/2606.18889#bib.bib100)) 将特征发现视为数据集级别的提示优化问题，其中优化后的提示引入一个共享的特征框架，其性能由下游分类器评估。我们改编并改进此框架，加入了无监督提示细化步骤，并将其应用于远程医疗反馈。我们将发现的特征视为反事实推荐 (Jiang 等,2024 (https://arxiv.org/html/2606.18889#bib.bib63)) 的动作空间。

医疗中的沟通质量。临床医生的沟通影响患者依从性、健康结果以及患者对医生的评价 (Martin 等,2005 (https://arxiv.org/html/2606.18889#bib.bib6); Street Jr 等,2009 (https://arxiv.org/html/2606.18889#bib.bib8); Stergiopoulos 和 Martimianakis,2023 (https://arxiv.org/html/2606.18889#bib.bib50))。在远程医疗平台上，医生回复的语言特征与患者满意度相关 (Geng 等,2024 (https://arxiv.org/html/2606.18889#bib.bib59))。尽管LM在医疗中的应用日益增多 (Anthropic 团队,2026 (https://arxiv.org/html/2606.18889#bib.bib1))，面向患者的部署仍然困难：在LM辅助下的用户表现并不优于对照组 (Bean 等,2025 (https://arxiv.org/html/2606.18889#bib.bib78))，而被认为涉及AI的建议信任度较低 (Reis 等,2024 (https://arxiv.org/html/2606.18889#bib.bib68); Hohenstein 等,2023 (https://arxiv.org/html/2606.18889#bib.bib43))。这促使开发面向医生的辅助系统，让医生保持作者身份。

## 3 方法

我们的流程包含五个阶段，如图1 (https://arxiv.org/html/2606.18889#S1.F1) 所示。首先，我们应用数据集级别的自动特征发现 (Cosma 等,2026 (https://arxiv.org/html/2606.18889#bib.bib100)) 来优化一组回复级语义特征，这些特征很可能对患者反馈具有预测性。每个特征描述医生回复中一个可变的沟通属性。然后，我们采用一种基于APO方法（如MIPRO）的提示细化流程 (Opsahl-Ong 等,2024 (https://arxiv.org/html/2606.18889#bib.bib67))，为每个特征优化专属的提取提示。这些提取器用序数语义特征值标注每对医患互动。

提取的语义特征与结构化的问答元数据一起，用于训练一个反馈估计器，预测正面患者反馈的概率。推理时，我们枚举回复语义表示的低成本正向变化，并选择在预测反馈改进和编辑工作量之间达到最佳折中的反事实。输出是一小组特征级推荐，描述哪些沟通方面应被改进。

考虑一位患者提问“我过去两周几乎每天都头痛。我该担心吗？”，医生回复“很可能是紧张性头痛。我建议咨询神经科医生”。该回复在医学上合理，但简短、缺乏个性且未提供具体指导。我们将在本节中使用此互动来说明流程的每个阶段；与之相关的所有数值仅为示意。

### 3.1 问题定义

令 D=\{\(qi,ri,mi,yi\)\}i=1n\\mathcal\{D\}=\\\{\(q\_\{i\},r\_\{i\},m\_\{i\},y\_\{i\}\)\\\}\_\{i=1\}^\{n\} 为一个互动数据集，其中 qiq\_\{i\} 为患者问题，rir\_\{i\} 为医生回复，mim\_\{i\} 表示非文本元数据，yi∈\{0,1\}y\_\{i\}\\in\\\{0,1\\\} 指示该互动是否获得正面患者反馈。元数据可能包含回复时间、医生活动历史等变量，以及回复撰写时可获得的其他信息。

我们假设医生回复 rir\_\{i\} 可由一组可解释的语义特征 F=\{f1,...,fk\}\\mathcal\{F\}=\\\{f\_\{1\},\\ldots,f\_\{k\}\\\} 来表征，每个特征描述沟通风格的一个可变方面，例如同理心或可操作性。每个特征 fjf\_\{j\} 取自一个有序有限集 Rj=\{rj,1,...,rj,mj\}R\_\{j\}=\\\{r\_\{j,1\},\\ldots,r\_\{j,m\_\{j\}\}\\\}，例如5点李克特量表，从“低”到“高”。

给定问答对 \(qi,ri\)\(q\_\{i\},r\_\{i\}\)，一个ExtractorLM模块将互动映射为序数语义表示 si=E\(qi,ri;F\)∈R1×⋯×Rks\_\{i\}=E\(q\_\{i\},r\_\{i\};F\)\\in R\_\{1\}\\times\\cdots\\times R\_\{k\}。我们训练一个策略模型 π\\pi 来估计 π\(mi,si\)=P\(yi=1∣mi,si\)\\pi\(m\_\{i\},s\_\{i\}\)=P\(y\_\{i\}=1\\mid m\_\{i\},s\_\{i\}\)，用于选择推荐。为在评估时减少自我确认偏差，我们独立训练审计模型 α1,...,αL\\alpha\_\{1\},\\ldots,\\alpha\_\{L\}，它们不参与推荐选择。

### 3.2 通过APO进行数据集级别特征发现

我们将 Cosma 等 (2026 (https://arxiv.org/html/2606.18889#bib.bib100)) 提出的数据集级别特征发现框架实例化到远程医疗反馈场景。在此公式化中，提示并不直接对每个输入产生预测，而是引入一个全局特征框架 Fφ=\{f1,...,fk\}\\mathcal\{F\}\_\{\\phi\}=\\\{f\_\{1\},\\ldots,f\_\{k\}\\\}，其中 φ\\phi 表示提供给FeatureProposer的指令和示例上下文。与标准提示优化不同（标准优化中提示直接提升任务预测），φ\\phi 的质量仅通过间接方式确定：一个好的提示应产生这样的特征——其提取值能改善下游反馈预测，同时保持可解释性和可操作性。

给定训练语料的一个子集，我们优化一个FeatureProposerLM，以生成医生回复的候选语义特征。每个特征包括名称、有序值集和提取指令。我们在多种提示上下文（带反馈标签的示例、不带标签的示例以及有书面患者反馈时的示例）下运行FeatureProposer，手动合并不同运行中重复出现的特征，并移除冗余、临床不安全或不可操作的特征。所得特征定义了反事实推荐的动作空间。我们在附录A (https://arxiv.org/html/2606.18889#A1) 中展示了最终特征集；与之前的工作 Niculae 等 (2025 (https://arxiv.org/html/2606.18889#bib.bib87)) 不同，所选特征并非基于组织或监管需求定义（这对反馈预测可能不理想），而是直接针对正面反馈预测进行优化。

### 3.3 无监督提示细化

初始的特征定义通常过于简洁，无法直接作为可靠的提取提示；同时，由于语义特征没有真值标签，我们无法针对提取准确性运行有监督的提示优化器。与 Cosma 等 (2026 (https://arxiv.org/html/2606.18889#bib.bib100)) 的原始公式（单个Extractor模块处理所有特征）不同，我们为每个特征 fjf\_\{j\} 实例化一个专门的Extractor模块 EjE\_\{j\}。

我们采用受MIPRO (Opsahl-Ong 等,2024 (https://arxiv.org/html/2606.18889#bib.bib67)) 的有理指令提议阶段启发的流程来细化每个提示，但省略了其迭代搜索阶段。对于每个特征，LM接收特征定义、序数值集、代表性的问答示例以及任务描述。它生成一个细化的提取提示，指定每个序数类别的含义、决策标准，并总结在示例中观察到的领域特定模式。我们发现细化能提高提取特征的可靠性。因此，每个特征拥有自己的提取器：Ej\(qi,ri;ψj\)→s^i,jE\_\{j\}\(q\_\{i\},r\_\{i\};\\psi\_\{j\}\)\\rightarrow\\hat\{s\}\_\{i,j\}，其中 ψj\\psi\_\{j\} 是特征 fjf\_\{j\} 的细化提示。完整的语义表示通过应用所有特征特定的提取器获得：s^i=\(E1\(qi,ri;ψ1\),...,Ek\(qi,ri;ψk\)\)\\hat\{s\}\_\{i\}=\(E\_\{1\}\(q\_\{i\},r\_\{i\};\\psi\_\{1\}\),\\ldots,E\_\{k\}\(q\_\{i\},r\_\{i\};\\psi\_\{k\}\)\)。