基于LLM生成的合成数据训练的模型的临床沟通处理：结构化综述与新型应用案例研究

# 使用基于LLM生成合成数据训练的模型进行临床沟通处理：结构化综述与新型应用案例研究
Source: https://arxiv.org/abs/2608.05993
查看PDF (https://arxiv.org/pdf/2608.05993)

> 摘要：大量临床价值并非通过结构化记录传递，而是通过沟通交流来传递：患者描述症状、临床医生推理并给出指示、救护车向急诊部门交班、护士进行轮班交接。这类语言与表格化数据不同，因为其含义取决于说话者角色、意图、因果性、不确定性、省略行为以及信道噪声。因此，医疗自然语言处理必须解读信息被传达的方式，而非仅仅依赖编码信息。这需要高质量的标注语料库，而由于真实交流具有隐私性、碎片化且标注成本高昂，这类语料十分稀缺。大型语言模型提供了一条可行路径，可将临床来源（如病历、诊断标签、症状列表或护理计划）转换为面向下游模型的书面或转录式沟通内容。我们呈现了一篇结构化叙述性综述，按来源表示、沟通形式与参与者、生成方法和下游任务进行组织，并辅以十三个新颖的案例研究。这些研究在缺乏标注真实世界数据的情况下，为沟通渠道和语言构建了临床NLP系统，涵盖急救医疗系统（EMS）到达前报告、野战无线电伤员记录、护士交接、患者门户分诊以及低资源出院沟通。研究表明，合成沟通可以为这类系统提供启动基础。研究结论包括：微调的编码器模型在评估的零样本基线上具有竞争力，以及刻意降级的沟通对鲁棒性的价值。主要局限在于，大多数研究在留出的合成沟通数据上进行评估，而“在合成数据上训练、在真实数据上测试”的证据仍然有限。我们得出结论：合成临床沟通正成为一种实用的研究资源；但要将其确立为可复用的临床基础设施，还需真实数据迁移、安全性验证和外部验证。

## 提交历史

来自：Yehudit Aperstein [查看邮件](https://arxiv.org/show-email/821d157c/2608.05993) **\[v1\]** 2026年8月6日星期四 13:04:42 UTC (930 KB)