基于服务流感知的医疗场景模拟与个性化智能门诊接待系统：方法、框架与实现
基于服务流感知的医疗场景模拟与个性化智能门诊接待系统：方法、框架与实现
随着中国门诊量的不断攀升（2023年达93亿次，同比增长13%），医院接待护士承受着巨大压力。平均每分钟需要处理一个病例、每小时需沟通超2000字，这导致服务质量下降。患者在门诊流程中往往浪费时间，医院行政效率也受到影响。近年来，大语言模型因其强大的语言处理和交互能力被认为是解决此类问题的潜在手段。整合LLM的医院接待流程，可以减轻护士的负担，提高患者体验。
研究背景
随着中国门诊量的不断攀升（2023年达93亿次，同比增长13%），医院接待护士承受着巨大压力。平均每分钟需要处理一个病例、每小时需沟通超2000字，这导致服务质量下降。患者在门诊流程中往往浪费时间，医院行政效率也受到影响。
近年来，大语言模型因其强大的语言处理和交互能力被认为是解决此类问题的潜在手段。整合LLM的医院接待流程，可以减轻护士的负担，提高患者体验。
研究目的
本研究旨在开发和评估一个个性化的智能门诊接待系统（PIORS），利用LLM及其多代理协作功能，为患者提供高效、高质量、个性化的门诊接待服务。研究还提出了服务流感知医疗场景模拟（SFMSS）框架，以生成高质量的医疗对话数据，从而优化LLM的实际医疗应用能力。
研究方法
图：“服务流感知医疗场景模拟（SFMSS）”和“个性化智能门诊接待系统（PIORS）”两个主要部分。
在图的上半部分，SFMSS框架的设计目的是通过模拟医疗场景为PIORS-Nurse的开发提供高质量数据支持。具体来说，该框架从门诊病例和患者样本入手，创建初诊和复诊等多种医疗服务场景。SFMSS通过模拟患者行为和护士接待流程，生成一个被称为“SFMSS-CD”的高保真对话数据集。这一数据集可以用来训练和优化PIORS-Nurse，使其更适应真实的医疗服务环境。
图的下半部分展示了PIORS系统的具体工作流程。患者进入门诊后，首先与PIORS-Nurse进行交互。PIORS-Nurse通过对话获取患者的症状、病史等信息，并结合患者的描述为其推荐合适的科室。在这一过程中，PIORS系统的另一个重要组成部分HospInfo-Assistant会连接医院信息系统（HIS），实时检索患者的历史病历和相关行政信息，以支持PIORS-Nurse的判断。患者与PIORS-Nurse交互后，所有的预诊信息会被汇总整理，并传递给临床医生，用于后续的诊断和治疗。
这张图详细展示了“服务流感知医疗场景模拟框架”（SFMSS）的结构和工作流程，分为数据来源、场景准备、对话模拟三部分，清晰地阐明了如何通过数据驱动的方式生成高质量对话数据，为后续系统开发提供支持。
左侧部分展示了SFMSS的数据来源，这些数据包括患者的基础信息和历史医疗记录。例如，数据的来源可以是人口统计分布（如年龄、性别）和个性特质（如性格、情绪反应），也可以是真实门诊记录，涵盖患者的访问类型（初诊、复诊）和对应的医疗情景。这些数据来源被整合用以创建“患者档案”，作为对话模拟的输入基础。
图的右侧则展示了SFMSS的工作流程。第一步是“场景准备”，通过将现实中的种子数据转化为具体的患者档案和场景设定。每个档案包含患者的详细特征信息，例如年龄、病史、症状，以及其对应的医疗场景（如首次门诊或复诊）。这些信息构成模拟对话的背景。接下来进入第二步“对话模拟”，它是SFMSS框架的核心部分，包含患者模拟器、接待护士模拟器和监督代理三大模块。在这一阶段，患者模拟器根据患者档案中的行为模式和场景设定，模拟患者与接待护士的交互过程。模拟器通过预定义的行为空间（如患者的主诉表达和情绪反馈）生成自然语言对话。接待护士模拟器则通过三步流程完成每轮对话：首先选择行动（如提出问题或推荐科室），然后根据患者的反馈调整行为，最后生成适当的对话回应。
在整个对话模拟过程中，监督代理起到质量控制和优化的作用。它实时监控对话中的交互质量，包括是否全面收集了信息、对话是否符合医疗逻辑等。一旦检测到问题，监督代理会给出反馈，从而改进模拟流程。这种实时调整机制确保了数据生成的准确性和高保真度。
- PIORS系统设计
PIORS系统包括两大核心代理：
- PIORS-Nurse：基于LLM的接待护士，负责与患者交互、记录信息并提供科室推荐。
- HospInfo-Assistant：信息助手，连接医院信息系统（HIS），提供患者病历和实时行政信息支持。
接待流程包括以下步骤： - 患者接待：PIORS-Nurse收集患者主诉和病史信息，结合HospInfo-Assistant检索的数据，推荐适当科室。
- 信息记录和交接：对话结束后，PIORS-Nurse总结预诊信息，并将记录传递给后续医生，生成完整的电子病历。
- 服务流感知医疗场景模拟（SFMSS）
SFMSS通过模拟多轮对话生成高质量的训练数据，包括以下模块：
- 场景准备：基于真实门诊记录生成患者画像（包括医疗条件和人格特质）。
- 对话模拟：患者和接待护士通过多轮对话完成医疗需求沟通。每轮对话由行动选择、反馈调整和响应生成三步完成。
- 监督代理：评估对话质量，确保患者情绪稳定，信息收集完整。
- 数据集和模型开发
- 数据来源：从真实医院记录中筛选出2400条高质量病例用于模型训练，并提取500条测试集进行评估。
- 模型架构：PIORS-Nurse包含交互模块、查询生成模块和总结模块。核心模型基于Qwen2-7B-Instruct进行微调，结合SFMSS生成的会话数据。
- 评估方法
- 自动评估：利用测试集生成的模拟患者画像，测试PIORS-Nurse在准确性（推荐科室）、效率（对话轮次和长度）、信息收集能力（评分）及总体表现上的优越性。
- 人工评估：组织15位用户和15位医学专家参与双盲评估，比较PIORS-Nurse与基线模型（GPT-4o等）的实际表现。
研究结果
自动评估结果：PIORS-Nurse在所有指标中均优于其他模型，科室推荐准确率达82.2%。信息收集能力显著提升（Info Score评分从2.20提升到3.01）。对话效率提高，平均轮次减少到3.22，平均轮次字数缩减至139.54。
人工评估结果：用户比较中，PIORS-Nurse相较于GPT-4o的获胜率达73%，相较于微调模型（SF-ablated nurse）获胜率也超过81%。专家一致认为PIORS-Nurse在主动询问能力和逻辑推理上接近真实护士。
场景模拟能力：SFMSS框架能够模拟真实患者的多样性（如性格特质和教育水平），患者行为与护理行动高度交互。
研究结论
研究证明，PIORS通过LLM技术在门诊接待流程中的有效整合，大幅提升了服务效率和患者体验。此外，SFMSS框架为生成更贴合实际场景的医疗数据提供了一种创新性方法。该研究为LLM在医疗场景中的实际应用提供了重要参考，同时揭示了多代理协作在复杂场景模拟中的潜力。未来研究可尝试扩大数据来源、多语言适配，以及在真实临床环境中的应用验证。