DrHouse: An LLM-empowered Diagnostic Reasoning System through Harnessing Outcomes from Sensor Data and Expert Knowledge

大型语言模型（LLMs）有潜力改变数字医疗保健，最近基于LLM的虚拟医生的进展证明了这一点。然而，当前的方法依赖于患者对症状的主观描述，导致误诊率增加。认识到从智能设备获得的日常数据的价值，我们引入了一种新颖的基于LLM的多轮会诊虚拟医生系统DrHouse，它包括三个重要贡献：1）它利用智能设备的传感器数据在诊断过程中提高准确性和可靠性。2）DrHouse利用不断更新的医学数据库，如Up-to-Date和PubMed，确保我们的模型始终处于诊断标准的前沿。3）DrHouse引入了一种新颖的诊断算法，同时评估潜在疾病及其可能性，促进更细致和明智的医学评估。通过多轮交互，DrHouse确定下一步的步骤，例如访问智能设备的日常数据或请求实验室测试，并逐步完善其诊断。对三个公共数据集和我们自己收集的数据集的评估显示，DrHouse可以比最先进的基线方法提高高达18.8％的诊断准确性。32名参与者的用户研究结果显示，75％的医学专家和91.7％的患者愿意使用DrHouse。

提高虚拟医生的准确性，解决患者主观描述症状导致的误诊问题。

引入来自智能设备的传感器数据，利用不断更新的医疗数据库和新的诊断算法提高诊断准确性。

DrHouse是一个基于多轮交互的虚拟医生系统，使用智能设备的传感器数据，不断更新医疗数据库和新的诊断算法提高准确性。实验结果表明，DrHouse相比现有的最先进技术，可以提高高达18.8%的诊断准确性。并且，75%的医疗专家和91.7%的患者愿意使用DrHouse。

最近在这个领域中，有一些相关研究。例如，基于大数据和机器学习的虚拟医生系统，以及使用深度学习模型进行医学图像分析的研究。