Leveraging Large Language Model as Simulated Patients for Clinical Education

模拟病人（SPs）通过提供逼真的场景让学生进行实践，在临床医学教育中发挥着至关重要的作用。然而，培训和雇佣合格的SPs的高昂成本，以及他们在不断扮演真实患者时面临的沉重工作量和潜在风险，限制了学生接受这种类型的临床培训的机会。因此，基于计算机程序的模拟病人的整合已经成为近年来有价值的教育工具。随着大型语言模型（LLMs）的快速发展，它们在对话人工智能和角色扮演方面的卓越能力已经得到证明，使它们成为实现虚拟模拟病人（VSP）的可行选择。在本文中，我们提出了一个集成的模型不可知框架，称为CureFun，利用LLMs在临床医学教育中的潜力。该框架促进学生与模拟病人之间的自然对话，评估他们的对话，并提供建议以增强学生的临床询问技巧。通过全面的评估，我们的方法展示了与其他基于LLM的聊天机器人相比更真实和专业的SP-场景对话流，从而证明了其模拟患者的能力。此外，利用CureFun的评估能力，我们评估了几种医学LLM，并从诊断能力的角度讨论了使用LLM作为虚拟医生的可能性和限制。

论文旨在解决临床医学教育中虚拟模拟病人的成本高、难以招聘和培训的问题，提出利用大语言模型实现虚拟模拟病人的方案。同时评估了利用大语言模型作为虚拟医生的可能性和限制。

论文提出了一个集成的模型无关框架CureFun，利用大语言模型实现自然对话、评估对话并提供建议，从而提高学生的临床询问技能。在评估中，CureFun的对话流比其他基于大语言模型的聊天机器人更加真实和专业，证明了其模拟病人的能力。此外，利用CureFun的评估能力，评估了几个医学大语言模型，从诊断能力的角度讨论了使用大语言模型作为虚拟医生的可能性和限制。

论文的亮点包括：提出了利用大语言模型实现虚拟模拟病人的方案；设计了一个集成的模型无关框架CureFun，能够自然对话、评估对话并提供建议，从而提高学生的临床询问技能；评估表明，CureFun的对话流比其他基于大语言模型的聊天机器人更加真实和专业；评估了几个医学大语言模型，从诊断能力的角度讨论了使用大语言模型作为虚拟医生的可能性和限制。

在这个领域中，最近的相关研究包括：1.《Leveraging Conversational AI to Improve Patient Experience》；2.《Virtual Patients in a Behavioral Medicine MOOC: A Qualitative and Quantitative Analysis of Students' Perceptions》；3.《Virtual Reality in Medical Education: A Meta-analysis of Randomized Controlled Trials》。