使用标题引导的反事实建议改善医疗沟通

基于文本的远程医疗越来越依赖于轻量级的患者反馈，然而，此类反馈主要反映感知的通信质量而不是医疗准确性。我们引入了 LM 引导的反事实推荐管道，该管道可以发现并完善可解释的沟通特征，例如解决患者问题时的语气、个性化、可操作性和完整性，而不会干扰医疗内容。这些特征与医患交互元数据一起使用来估计积极反馈。在推理时，系统搜索低成本序数特征变化，并建议预测可增加正反馈概率的最小通信变化，而独立审计员模型则测试这些收益是否泛化到选择模型之外。在交互过程中，在独立审计师的指导下，建议的预测积极反馈概率平均增加了 +6.41%，并且 93.31% 的建议都是非消极的。这些结果表明，小的、可解释的沟通变化可以捕获大多数预期收益，同时保留医生对医学推理和最终措辞的控制。