用于减轻健康查询中患者上下文模糊性的知识引导代理框架

患者经常向医疗保健聊天机器人提交简短、不明确的查询，而这些聊天机器人缺乏确定适当响应所需的患者特定信息。尽管这些查询在语言上可能很清楚，但它们可以根据未公开的因素（例如症状、诊断、药物、过敏或饮食限制）支持多种看似合理的答案。因此，直接回答此类查询的语言模型可能依赖于关于患者的不受支持的假设。我们引入了一个知识引导的代理框架，用于在最终响应生成之前减轻患者上下文的模糊性。该框架在患者和其他不变的下游语言模型之间运行。它解释初始查询，使用特定于任务的知识图来构建一组合理的假设，识别区分它们所需的缺失的患者上下文变量，并提出有针对性的后续问题。然后，原始查询和获取的上下文被组合成下游模型的明确提示。我们使用两个受控歧义缓解基准评估了五种语言模型的框架：从 1,034 个症状查询中进行诊断检索，并系统地屏蔽了临床相关证据；从 487 个查询中进行饮食安全分类，省略了决定性的健康背景。该框架与直接回答未指定的查询以及在不获取新患​​者信息的情况下重新表述相同的查询进行了比较。在诊断检索中，与直接提示相比，在五个评估模型中，它的总体精确 Top-1 准确率提高了至少 57.1 个百分点，选择性精确 Recall@5 提高了至少 77.7 个百分点。在饮食安全分类中，它提高了所有五个模型的准确性，并在四个模型中实现了最高的马修斯相关系数......