臨床会話における話者役割の特定

科学分野:

• 医療情報学
• 計算言語学
• ヘルスケアにおける人工知能

背景:

• 患者と臨床医のコミュニケーションは、ヘルスケアのやり取りと転帰を理解するために不可欠です。
• 臨床談話の手動分析は、特に話者役割特定（SRI）において、時間と労力がかかり困難です。
• 話者分離機能付きの既存の自動音声認識システムは、話者に特定の役割を割り当てる能力が欠けています。

研究 の 目的:

• 臨床現場における話者役割特定（SRI）のための大規模言語モデル（LLM）の有効性を調査すること。
• 言語的特徴のみを使用した場合と話者分離識別子を組み込んだ場合でのSRIパフォーマンスを評価すること。
• 識別子の破損がLLMベースのSRI精度に与える影響を評価すること。

主な方法:

• 臨床トランスクリプトのスピーカーロール識別（SRI）に大規模言語モデルであるBERTを使用しました。
• 真実のターンセグメンテーションと話者分離識別子を採用しました。
• 識別子の破損のさまざまなレベルでBERTモデルをファインチューニングして、パフォーマンスの堅牢性をテストしました。

主要な成果:

• BERTは、言語信号のみを使用してSRI（話者役割特定）で82%の精度と82%のF1スコアを達成しました。
• 正確な話者分離識別子を組み込むことにより、パフォーマンスは95%の精度と95%のF1スコアに大幅に向上しました。
• この研究は、臨床コンテキスト内でのSRIにおけるLLMの能力を実証しました。

結論:

• ファインチューニングされた大規模言語モデル（LLM）は、臨床トランスクリプトにおける自動話者役割特定（SRI）に非常に効果的です。
• LLMは、患者と臨床医のコミュニケーションダイナミクスを分析するための堅牢なソリューションを提供します。
• LLMと正確な話者分離を組み合わせることで、ヘルスケア設定におけるSRIの精度がさらに向上します。