基于机器学习的视听类型化用于测量沟通,共享决策和信任
Shely Khaikin1, Vineet Tiruvadi2,3, Jeffrey Brooks3
1Shared Decision Making Laboratory, Temple University, Philadelphia, PA, United States.
JMIR formative research
|March 13, 2026
概括
机器学习分析视听数据,以检测患者报告和非语言线索之间的差异. 这项技术提供客观的沟通评估,并促进健康公平.
科学领域:
- 计算语言学计算语言学
- 医疗信息学 医疗信息学
- 生物医学工程 生物医学工程
背景情况:
- 有效的患者-提供者沟通对于准确的诊断和治疗至关重要.
- 主观的患者自我报告可能并不总是与客观的临床观察一致.
- 非语言沟通为患者的体验提供了宝贵的见解.
研究的目的:
- 调查基于机器学习的视听表型的有用性.
- 为了确定患者自我报告的经历和他们的非语言表达之间的差异.
- 探索客观评估沟通质量和促进健康公平的潜力.
主要方法:
- 开发和应用机器学习算法来分析视听数据.
- 患者自我报告数据与通过视频和音频录制捕获的非语言线索进行比较.
- 统计分析以量化差异并评估通信质量.
主要成果:
- 机器学习模型成功地发现了患者自我报告和非语言表达之间的显著差异.
- 视听现象化为沟通质量提供了客观的衡量标准.
- 该方法表明了识别影响健康公平的沟通障碍的潜力.
结论:
- 基于机器学习的视听表型是客观沟通评估的一个有希望的工具.
- 这项技术可以揭示传统方法错过的细微患者体验.
- 通过更准确和公平的患者沟通评估来推进健康公平是可行的.


