[论文解读] COVID-19 Smart Chatbot Prototype for Patient Monitoring

Hannah Lei, Weiqi Lu+5 more|arXiv (Cornell University)|Mar 11, 2021

Digital Mental Health Interventions参考文献 17被引用 8

一句话总结

本文提出了一种基于机器学习的智能聊天机器人原型，用于在新冠疫情背景下实现持续、个性化的患者监测。该系统利用自然语言处理（NLP）和知识图谱从科学文献中提取症状和医学实体，使聊天机器人能够随时间追踪患者自报症状，构建个性化健康档案，并在不提供直接医疗建议的情况下支持早期临床干预。

ABSTRACT

Many COVID-19 patients developed prolonged symptoms after the infection, including fatigue, delirium, and headache. The long-term health impact of these conditions is still not clear. It is necessary to develop a way to follow up with these patients for monitoring their health status to support timely intervention and treatment. In the lack of sufficient human resources to follow up with patients, we propose a novel smart chatbot solution backed with machine learning to collect information (i.e., generating digital diary) in a personalized manner. In this article, we describe the design framework and components of our prototype.

研究动机与目标

• 解决因医疗系统压力和患者不愿亲自就诊而导致的新冠患者临床随访不足的问题。
• 开发一种自动化、可扩展的纵向症状追踪解决方案，以减轻医疗提供者的负担。
• 创建一种数字健康伴侣，通过对话式NLP与知识图谱集成，构建个性化患者档案。
• 通过检测症状进展并在必要时提醒照护人员，支持及时的临床决策。
• 将该框架推广至新冠以外的其他时间敏感或慢性疾病监测。

提出的方法

• 开发了基于科学文献的定制NLP流水线，对与新冠相关的症状、药物和医学术语执行命名实体识别（NER）。
• 从提取的实体及其关系中构建动态知识图谱，以指导聊天机器人对话并查询患者数据。
• 实现了一个端到端的对话式AI系统，通过自然语言输入收集患者自报症状。
• 通过将当前患者输入与历史数据及知识图谱节点进行比较，实现后续对话，以追踪症状演变。
• 利用从大知识图谱中提取的患者特定子图生成个性化响应，支持纵向监测。
• 集成安全机制以避免提供医疗建议：取而代之的是，聊天机器人提供官方指南链接和相关文献片段。

实验结果

研究问题

• RQ1 基于NLP的聊天机器人能否有效从科学文献中提取并组织医学实体（症状、药物、共病）以支持临床监测？
• RQ2 聊天机器人如何在无直接临床干预的情况下维持对患者自报症状的个性化、纵向追踪？
• RQ3 医学实体的知识图谱在多大程度上能提升对话式健康监测的准确性和相关性？
• RQ4 此类系统能否检测到症状恶化轨迹并触发临床审查警报？
• RQ5 该方法在多大程度上具备可扩展性和通用性，适用于新冠以外的慢性或急性疾病监测？

主要发现

• NLP流水线成功从已发表的科学文献中提取了关键医学实体——包括症状、药物和共病，为临床推理奠定了基础。
• 聊天机器人通过追踪多次交互中的症状变化，实现了持续的个性化监测，并在知识图谱中构建了动态演化的患者特定子图。
• 该系统展示了检测症状进展并促进及时随访的能力，减少了对面对面就诊的依赖。
• 通过将患者回答与基于证据的文献及官方指南关联，聊天机器人提供了上下文感知的信息，而未提供医疗建议。
• 该框架具备通用性，可应用于其他需要纵向监测的疾病，如中风或心脏疾病。
• 该原型通过在聚合患者数据中识别模式，支持早期干预，识别高风险症状轨迹。