ارایه روشی برای شبیه سازی مجازی بیمار جهت آموزش وتشخیص بالینی توسط پزشکان و دانشجویان پزشکی با استفاده از مدل های زبان بزرگ و تکنیک های هوش مصنوعی

این پژوهش یک چارچوب هوشمند برای بیمار شبیه سازی شده مجازی (VSP) در حوزه آموزش و تصمیم گیری بالینی معرفی می کند. این چارچوب با اتکا بر مدل های زبان بزرگ (LLM) و تحلیل هم زمان داده های ساختاریافته و غیرساختاریافته بالینی طراحی شده است تا بتواند سناریوهای واقع گرایانه، تعاملی و آموزشی را در محیطی ایمن و کنترل شده فراهم کند.در لایه داده، رکوردهای واقعی بیماران از پایگاه های استاندارد مانند مجموعه های MIMIC پس از پاک سازی، استانداردسازی واحدها و ادغام چندمنظوره، به پرونده های یکپارچه JSON تبدیل شدند تا کیفیت، یکپارچگی و قابلیت تحلیل داده ها تضمین شود. در لایه هوش مصنوعی، با استفاده از مدل هایی مانند GPT، BioBERT و ClinicalBERT، سناریوهای بالینی تعاملی تولید شد که امکان بازنمایی دقیق رفتار و پاسخ های بیمار را فراهم می سازد. در لایه تعامل، شرایطی ایجاد شد که کاربر بتواند با بیمار مجازی وارد گفت وگوی ساختاریافته شود و در محیطی شبیه سازی شده به تمرین شرح حال گیری، تقویت مهارت های ارتباطی و استدلال تشخیصی بپردازد.برای ارزیابی سامانه، از چارچوبی چندمعیاره شامل شاخص های Precision، Recall، F۱ و Accuracy همراه با معیارهای معنایی مانند Exact Match، Embedding-based Matchو LLM-based Semantic Match استفاده شد تا دقت صوری و معنایی خروجی ها به صورت جامع سنجیده شود. نتایج نشان داد معماری ماژولار سیستم، علاوه بر کاهش ریسک آموزشی و هزینه ها، امکان شخصی سازی سناریوها، ارائه بازخورد آموزشی و توسعه پذیری به سوی ماژول های تصویربرداری و سیستم های تصمیم یار بالینی را فراهم می کند.نوآوری های اصلی پژوهش شامل ادغام چندوجهی داده ها برای بازنمایی غنی و دقیق از وضعیت بیمار، تولید تعاملی سناریوهای بالینی با کنترل میزان اتکا به داده های واقعی، و ارزیابی جامع ترکیبی (صوری–معنایی) است. در نهایت، مسیرهای آینده پژوهش بر کنترل تطبیقی سوگیری مدل ها، اعتبارسنجی میان مرکزی و یکپارچه سازی سامانه با سیستم های آموزشی و ارزیابی مهارت های بالینی (OSCE) متمرکز خواهد بود.در ارزیابی عملکرد، میانگین شاخص ها به ترتیب Precision =۵۰% ، Recall =۳۱% ،=۳۹% F۱ و Accuracy = ۷۸%به دست آمد که نشان دهنده کارایی مناسب چارچوب پیشنهادی در شبیه سازی آموزشی بالینی است.

کلیدواژه ها:

بیمار شبیه سازی شده مجازی ، هوش مصنوعی ، سیستم تصمیم گیری بالینی ، اموزش پزشکی ، مدل های زبانی بزرگ.