Summarize Paper logo SummarizePaper.com

Résumé IA · arXiv: 2610.41437v1 · cs.HC

A prospective randomized study of patient-centered AI for clinical visit preparation

Xincheng Tan, Matthew Thompson, Xiang Ji, Angelica Willis, Will Vaughan, Roma Ruparel, Michael A. Sanchez, Sean Chang,
et 28 autres auteursJoseph Xu, Bhavna Daryani, Preeti Singh, Pinal Bavishi, Kejia Chen, Fan Zhang, Priya Gupta, Ernest Lim, Christina Chen, Bob Lou, Dimitrios Antos, Zach Wasson, Ray Luo, Fadi Yousif, Florence Thng, Mark Malhotra, Joseph Breda, Daniel McDuff, Kavi Goel, Katherine Chou, Dale R. Webster, Avinatan Hassidim, Yossi Matias, Po-Hsuan Cameron Chen, Yun Liu, Mike Schaekermann, Quang Duong, Jackie M. Barr
Article original Soumis à arXiv le 30 Oct. 2026 50 pages (16 main text, 34 appendix), 6 figures Licence : CC BY 4.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Un agent conversationnel structuré améliore la préparation déclarée aux consultations et la qualité évaluée des échanges, sans différence significative de sécurité face à un chatbot utilisant le même modèle.

Question

Un agent d’IA suivant un parcours structuré prépare-t-il mieux les patients à une consultation qu’un chatbot minimalement guidé utilisant le même modèle ? Les auteurs évaluent conjointement l’expérience des patients et la qualité clinique des conversations.

Méthode

Cette étude prospective randomisée en ligne répartissait les participants selon un ratio 1:2:2 entre un contrôle et deux variantes structurées, toutes fondées sur Gemini 2.5 Flash dans l’application Google Health. L’analyse en intention de traiter modifiée porte sur 802 adultes américains et 866 conversations, les deux variantes structurées étant regroupées pour la comparaison principale. Les évaluations comprennent 460 questionnaires immédiats, 272 conversations terminées examinées en aveugle par des cliniciens et 95 questionnaires à 14 jours ; les comparaisons principales utilisent une correction de Benjamini–Hochberg.

Résultats

  • Résultat Les évaluations cliniques jugent la préparation plus complète avec les agents structurés (67,2 % contre 50,6 %) et mieux adaptée au contexte du patient (98,9 % contre 90,4 %).
    Voir le passage dans l’article
    Aggregated across all steps using a strict overall metric (all ratings positive), conversations and summaries generated by the visit preparation agents were significantly more likely to be comprehensive (67.2% vs. 50.6%; $P<0.05$) and closely aligned with the patient’s clinical context and goals (98.9% vs. 90.4%; $P<0.01$).
  • Résultat La sécurité médicale et le caractère cliniquement approprié des échanges sont élevés dans les deux groupes, sans différence statistiquement significative.
    Voir le passage dans l’article
    Based on blinded clinician evaluation, we found that high baseline clinical reliability was maintained across both arms, with no significant differences in medical safety or clinical appropriateness (Figure 4, top).
  • Résultat Les utilisateurs des agents structurés se déclarent plus souvent préparés à leur consultation (73,8 % contre 57,0 %) et confiants quant aux questions à poser (81,4 % contre 67,1 %).
    Voir le passage dans l’article
    In the immediate post-survey, 73.8% of the visit preparation agent users reported feeling prepared for their upcoming visit, compared with 57.0% of Control users ($P<0.01$), a 16.8-percentage-point increase. These participants were also more confident in knowing what to ask their clinician (81.4% vs. 67.1%; $P<0.01$) and in making the most of the visit (81.4% vs. 69.6%; $P<0.05$).
  • Résultat Après correction des comparaisons multiples, aucune corrélation significative n’est observée entre les réponses des patients et les évaluations cliniques.
    Voir le passage dans l’article
    After correcting for multiple comparisons, we found no significant correlation between any survey item and the clinical ratings of any preparation step, across all clinical dimensions ().

Limites

  • L’évaluation clinique limitée aux conversations terminées pourrait surestimer la qualité de l’ensemble des échanges si certains abandons résultaient de défauts de l’agent.
    Voir le passage dans l’article
    Because clinical evaluation was restricted to sessions that completed the flow, it may also be subject to survivorship bias: if some participants withdrew prematurely because of agent shortcomings (e.g., repetitive questioning or unaddressed concerns), clinical ratings may overestimate the quality of all conversations.
  • Le faible nombre de réponses au suivi à 14 jours, et de consultations effectivement réalisées, limite l’évaluation du bénéfice pendant la consultation.
    Voir le passage dans l’article
    Another limitation is that our 14-day follow-up survey was intended to capture whether the effectiveness of visit preparation carried over to the actual encounter, but a relatively limited number of participants responded and even fewer had an encounter in that window.
  • Le recrutement d’utilisateurs volontaires de Google Health sur Android limite la généralisation à une population moins familiarisée avec les technologies ou les informations de santé.
    Voir le passage dans l’article
    Because the participants were Android users who actively used the Google Health app and opted into a research study, they were likely more technologically engaged and health literate than the general patient population.

Portée

Selon les auteurs, structurer l’interaction apporte un bénéfice que les capacités du modèle seules ne garantissent pas pour la préparation aux consultations. L’étude souligne aussi la nécessité de combiner évaluation clinique indépendante et expérience rapportée par les patients, tout en laissant à établir les effets sur les consultations et les résultats de santé.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Intelligence artificielle Agent conversationnel Préparation à la consultation Essai randomisé Sécurité médicale

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
Cette étude examine si un agent conversationnel d’intelligence artificielle conçu pour préparer les patients à une consultation améliore leur préparation par rapport à un chatbot généraliste reposant sur le même modèle. L’objectif est d’aider les patients à organiser leurs préoccupations, à comprendre le déroulement probable du rendez-vous et à définir les questions à poser, sans remplacer le clinicien ni établir de diagnostic. Les auteurs évaluent à la fois l’expérience des patients et la qualité des échanges, appréciée par des médecins indépendants. Cette étude prospective randomisée a été menée aux États-Unis dans l’application Google Health, entre novembre 2025 et mai 2026. Les participants, des adultes anglophones utilisant Android, ont été répartis selon un ratio de 1:2:2 entre un chatbot témoin peu guidé et deux variantes, standard ou concise, d’un agent de préparation. Tous reposaient sur Gemini 2.5 Flash et utilisaient la même interface ; seules leurs instructions différaient. Les agents spécialisés suivaient cinq étapes : recueil du contexte, présentation du déroulement probable de la consultation, informations générales de santé, proposition de questions prioritaires et synthèse. Les résultats des deux variantes ont été regroupés pour l’analyse principale. Parmi les 5 960 personnes ayant consenti à participer et ayant été randomisées, 802 ont fourni les 866 conversations de santé retenues après exclusions. Le parcours complet a été achevé dans 57,7 % des conversations. Trois médecins de soins primaires ont évalué en aveugle un échantillon de 272 conversations terminées, selon quatre critères : sécurité médicale, pertinence clinique, exhaustivité et adéquation au contexte du patient. Les questionnaires administrés immédiatement après les échanges ont recueilli 460 réponses. Les comparaisons principales ont fait l’objet d’une correction pour les tests multiples. Les agents structurés ont obtenu de meilleurs résultats en matière d’exhaustivité : 67,2 % des conversations ont été évaluées positivement pour l’ensemble des étapes applicables, contre 50,6 % dans le groupe témoin, soit un écart de 16,6 points de pourcentage. L’adéquation au contexte du patient atteignait 98,9 %, contre 90,4 %. Ces différences étaient statistiquement significatives. Les évaluations de sécurité médicale étaient élevées, sans différence significative entre les groupes : 93,7 % pour les agents structurés contre 96,4 % pour le témoin. La pertinence clinique atteignait respectivement 93,7 % et 91,6 %. Ces résultats ne démontrent toutefois ni une équivalence en matière de sécurité ni une absence de risques. Les patients ayant utilisé les agents structurés se déclaraient plus souvent préparés à leur consultation : 73,8 %, contre 57,0 % dans le groupe témoin. Ils étaient également plus confiants quant aux questions à poser, à 81,4 % contre 67,1 %, et à leur capacité à tirer parti du rendez-vous, à 81,4 % contre 69,6 %. Leur satisfaction était supérieure, à 74,0 % contre 62,0 %, tout comme leur intention de réutiliser l’outil, à 76,6 % contre 65,8 %. Aucune association significative entre les évaluations médicales et les appréciations des patients n’a été détectée après correction statistique, ce qui souligne l’intérêt de recueillir ces deux perspectives. Dans l’ensemble, les résultats suggèrent qu’un dialogue structuré améliore la préparation ressentie et la qualité des informations fournies, au-delà des capacités du modèle seul. L’étude ne démontre cependant pas d’amélioration du déroulement des consultations ni des résultats de santé. Au suivi à 14 jours, seuls 59 répondants avaient effectivement consulté, et les différences observées n’étaient pas significatives. Par ailleurs, l’évaluation médicale limitée aux parcours terminés expose à un biais de sélection. La forte attrition, les réponses incomplètes aux questionnaires et le recrutement d’utilisateurs volontaires d’une application limitent également la généralisation des résultats. Certaines populations, notamment les personnes enceintes ou présentant certains troubles de santé, étaient exclues. Enfin, l’étude était financée par Alphabet. Des recherches menées auprès de populations plus représentatives, intégrant les cliniciens et évaluant les effets cliniques à long terme, restent nécessaires.
Créé le 02 Nov. 2026

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Posez des questions sur cet article à notre assistant IA

Comment discuter avec cet article ? Guide illustré

Comparer avec le PDF

Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.
Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter
Exporter BibTeX · RIS (Zotero, Mendeley, EndNote) · Obsidian (Markdown) · Notion (Markdown)

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Qui travaille dessus ? Les personnes et institutions qui publient sur son sujet
Lettre hebdomadaire Présenté dans « Informatique hors IA cette semaine » du 2 novembre 2026. Informatique hors IA cette semaine : des cartes à colorier aux machines à choisir
Journal club Premium+ Des slides pour le présenter Proposer pour le journal club
Versions Ce qui a changé entre les versions
En parler en public Premium+ Kit presse : communiqué, questions, détecteur de hype Guide du kit presse

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Très proche Autre approche du problème
    Towards Conversational Diagnostic AI
    Tao Tu, Anil Palepu, Mike Schaekermann et al. · 2024 · Artificial Intelligence · preprint, non relu par les pairs · cité 167 fois · Résumé IA disponible

    AMIE apprend le dialogue diagnostique par auto-jeu, tandis que cet essai évalue un parcours structuré pour préparer une consultation.

    Résumé scientifique

    At the heart of medicine lies the physician-patient dialogue, where skillful history-taking paves the way for accurate diagnosis, effective management, and enduring trust. Artificial Intelligence (AI) systems capable of diagnostic dialogue could increase accessibility, consistency, and quality of care. However, approximating clinicians' expertise is an outstanding grand challenge. Here, we introduce AMIE (Articulate Medical Intelligence Explorer), a Large Language Model (LLM) based AI system optimized for diagnostic dialogue. AMIE uses a novel self-play based simulated environment with automated feedback mechanisms for scaling learning across diverse disease conditions, specialties, and cont…

  2. Proche Article de revue
    Leveraging Large Language Models for Patient Engagement: The Power of Conversational AI in Digital Health
    Bo Wen, Raquel Norel, Julia Liu et al. · 2024 · Artificial Intelligence · cité 31 fois · Résumé IA disponible

    Cet aperçu présente des usages des LLM pour l’engagement des patients, dont des chatbots et la synthèse de conversations médicales.

    Résumé scientifique

    The rapid advancements in large language models (LLMs) have opened up new opportunities for transforming patient engagement in healthcare through conversational AI. This paper presents an overview of the current landscape of LLMs in healthcare, specifically focusing on their applications in analyzing and generating conversations for improved patient engagement. We showcase the power of LLMs in handling unstructured conversational data through four case studies: (1) analyzing mental health discussions on Reddit, (2) developing a personalized chatbot for cognitive engagement in seniors, (3) summarizing medical conversation datasets, and (4) designing an AI-powered patient engagement system. Th…

  3. Proche Autre approche du problème
    ProAI: Proactive Multi-Agent Conversational AI with Structured Knowledge Base for Psychiatric Diagnosis
    Yuqi Wu, Guangya Wan, Jingjing Li et al. · 2025 · Artificial Intelligence · cité 9 fois · Résumé IA disponible

    ProAI guide proactivement des conversations de diagnostic psychiatrique avec plusieurs agents et une base structurée, plutôt que de préparer une consultation.

    Résumé scientifique

    Most LLM-driven conversational AI systems operate reactively, responding to user prompts without guiding the interaction. Most LLM-driven conversational AI systems operate reactively, responding to user prompts without guiding the interaction. However, many real-world applications-such as psychiatric diagnosis, consulting, and interviews-require AI to take a proactive role, asking the right questions and steering conversations toward specific objectives. Using mental health differential diagnosis as an application context, we introduce ProAI, a goal-oriented, proactive conversational AI framework. ProAI integrates structured knowledge-guided memory, multi-agent proactive reasoning, and a mul…

  4. Proche Contexte plus large
    AI as a Medical Ally: Evaluating ChatGPT's Usage and Impact in Indian Healthcare
    Aryaman Raina, Prateek Mishra, Harshit goyal et al. · 2024 · Human-Computer Interaction · preprint, non relu par les pairs · cité 3 fois · Résumé IA disponible

    Cette étude examine les usages de ChatGPT en santé en Inde et rapporte les avis ainsi que les préoccupations des patients et professionnels.

    Résumé scientifique

    This study investigates the integration and impact of Large Language Models (LLMs), like ChatGPT, in India's healthcare sector. Our research employs a dual approach, engaging both general users and medical professionals through surveys and interviews respectively. Our findings reveal that healthcare professionals value ChatGPT in medical education and preliminary clinical settings, but exercise caution due to concerns about reliability, privacy, and the need for cross-verification with medical references. General users show a preference for AI interactions in healthcare, but concerns regarding accuracy and trust persist. The study underscores the need for these technologies to complement, no…

  5. Proche Contexte plus large
    Performance of ChatGPT on USMLE: Unlocking the Potential of Large Language Models for AI-Assisted Medical Education
    Prabin Sharma, Kisan Thapa, Dikshya Thapa et al. · 2023 · Computers and Society · preprint, non relu par les pairs · cité 28 fois · Pas encore résumé

    Cette étude teste ChatGPT sur des questions médicales et l’USMLE, plutôt que sur la préparation des patients à une consultation.

    Résumé scientifique

    Artificial intelligence is gaining traction in more ways than ever before. The popularity of language models and AI-based businesses has soared since ChatGPT was made available to the general public via OpenAI. It is becoming increasingly common for people to use ChatGPT both professionally and personally. Considering the widespread use of ChatGPT and the reliance people place on it, this study determined how reliable ChatGPT can be for answering complex medical and clinical questions. Harvard University gross anatomy along with the United States Medical Licensing Examination (USMLE) questionnaire were used to accomplish the objective. The paper evaluated the obtained results using a 2-way A…

  6. Proche Même méthode, autre problème
    ChatDoctor: A Medical Chat Model Fine-Tuned on a Large Language Model Meta-AI (LLaMA) Using Medical Domain Knowledge
    Yunxiang Li, Zihan Li, Kai Zhang et al. · 2023 · Computation and Language · cité 812 fois · Résumé IA disponible

    ChatDoctor adapte un LLM à des dialogues médicaux pour répondre aux patients, tandis que cet essai utilise un LLM conversationnel pour préparer leurs consultations.

    Résumé scientifique

    The primary aim of this research was to address the limitations observed in the medical knowledge of prevalent large language models (LLMs) such as ChatGPT, by creating a specialized language model with enhanced accuracy in medical advice. We achieved this by adapting and refining the large language model meta-AI (LLaMA) using a large dataset of 100,000 patient-doctor dialogues sourced from a widely used online medical consultation platform. These conversations were cleaned and anonymized to respect privacy concerns. In addition to the model refinement, we incorporated a self-directed information retrieval mechanism, allowing the model to access and utilize real-time information from online …

  7. Proche Même méthode, autre problème
    CoachAI: A Conversational Agent Assisted Health Coaching Platform
    Ahmed Fadhil, Gianluca Schiavo, Yunlong Wang · 2019 · Artificial Intelligence · preprint, non relu par les pairs · cité 10 fois · Pas encore résumé

    CoachAI est un agent conversationnel de santé destiné au coaching comportemental, alors que cet essai évalue la préparation aux consultations.

    Résumé scientifique

    Poor lifestyle represents a health risk factor and is the leading cause of morbidity and chronic conditions. The impact of poor lifestyle can be significantly altered by individual behavior change. Although the current shift in healthcare towards a long lasting modifiable behavior, however, with increasing caregiver workload and individuals' continuous needs of care, there is a need to ease caregiver's work while ensuring continuous interaction with users. This paper describes the design and validation of CoachAI, a conversational agent assisted health coaching system to support health intervention delivery to individuals and groups. CoachAI instantiates a text based healthcare chatbot syste…

  8. Proche Même méthode, autre problème
    Psy-LLM: Scaling up Global Mental Health Psychological Services with AI-based Large Language Models
    Tin Lai, Yukun Shi, Zicong Du et al. · 2023 · Computation and Language · preprint, non relu par les pairs · cité 86 fois · Résumé IA disponible

    Psy-LLM mobilise des LLM pour répondre aux questions en consultation psychologique, tandis que cet essai structure les échanges avant une visite médicale.

    Résumé scientifique

    The demand for psychological counselling has grown significantly in recent years, particularly with the global outbreak of COVID-19, which has heightened the need for timely and professional mental health support. Online psychological counselling has emerged as the predominant mode of providing services in response to this demand. In this study, we propose the Psy-LLM framework, an AI-based assistive tool leveraging Large Language Models (LLMs) for question-answering in psychological consultation settings to ease the demand for mental health professions. Our framework combines pre-trained LLMs with real-world professional Q\&A from psychologists and extensively crawled psychological articles…

Aller plus loin

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.