Dialogue homme-machine dans le domaine médical. Utilisation de Dialog pour collecter des informations importantes sur le patient

Human-Machine Dialogue in the Medical Field. Using Dialog to Collect Important Patient Information

• Auteur / Autrice : Anna Liednikova
• Direction : Claire Gardent
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 20/10/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire lorrain de recherche en informatique et ses applications
• Jury : Président / Présidente : Yannick Toussaint
• Jury : Examinateurs / Examinatrices : Claire Gardent, Anne Vilnat, Sandra Bringay
• Jury : Rapporteurs / Rapporteuses : Anne Vilnat, Sandra Bringay

Mots clés

Mots clés contrôlés

Médecine -- Informatique

Agents conversationnels

Informatique sensible au contexte

Systèmes conversationnels (informatique)

Mots clés libres

Système de dialogue

Interprétation contextuelle

Chatbot

Dialog system

Contextual interpretation

Chatbot

Résumé

Les systèmes de dialogue pour les soins de santé sont développés pour automatiser et simplifier les tâches de routine telles que la collecte d'informations sur les patients ou la prise de rendez-vous. Souvent, ces modèles sont entraînés à imiter l'interaction entre le médecin et le patient, en étant disponibles à tout moment. C'est particulièrement important pour les patients souffrant de maladies chroniques. Ils consultent régulièrement un médecin et remplissent des questionnaires standardisés, tout en s'habituant à donner les mêmes réponses et en étant confrontés à des difficultés entre les visites. En collaboration avec l'entreprise ALIAE, nous proposons un système de dialogue et de remplissage automatique de questionnaires qui devrait compléter la routine existante entre médecins et patients. Dans cette thèse, nous proposons une approche pour guider de manière flexible le dialogue à travers un arbre de décision médical prédéfini basé sur les entrées naturelles de l'utilisateur plutôt que sur des réponses oui/non. Ensuite, nous abordons la nécessité d'avoir des bots supplémentaires pour poser des questions de suivi liées à la santé et maintenir de petites discussions afin d'améliorer l'engagement de l'utilisateur et d'augmenter la probabilité de revenir sur les sujets de l'arbre requis. Enfin, nous explorons des modèles et des techniques de prétraitement pour le remplissage automatique de questionnaires sur la base des dialogues obtenus dans un cadre zéro-shot.

Healthcare dialogue systems are developed to automate and simplify routine tasks such as collecting patient information or making an appointment. Often, these models are trained to mimic doctor-patient interaction as their constant availability is a key feature for patients, in particular with chronic conditions. Chronic patients regularly visit their doctor and are asked to repeatedly fill in standardized questionnaires, which may trigger repetitive, incorrect input. In collaboration with the ALIAE company, we focus on developing novel dialogue models which can maintain a conversation with the patient while collecting both specific answers to a set of pre-defined questions and serendipitous information about the patient condition that we conjecture, may be useful for the patient treatment. Specifically, we propose a dialogue system and automatic questionnaire filling pipeline that should complement existing routine between doctors and patients.This thesis makes three main contributions. We first propose an approach to flexibly guide the user through a pre-defined medical decision tree using naturally written user input -- this allows the health-bot to collect answers to a set of pre-defined questions. To improve user engagement, increase the probability of all required medical topics being addressed and allow for further information about the patient condition to be collected, we then extend this initial model by integrating additional bots designed to handle health-related follow-up questions and maintain small talk. Finally, we introduce novel zero-shot Question Answering models and pre-processing techniques so that standard, clinical questionnaires can be automatically filled in based on the content of collected human-bot dialogues.