RECOVER：基於大型語言模型的術後胃腸癌遠程病患監測系統設計
arXiv - Human-Computer InteractionZiqi Yang, Yuxuan Lu, Jennifer Bagdasarian, Vedant Das Swain, Ritu Agarwal, Collin Campbell, Waddah Al-Refaire, Jehan El-Bayoumi, Guodong Gao, Dakuo Wang, Bingsheng Yao, Nawar Shara
利用大型語言模型設計並實驗一套術後胃腸癌病患遠程監測系統，證實參與式設計與負責任 AI 能提升臨床與病患互動效率。
AI 幫你先抓重點
AI 重點 1
LLM 能即時整合臨床指南，提升病患自我管理與醫護溝通效率。
滑鼠懸停看 AI 判斷理由
此洞察顯示大型語言模型不僅能生成自然語言回覆，亦能在醫療情境中即時引用證據，改變傳統遠程監測的資訊傳遞方式，促進更精準、個別化的照護。
AI 重點 2
參與式設計與負責任 AI 的結合是關鍵成功因素。
滑鼠懸停看 AI 判斷理由
透過多方利益相關者共創與倫理審查，系統在實務中避免偏差與資訊不透明，提升使用者信任與系統可持續性，對未來 LLM 介入醫療具有指標性意義。
核心研究發現
- 1
透過七次參與式設計會議與五位臨床人員、五位病患訪談，歸納出六項整合臨床指南與資訊需求的設計策略。
- 2
RECOVER 系統結合 LLM 對話代理與臨床人員互動儀表板，實現術後病患自我監測與醫護即時回饋。
- 3
在四位臨床人員與五位病患的試點中，系統成功辨識關鍵設計要素，並提供負責任 AI 的實務洞見與未來發展機會。
對教育工作者的啟發
實務工作者可依循 RECOVER 的六項設計策略，先行進行利益相關者共創，確保 LLM 介入時能準確引用臨床指南；同時設計直觀的儀表板與對話介面，並嵌入負責任 AI 機制，如透明度說明與偏差監測，才能在術後監測中提升病患依從性與醫護效率。
原始文獻資訊
- 英文標題：
- RECOVER: Designing a Large Language Model-based Remote Patient Monitoring System for Postoperative Gastrointestinal Cancer Care
- 作者：
- Ziqi Yang, Yuxuan Lu, Jennifer Bagdasarian, Vedant Das Swain, Ritu Agarwal, Collin Campbell, Waddah Al-Refaire, Jehan El-Bayoumi, Guodong Gao, Dakuo Wang, Bingsheng Yao, Nawar Shara
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。