Conversational agents for empathetic interaction and sentiment analysis: a proof of concept study in palliative care for hematologic malignancies

Abstract

Conversational agents are increasingly explored as digital tools for supporting patient monitoring and communication in healthcare. Patients with hematologic malignancies often require long-term follow-up and frequently experience both physical symptoms and emotional distress. At the same time, clinical consultations are limited in time, making continuous monitoring between visits challenging. These conditions create an opportunity for conversational systems that can assist in collecting patient-reported information while maintaining an appropriate communication style. This thesis investigates the design and development of emotionally aware conversational agents for monitoring patients with hematologic malignancies. The research is based on the creation and analysis of a corpus of real Greek clinician–patient conversations collected during hospital visits. The dataset was manually transcribed and anonymized and used to study the thematic structure and emotional dynamics of clinical dialogue through topic modeling and sentiment analysis techniques. Building on these insights, the thesis explores the development of conversational agents in several stages. First, an intent-based conversational agent was designed to support structured data collection, including symptom reporting and family history information. Usability evaluation using the User Experience Questionnaire (UEQ) indicated that conversational interfaces can serve as acceptable and understandable tools for patient monitoring. Subsequently, more advanced conversational architectures were developed using large language models. A sentiment-aware conversational agent was implemented using a fine-tuned language model trained on clinical dialogue data. In this system, emotional signals detected in patient language influence dialogue flow, allowing the system to pause structured questioning and provide supportive responses when distress is detected. Expert-based evaluation using the CARE questionnaire indicated that the system was perceived as empathetic while maintaining a positive user experience. Finally, the thesis proposes an architecture that integrates large language model dialogue generation with retrieval-augmented generation (RAG) to ground responses on biomedical evidence and reduce hallucination risks. The system also supports longitudinal monitoring through clinician-facing dashboards that allow healthcare professionals to review patient-reported information over time. Overall, the findings suggest that conversational agents can support structured patient monitoring while maintaining emotional sensitivity in communication. The thesis contributes methodological insights and practical system designs for integrating conversational AI into clinical monitoring workflows, particularly in low-resource language environments such as Greek.

Οι συνομιλιακοί πράκτορες (Conversational Agents) διερευνώνται όλο και περισσότερο ως ψηφιακά εργαλεία για την υποστήριξη της παρακολούθησης ασθενών και της επικοινωνίας στον χώρο της υγείας. Οι ασθενείς με αιματολογικές κακοήθειες συχνά απαιτούν μακροχρόνια παρακολούθηση και αντιμετωπίζουν τόσο σωματικά συμπτώματα όσο και συναισθηματική επιβάρυνση, ενώ η συνεχής παρακολούθηση μεταξύ των κλινικών επισκέψεων παραμένει δύσκολη. Η παρούσα διδακτορική διατριβή διερευνά τον σχεδιασμό και την ανάπτυξη συναισθηματικά ευαίσθητων συνομιλιακών πρακτόρων για την παρακολούθηση ασθενών με αιματολογικές κακοήθειες. Η έρευνα βασίζεται στη δημιουργία και ανάλυση ενός σώματος δεδομένων που αποτελείται από πραγματικούς διαλόγους μεταξύ κλινικών ιατρών και ασθενών στην ελληνική γλώσσα, οι οποίοι συλλέχθηκαν κατά τη διάρκεια νοσοκομειακών επισκέψεων. Το σύνολο δεδομένων μεταγράφηκε χειροκίνητα και ανωνυμοποιήθηκε και χρησιμοποιήθηκε για τη μελέτη της θεματικής δομής και της συναισθηματικής δυναμικής των κλινικών συνομιλιών μέσω τεχνικών θεματικής μοντελοποίησης (topic modeling) και ανάλυσης συναισθήματος (sentiment analysis). Με βάση τα ευρήματα αυτά, η διατριβή εξετάζει την ανάπτυξη συνομιλιακών πρακτόρων σε διαδοχικά στάδια. Αρχικά αναπτύχθηκε ένας συνομιλιακός πράκτορας βασισμένος σε προθέσεις (intent-based), ο οποίος υποστηρίζει τη συλλογή δομημένων πληροφοριών, όπως η καταγραφή συμπτωμάτων και το οικογενειακό ιστορικό. Η αξιολόγηση χρηστικότητας μέσω του ερωτηματολογίου User Experience Questionnaire (UEQ) έδειξε ότι οι συνομιλιακές διεπαφές μπορούν να αποτελέσουν αποδεκτά εργαλεία για την παρακολούθηση ασθενών. Στη συνέχεια διερευνήθηκαν πιο προηγμένες αρχιτεκτονικές με χρήση μεγάλων γλωσσικών μοντέλων (Large Language Models – LLMs). Αναπτύχθηκε ένας συνομιλιακός πράκτορας ευαίσθητος στο συναίσθημα, στον οποίο τα συναισθηματικά σήματα που ανιχνεύονται στη γλώσσα του ασθενούς επηρεάζουν τη ροή της συνομιλίας, επιτρέποντας την παροχή υποστηρικτικών αποκρίσεων όταν ανιχνεύεται συναισθηματική δυσφορία. Η αξιολόγηση από ειδικούς με το ερωτηματολόγιο CARE έδειξε ότι το σύστημα έγινε αντιληπτό ως ενσυναισθητικό και εύχρηστο. Τέλος, προτείνεται μια αρχιτεκτονική που συνδυάζει τη δημιουργία διαλόγου μέσω μεγάλων γλωσσικών μοντέλων με τεχνικές Retrieval-Augmented Generation (RAG), ώστε οι απαντήσεις να βασίζονται σε τεκμηριωμένες βιοϊατρικές πηγές. Το σύστημα υποστηρίζει επίσης διαχρονική παρακολούθηση μέσω διεπαφής για κλινικούς, η οποία επιτρέπει την επισκόπηση των δεδομένων που αναφέρονται από τους ασθενείς. Συνολικά, τα αποτελέσματα δείχνουν ότι οι συνομιλιακοί πράκτορες μπορούν να υποστηρίξουν τη δομημένη παρακολούθηση ασθενών διατηρώντας παράλληλα συναισθηματική ευαισθησία στην επικοινωνία. Η διατριβή συμβάλλει με νέες μεθοδολογικές προσεγγίσεις και πρακτικές λύσεις για την ενσωμάτωση της συνομιλιακής τεχνητής νοημοσύνης στις διαδικασίες κλινικής παρακολούθησης, ιδιαίτερα σε γλωσσικά περιβάλλοντα χαμηλών πόρων όπως η ελληνική γλώσσα.