Das Potenzial von Freitext in elektronischen Gesundheitsakten mit großen Sprachmodellen (LLM) freisetzen: Verbesserung der Patientensicherheit und der Beratungsinteraktionen

Computervermittelte klinische Konsultationen, die Kliniker, elektronische Gesundheitsaktensysteme (EHR) und Patienten einbeziehen, erzeugen reichhaltige narrative Daten. Trotz Fortschritten in der natürlichen Sprachverarbeitung (NLP) bleiben diese Erzählungen untergenutzt. Die Freitextaufzeichnung in EHRs ermöglicht Ausdruckskraft, ergänzt strukturierte Daten aus klinischen Codierungssystemen und erleichtert die kollaborative Versorgung. Große Sprachmodelle (LLMs) zeichnen sich darin aus, natürliche Sprache zu verstehen und zu generieren, was komplexe Dialogverarbeitung ermöglicht. Die Integration von LLM-Tools in Konsultationen könnte das ungenutzte Potenzial von Freitext nutzen, um Bedenken hinsichtlich der Patientensicherheit zu identifizieren, Diagnosen zu unterstützen und Inhalte bereitzustellen, die die klinische Interaktion mit Patienten verbessern. LLMs für spezifische Konsultationsaufgaben durch Vorab-Training und Feinabstimmung anzupassen, ist möglich. Diese Arbeit umreißt Ansätze zur Einführung von LLMs in der Primärversorgung und schlägt vor, dass die Verwendung von feinabgestimmten LLMs mit Prompt Engineering die computervermittelte klinische Konsultation kosteneffektiv verbessern könnte.