Verwendung von großen Sprachmodellen, um Patienten zu leiten, effiziente und umfassende klinische Nachrichten zu erstellen

Zusammenfassung Ziel dieser Studie ist es, die Machbarkeit der Verwendung großer Sprachmodelle (LLMs) zu untersuchen, um mit Patienten zu interagieren, während sie eine Frage an ihre Gesundheitsdienstleister formulieren, und relevante Folgefragen zu generieren, die der Patient beantworten kann, bevor er seine Nachricht sendet, mit dem Ziel sicherzustellen, dass der Gesundheitsdienstleister alle Informationen erhält, die er benötigt, um die Frage des Patienten sicher und genau zu beantworten, um den Austausch von Nachrichten und die damit verbundenen Verzögerungen und Frustrationen zu vermeiden. Methoden Wir haben einen Datensatz von Patientennachrichten gesammelt, die zwischen dem 1. Januar 2022 und dem 7. März 2023 am Vanderbilt University Medical Center gesendet wurden. Zwei Internisten identifizierten 7 häufige Szenarien. Wir verwendeten 3 LLMs, um Folgefragen zu generieren: (1) Comprehensive LLM Artificial Intelligence Responder (CLAIR): ein lokal feinjustiertes LLM, (2) GPT4 mit einem einfachen Prompt, und (3) GPT4 mit einem komplexen Prompt. Fünf Ärzte bewerteten sie anhand der tatsächlichen Folgefragen, die von Gesundheitsdienstleistern zu Klarheit, Vollständigkeit, Prägnanz und Nützlichkeit verfasst wurden. Ergebnisse Bei fünf Szenarien hatte unser CLAIR-Modell die beste Leistung. Das GPT4-Modell erhielt höhere Bewertungen für Nützlichkeit und Vollständigkeit, aber niedrigere Bewertungen für Klarheit und Prägnanz. CLAIR generierte Folgefragen mit ähnlicher Klarheit und Prägnanz wie die tatsächlichen Folgefragen der Gesundheitsdienstleister, mit einer höheren Nützlichkeit als die Gesundheitsdienstleister und GPT4, und einer niedrigeren Vollständigkeit als GPT4, aber besser als die Gesundheitsdienstleister. Schlussfolgerung LLMs können Folgepatienten-Nachrichten generieren, die darauf ausgelegt sind, eine medizinische Frage zu klären und die in ihrer Qualität den von Gesundheitsdienstleistern generierten Fragen positiv gegenüberstehen.