Key points are not available for this paper at this time.
La prise de décision médicale précise est cruciale tant pour les patients que pour les cliniciens. Les patients ont souvent du mal à interpréter leurs symptômes, à déterminer leur gravité et à sélectionner le bon spécialiste. Simultanément, les cliniciens font face à des défis dans l'intégration de données complexes sur les patients pour établir des diagnostics précis et en temps opportun. Les récents progrès des modèles de langage à grande échelle (LLMs) offrent le potentiel de combler cette lacune en soutenant la prise de décision tant pour les patients que pour les fournisseurs de soins de santé. Dans cette étude, nous évaluons plusieurs versions de LLM et un workflow basé sur LLM incorporant la génération augmentée par la récupération (RAG) sur un ensemble de données soigneusement sélectionné de 2000 cas médicaux dérivés de la base de données Medical Information Mart for Intensive Care. Nos résultats montrent que ces LLM sont capables de fournir des informations personnalisées sur les diagnostics probables, de suggérer des spécialistes appropriés et d'évaluer les besoins de soins urgents. Ces modèles peuvent également soutenir les cliniciens dans le raffinement des diagnostics et la prise de décision, offrant une approche prometteuse pour améliorer les résultats des patients et rationaliser la fourniture de soins de santé.
Gaber et al. (Ven,) ont étudié cette question.