हैपेटोलॉजिकल क्लिनिकल मार्गदर्शिकाओं की व्याख्या का अनुकूलन बड़े भाषा मॉडलों द्वारा: एक पुनःप्राप्ति वृद्धि जेनरेशन-आधारित फ्रेमवर्क

सारांश बड़े भाषा मॉडल (एलएलएम) स्वास्थ्य सेवा को बदल सकते हैं, विशेष रूप से अस्पताल कार्यप्रवाह में सही समय पर सही प्रदाता को सही जानकारी प्रदान करने में। यह अध्ययन स्वास्थ्य सेवा में एलएलएम के समाकलन की जांच करता है, विशेष रूप से पुरानी हेपेटाइटिस सी वायरस संक्रमण प्रबंधन के लिए चिकित्सा मार्गदर्शिकाओं की सटीक व्याख्या के माध्यम से नैदानिक निर्णय सहायता प्रणालियों (CDSSs) में सुधार पर ध्यान केंद्रित करता है। OpenAI के GPT-4 Turbo मॉडल का उपयोग करते हुए, हमने एक कस्टमाइज्ड एलएलएम फ्रेमवर्क विकसित किया जो पुनःप्राप्ति वृद्धि जेनरेशन (RAG) और प्रॉम्प्ट इंजीनियरिंग को सम्मिलित करता है। हमारा फ्रेमवर्क मार्गदर्शिका को सबसे बेहतर संरचित प्रारूप में परिवर्तित करने में शामिल था जिसे एलएलएम द्वारा कुशलतापूर्वक संसाधित किया जा सके ताकि सबसे सटीक आउटपुट प्रदान किया जा सके। विभिन्न फॉर्मेटिंग और लर्निंग रणनीतियों के एलएलएम के उत्तर सृजन सटीकता पर प्रभाव का मूल्यांकन करने के लिए एक अप्रत्याशित अध्ययन किया गया। बेसलाइन GPT-4 Turbo मॉडल का प्रदर्शन पाँच बढ़ती जटिलता वाले परीक्षण सेटअप्स के साथ तुलना किया गया: संदर्भ में मार्गदर्शिकाओं का समावेश, मार्गदर्शिका पुनःफॉर्मेटिंग, और फ्यू-शॉट लर्निंग का क्रियान्वयन। हमारा प्राथमिक परिणाम विशेषज्ञ समीक्षा के आधार पर सटीकता का गुणात्मक आकलन था, जबकि द्वितीयक परिणाम में टेक्स्ट-समानता स्कोर के माध्यम से एलएलएम-जनित उत्तरों की विशेषज्ञ-प्रदान उत्तरों से समानता का मात्रात्मक मापन शामिल था। परिणामों ने दिखाया कि जब मार्गदर्शिकाएँ एक सामंजस्यपूर्ण कॉर्पस के रूप में संदर्भ के रूप में प्रदान की गईं और गैर-पाठ स्रोतों को पाठ में परिवर्तित किया गया तो सटीकता में 43% से 99% तक महत्वपूर्ण सुधार हुआ (p < 0.001)। इसके अतिरिक्त, फ्यू-शॉट लर्निंग ने कुल सटीकता में सुधार नहीं किया। अध्ययन दर्शाता है कि संरचित मार्गदर्शिका पुनःफॉर्मेटिंग और उन्नत प्रॉम्प्ट इंजीनियरिंग (डेटा गुणवत्ता बनाम डेटा मात्रा) एलएलएम के CDSSs में एकीकरण की प्रभावशीलता बढ़ा सकते हैं।