大语言模型能否促进临床环境中护理程序的有效实施？

背景：现有研究所报告的生成式护理诊断和计划的质量仍存在争议，且先前的研究主要将 ChatGPT 作为单一的大语言模型。目的：探讨提示框架在不同大语言模型（LLMs）中生成的护理诊断和计划的质量，并评估 LLMs 在临床环境中的潜在适用性。方法：我们设计了结构化护理评估模板，并通过整合多种提示技术迭代开发了提示框架。随后，我们评估了该框架在两种不同 LLMs（ERNIE Bot 4.0 和 Moonshot AI）中生成的护理诊断和护理计划的质量，同时评估了其临床实用性。结果：ERNIE Bot 4.0 和 Moonshot AI 生成的护理诊断范围和性质与“金标准”护理诊断和护理计划相似。结构化评估模板有效且全面地捕捉了神经外科患者的关键特征，而提示技术的策略性应用增强了 LLMs 的泛化能力。结论：我们的研究进一步证实了 LLMs 在临床护理实践中的潜力。然而，将 LLM 辅助的护理程序有效整合到临床环境中仍面临重大挑战。