Prompting es todo lo que necesitas: Cómo hacer que los LLM sean más útiles para el soporte de decisiones clínicas

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) muestran potencial para el soporte de decisiones clínicas, pero exhiben una precisión variable.
• La ingeniería de prompts puede optimizar el rendimiento de los LLM en entornos clínicos, sin embargo, las mejores prácticas específicas para neurología siguen estando poco exploradas.
• La integración eficaz de LLM requiere comprender cómo obtener las recomendaciones clínicas más precisas y seguras.

Conclusiones:

• El prompting estructurado mejora sustancialmente el rendimiento de los LLM para el soporte de decisiones clínicas en trombólisis de ictus agudo, mejorando la seguridad y la adherencia.
• Modelos específicos, incluidas opciones propietarias y de código abierto, demostraron un rendimiento excelente con prompts estructurados.
• Los prompts estructurados son esenciales para el despliegue de LLM clínicos, aunque la supervisión humana sigue siendo fundamental.