通过ChatGPT和BING进行临床缩写的明确化

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 人工智能的人工智能

背景情况:

• 临床文档经常使用缩写和术语,这给医疗专业人员和公众带来了理解挑战.
• 有效地消除这些术语的模糊性对于医疗保健中的清晰沟通至关重要.

研究的目的:

• 为了比较网络挖掘方法 (使用BING) 与对话代理方法 (使用ChatGPT) 解决医疗缩写的有效性.
• 评估这些人工智能驱动的方法的自动化清晰化能力.

主要方法:

• 通过BING API的网络挖掘和通过ChatGPT API的对话代理来处理缩写.
• 使用自然语言处理技术来提取潜在的候选术语.
• 使用精度,回忆和F1测量指标来评估性能.

主要成果:

• 在没有应用可信度值的情况下,对话代理方法 (ChatGPT) 在精度,回忆和F1测量方面超过了基线网络挖掘方法.
• 只有在使用高可信度值进行网络挖矿时,才能准确地观察到性能平价.

结论:

• 与传统的网络挖掘技术相比,像ChatGPT这样的交谈式人工智能,为医学缩写词的明确化提供了更强大的解决方案.
• 自动化方法在提高临床文本的清晰度和可访问性方面显示出希望.