大型语言模型对肝病学临床指导方针的解释优化:基于检索增强代的框架

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床决策支持 临床决策支持

背景情况:

• 大型语言模型 (LLM) 有潜力彻底改变医疗保健服务.
• 将LLM整合到临床工作流中需要优化信息检索和解释.
• 临床决策支持系统 (CDSS) 可以从改进的医疗指南解释中受益.

研究的目的:

• 调查LLM在医疗保健中的整合,特别是为了改善CDSS.
• 加强对慢性肝炎C病毒 (HCV) 感染管理的医疗指南的准确解释.
• 评估框架定制,包括检索增强生成 (RAG) 和提示工程,对LLM绩效的影响.

主要方法:

• 使用OpenAI的GPT-4 Turbo与RAG和提示工程开发了一个定制的LLM框架.
• 将医疗指南转换为结构化格式,以便有效处理LLM.
• 进行了废除研究,将基线GPT-4 Turbo与五个实验设置进行比较,包括指导方针重新格式化和少数镜头学习.

主要成果:

• 在解释医疗指南时,LLM准确性从43%显著提高到99% (p < 0.001).
• 提供指南作为一个连贯的文本和将非文本来源转换为文本对于准确性至关重要.
• 短暂的学习并没有在整体准确度上取得显著的改善.

结论:

• 医疗指南的结构化重新格式化和先进的提示工程提高了CDSS中的LLM有效性.
• 优化数据质量而不是数量是有效地将LLM整合到医疗保健中的关键.
• 在医院工作流程中,LLM显示出改善指导方针交付和临床决策的前景.