通过提取增强代增强大规模语言模型来改善紧急患者选
Megumi Yazaki1,2,3, Satoshi Maki1,4, Takeo Furuya1
1Department of Orthopaedic Surgery, Graduate School of Medicine, Chiba University, Chiba, Japan.
Prehospital emergency care
|July 1, 2024
概括
使用大型语言模型 (LLM) 检索增强生成 (RAG) 显著提高了紧急医疗分拣准确性. 这种人工智能集成降低了低分离率,显示了标准化紧急护理的前景.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 紧急医疗 紧急医疗
背景情况:
- 紧急医疗分组对于患者护理至关重要,但可能不一致.
- 选有效性的变化往往与人员的经验和培训有关.
研究的目的:
- 评估将检索增强生成 (RAG) 与大型语言模型 (LLM) 集成的有效性,以标准化紧急医疗分组.
- 通过人工智能辅助的分拣程序来减少紧急护理的变化.
主要方法:
- 根据日本国家紧急医疗技术人员考试的案例开发了100个模拟分拣场景.
- 使用RAG增强的LLM (GPT-3.5) 处理的场景,输入患者的生命体征,症状和EMS观察.
- 与急救医疗技术人员 (EMT) 和急救医生相比,LLM选准确度进行了比较,测量了主要结果 (准确度) 和次要结果 (低选率,过量选率).
主要成果:
- 通过RAG增强的GPT-3.5模型实现了70%的正确选率,明显超过EMT (35-38%) 和医生 (47-50%).
- 在RAG-GPT-3.5模型下,低选率降至8%,这与没有RAG的GPT-3.5 (33%) 和没有RAG的GPT-4 (39%) 相比是显著的改善.
结论:
- 将RAG与LLM集成,可以提高紧急医疗评估的准确性和一致性.
- 需要在各种临床环境中进一步验证广泛的数据集,以确认这些人工智能技术的实际有效性和适应性.
