使用大型语言模型创建虚拟患者:可扩展,全球化和低成本

科学领域:

• 医疗教育 技术 技术 医学教育
• 医疗保健中的人工智能
• 临床推理模拟临床推理模拟

背景情况:

• 虚拟患者 (VPs) 是教学和评估临床推理的宝贵工具,但往往受到高成本和实施挑战的限制.
• 现有的VP平台需要大量的财务投资和后勤规划,这阻碍了广泛采用.
• 需要更容易获得和可扩展的解决方案,以在全球范围内提供有效的临床推理培训.

研究的目的:

• 描述一种使用人工智能 (AI) 大语言模型 (LLM) 开发虚拟患者的新,低成本和可扩展的方法.
• 通过使用快速工程和LLMs,展示创建具有不同上下文特征的交互式VP的可行性.
• 探索基于LLM的VP在全球范围内民主化医学教育和评估的潜力.

主要方法:

• 利用OpenAI的生成预训练变压器 (GPT) 模型 (GPT-3.5-turbo和GPT-4.0) 来创建和实施交互式虚拟患者.
• 采用系统性提示工程来指导ChatGPT模拟患者场景并提供临床医生的绩效反.
• 通过OpenAI API开发了一个纯文本界面,用于VP交互,并进行了GPT-4.0和Anthropic Claude之间的比较测试.

主要成果:

• 与GPT-3.5-turbo.0相比,GPT-4.0在创建和管理虚拟患者交互方面表现出优异的性能.
• 开发的LLM-VP被发现由于成本低和易于实施,可以更容易获得.
• 使用Anthropic Claude进行的有限测试显示出有希望的结果,表明LLM应用范围更广泛的潜力.

结论:

• 基于LLM的虚拟患者代表了颠覆性的创新,在医学教育中提供了前所未有的可访问性和可扩展性.
• 这种方法可以在全球范围内民主化教育和临床模拟的开发和使用.
• 士-副教授有潜力彻底改变临床推理,共享决策和AI评估的教学,评估和研究.