人工智能驱动不良事件分析的可行性:使用大型语言模型分析微波除故障数据
Blair E Warren1,2, Fahd Alkhalifah1,2, Aida Ahrari1,2
1Department of Medical Imaging, University of Toronto, Temerty Faculty of Medicine, Toronto, ON, Canada.
概括
像GPT-4这样的大型语言模型 (LLM) 可以准确地分类干预放射学微波除装置的安全事件并总结数据,帮助临床医生分析安全信息.
科学领域:
- 医疗器械安全 医疗器械安全
- 医疗保健中的人工智能
- 干预性放射学 干预性放射学
背景情况:
- 分析医疗器械安全事件数据对于患者安全至关重要.
- 干预放射学 (IR) 程序使用各种设备,包括微波消光系统.
- 手动审查广泛的安全数据可能是耗时和资源密集的.
研究的目的:
- 评估大型语言模型 (LLM),特别是GPT-4在处理和分析干预放射学微波切除装置安全事件数据方面的能力.
- 确定LLM是否可以准确地标记,整合和总结这些数据,模仿人类分析.
主要方法:
- 从2011年1月1日到2023年10月31日收集的微波除安全数据.
- 使用了GPT-4与代提示开发用于数据分类和总结.
- 采用少量射击学习来准确地按故障类型标记事件数据.
主要成果:
- 在分类微波除器件数据方面,GPT-4实现了高精度:96.0% (培训),86.4% (验证) 和87.3% (测试).
- 使用GPT-4的代总结将超过650份报告提炼成一个临床相关的摘要,与人类的解释相提并论.
- 该LLM准确地按故障类型标记事件数据,但在事件类数量中显示了不准确.
结论:
- LLM显示了处理大量IR安全数据的可行性,成为临床医生宝贵的工具.
- GPT-4通过几次的学习证明了精确标记设备故障类型的熟练程度.
- 通过LLM进行内容蒸可以从广泛的安全报告中生成有洞察力的摘要,反映人类的分析能力.
更多相关视频
04:58Reduced Procedure Time and Variability with Active Esophageal Cooling During Radiofrequency Ablation for Atrial Fibrillation
Published on: August 25, 2022
2.2K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K