大型语言模型以帮助上诉被拒绝的放射治疗服务
Kendall J Kiser1, Michael Waters1, Jocelyn Reckford1
1Department of Radiation Oncology, Washington University School of Medicine in St Louis, St Louis, MO.
JCO clinical cancer informatics
|September 9, 2024
概括
大型语言模型 (LLM) 可以帮助医生为被拒绝的放射治疗服务起草上诉书,从而有可能加快患者的护理速度. 然而,精细调整有限数据的LLM恶化了他们的表现.
科学领域:
- 人工智能在医学中的应用
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
背景情况:
- 医生倦怠和延迟患者护理是重要的问题.
- 投诉保险公司拒绝提供医疗服务是一项耗时的行政任务.
- 大型语言模型 (LLM) 显示了在医疗保健中自动化管理任务的潜力.
研究的目的:
- 评估不同大型语言模型 (LLM) 在为被拒绝的放射治疗服务生成上诉函的性能.
- 评估LLM生成的信件在加快保险上诉程序中的实用性.
主要方法:
- 通过互联网搜索 (GPT-4web) 评估了GPT-3.5,GPT-4和GPT-4.
- 开发了GPT-3.5 (GPT-3.5ft) 的微调版本,使用了53封医生写的上诉信.
- 向LLMs提交了20份模拟患者病史,并通过盲目辐射瘤学家对清晰度,临床细节,推理,引文和提交准备度进行了评分.
主要成果:
- 与GPT-3.5相比,GPT-4和GPT-4web产生了优越的字母,具有更好的临床推理和提交的准备.
- 所有评估的LLM都提供了语言清晰的摘要,没有拼,并被认为有助于加快上诉.
- 用小数据集微调GPT-3.5 (GPT-3.5ft) 影响了所有评估领域的性能.
- 在用相关的,引用的文献来支持临床断言方面,LLM表现出弱点.
结论:
- 商用LLM可以起草有效的上诉信拒绝放射治疗服务,当正确提示时.
- 法律职责管理有潜力降低医疗保健提供者的行政负担.
- 用小数据集对特定任务进行微调可能会对LLM性能产生负面影响.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
519
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.7K
