在紧急分拣中评估基于LLM的生成AI工具:对ChatGPT Plus,Copilot Pro和分拣护士进行比较研究

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 临床分类是临床分类.

背景情况:

• 全球急救部门 (ED) 访问的增加需要提高分拣准确性.
• 大型语言模型 (LLM) 显示了增强分类过程的潜力.
• 这项研究评估了人工智能工具与人类在大量城市ED中的表现.

研究的目的:

• 为了评估与训练有素的医生相比,ChatGPT和Copilot的分拣准确度.
• 调查人工智能的潜力,以减少ED选中的人类偏见.
• 为了应对ED拥挤所带来的挑战.

主要方法:

• 在城市ED中进行了一周的前性观察研究.
• 成年患者被随机招募;未成年人,创伤和不完整的数据被排除在外.
• 临床图片由紧急医疗医生创建,并与AI (ChatGPT,Copilot) 和护士分拣决策进行比较.

主要成果:

• 整体分组准确度:护士65.2%,聊天GPT66.5%,辅助飞行员61.8% (没有显著差异).
• 人工智能工具在识别高急性患者方面显著优于护士 (87.8%的ChatGPT,85.7%的Copilot与32.7%的护士相比).
• 人工智能在不同的人口统计数据中表现出一致的准确性,与那些更容易与年轻患者结婚的护士不同.

结论:

• 聊天GPT和Copilot在识别高急性患者方面表现出色,超过了传统的护士分拣.
• 实时的急救部门容量数据对于防止拥挤和确保优质护理至关重要.
• 人工智能在分拣中的整合需要仔细考虑它对患者流动和护理质量的影响.