患者护理大型语言模型的当前应用和挑战:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床决策支持 临床决策支持

背景情况:

• 大型语言模型 (LLM) 提供了增强患者教育和个性化医疗护理的潜力.
• 有关临床环境中LLM系统应用和局限性的知识差距很大.
• 本综述解决了对LLM在患者护理中的使用进行综合信息的需求.

研究的目的:

• 系统地审查和综合LLMs在患者护理中的当前应用.
• 识别和分类与LLM在医疗保健中的实施相关的局限性.
• 在临床实践中建立一个评估LLM的基础框架.

主要方法:

• 在5个数据库中系统搜索2022-2023年间发表的研究.
• 包括29个医学专业的89项研究,使用2018年混合方法评估工具进行评估.
• 使用数据驱动的融合方法对LLM应用和局限性的专题综合.

主要成果:

• 生成式预训练型变压器 (GPT) -3.5和GPT-4是医学问题答案,患者信息生成和临床文档的最受研究的LLM.
• 确定的限制分为两个主要领域:设计 (例如,缺乏医疗优化,数据透明度) 和输出 (例如,不正确性,偏见,不安全性).
• 分析揭示了许多特定的设计和输出相关的挑战,影响了LLM的可靠性和安全性.

结论:

• 本系统性审查提供了对LLM应用和患者护理局限性的全面概述.
• 为有效实施和评估医疗保健中的LLM建立了基础框架和分类法.
• 这些发现指导了LLM的未来研究和开发,以实现更安全,更有效的临床使用.