在基于网络的医疗服务中整合提取增强生成以增强个性化的医生建议:模型开发研究

科学领域:

• 医疗保健中的人工智能
• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学

背景情况:

• 基于网络的医疗服务提高了医疗保健的准入,但与个性化的医生建议扎.
• 调度人员的手动分类带来了可扩展性和可用性挑战.

研究的目的:

• 开发和验证一个基于提取增强世代的医生推 (RAGPR) 模型.
• 提高基于网络的医疗保健中医生推的准确性和个性化性.

主要方法:

• 在646,383个咨询记录中评估了嵌入模型 (FastText,SBERT,OpenAI) 和大型语言模型 (Mistral,GPT-4o-mini,GPT-4o).
• 使用F1分数和选人员的用户评分来评估模型的性能.
• 开发了一种基于提取增强代的医生推 (RAGPR) 模型.

主要成果:

• 在嵌入任务方面,SBERT (95% F1) 和OpenAI (96% F1) 的表现明显优于FastText (46% F1).
• GPT-4o (95%F1) 领先于LLM的表现,Mistral (94%F1) 和GPT-4o-mini (92%F1) 也表现出强的表现.
• 由于平衡的性能,成本和实施便利性,SBERT和Mistral被确定为最佳.

结论:

• 该RAGPR模型显著提高了基于网络的医疗服务的准确性和个性化.
• 它提供了一个可扩展的解决方案,以优化患者和医生的匹配.
• 人工智能驱动的建议可以克服手工分拣的局限性.