[将大型语言模型集成到诊所:在分析和处理患者数据方面进行革命,以提高放射学中的效率和质量]

科学领域:

• 人工智能在医学中的应用
• 放射学 信息学 信息学

背景情况:

• 大型语言模型 (LLM) 正在通过其文本解释和信息提取能力改变医疗保健.
• 放射学,以高患者数量和数字工作流的特点,为LLM集成提供了理想的环境.

研究的目的:

• 评估LLMs在提高放射学效率和标准化方面的潜力.
• 评估LLMs,以改善放射学实践中的决策支持.
• 解决与LLM在医疗保健中的实施相关的伦理和监管挑战.

主要方法:

• 在大学医院进行了试点研究,以评估当地LLM系统的任务,如预先报告总结和指导方针驱动的报告.
• 与图像存档和通信系统 (PACS) 和电子健康记录 (EHR) 系统的集成是使用医学数字成像和通信 (DICOM) 和快速医疗互操作资源 (FHIR) 标准实现的.
• 关键指标包括节省时间,遵守欧盟人工智能 (AI) 法,以及用户接受度.

主要成果:

• LLM显著减少了报告时间,并为放射科医生自动化了例行任务.
• 在LLM的实施导致一致的,高质量的放射学结果.
• 在本地实施的LLM支持跨学科的工作流程,并符合数据保护要求.

结论:

• 当地LLM系统在放射学中是可行的和有益的,提高了效率和诊断质量.
• 未来的研究应该专注于提高透明度和扩大放射学LLM应用.
• 应补充医疗专业知识,坚持道德和法律标准.