生成型人工智能还没有准备好在患者教育中进行临床使用,即使在提取增强后代的情况下,对于腰部疼痛患者来说也是如此

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的人工智能
• 康复医学 康复医学 康复医学

背景情况:

• 腰部疼痛 (LBP) 是全球残疾的主要原因之一.
• 有效的患者教育对于LBP管理和功能恢复至关重要.
• 目前的LBP患者教育策略在个性化和基于证据的交付方面存在局限性.

研究的目的:

• 调查大型语言模型 (LLM) 与检索增强生成 (RAG) 的有效性,以创建个性化的LBP教育材料.
• 评估人工智能生成的LBP教育内容的准确性,完整性,可读性和冗余性.
• 评估基于RAG的LLMs的潜力,以提高LBP的患者教育.

主要方法:

• 开发了一种新的方法,使用LLMs与RAG和少数射击学习来生成量身定制的LBP教育材料.
• 物理治疗师使用利克特尺度 (冗余性,准确性,完整性) 对模型反应进行手动评估.
• 通过使用Flesch阅读易度得分来评估生成材料的可读性.

主要成果:

• 与传统的LLMs相比,基于RAG的LLMs产生了更准确,更完整,更易于阅读的患者教育材料.
• 根据RAG的方法,在生成的教育内容中减少了冗余.
• 尽管得到了改进,但人工智能产生的材料尚未准备好直接临床应用.

结论:

• 人工智能驱动的模型,特别是使用RAG的模型,具有改善LBP患者教育的巨大潜力.
• 需要进一步的研究来解决与人工智能生成的LBP材料的临床相关性和内容细节性相关的挑战.
• 该研究强调需要继续开发,以弥合在LBP患者教育中人工智能能力和临床实践要求之间的差距.