术后医学教育中的人工智能:基于案例的学习可行性测试

科学领域:

• 医学教育 医学教育
• 人工智能在医学中的应用
• 在外科手术期间的医学.

背景情况:

• 人工智能 (AI) 越来越多地被用于医学,像ChatGPT这样的大型语言模型 (LLM) 为外科医学教育和实践提供了潜在的好处.
• 对LLM的一个关键问题是它们的准确性,特别是产生幻觉或事实上不正确信息的风险.

研究的目的:

• 评估使用启用LLM平台的可行性,以支持在外科临床场景中基于案例的教育.
• 为了评估准确性,并识别任何情况下的幻觉在法学士对实习生产生的问题答案.

主要方法:

• 开发了五个代表性的术后病例,并上传到一个定制的LLM平台.
• 麻醉学员与LLM互动,提出关于案件细节 (病史,检查,调查) 的自由文本问题.
• 人工智能生成的问题和答案对被独立审查为重复检测不适当的反应,包括幻觉.

主要成果:

• 该LLM平台表现出高准确性,对99.3% (543/547) 的受训者提出的所有问题作出了适当的回应.
• 在研究期间没有观察到幻觉的情况.
• 在罕见的不适当回复 (4例) 案例中,LLM选择拒绝提供信息,而不是产生不准确的内容.

结论:

• 经过测试的LLM平台能够准确地支持基于病例的外科外科医学教育.
• 在医疗培训中,LLM显示出作为可靠的工具的潜力,前提是它们在经过仔细评估后实施.