实施生成人工智能以提高患者对早产视网膜病变的教育

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 患者教育 患者教育

背景情况:

• 患者教育材料 (PEMs) 对于告知父母关于诸如早产视网膜病变 (ROP) 等复杂疾病至关重要.
• 确保PEM的准确性,易理解性和可访问性是儿科眼科医学的重大挑战.
• 大型语言模型 (LLM) 为高效生成和完善健康信息提供了潜在的解决方案.

研究的目的:

• 评估不同LLM在专门针对早产视网膜病变 (ROP) 创建患者教育材料 (PEM) 的能力.
• 为了比较ChatGPT-3.5,ChatGPT-4和Gemini在生成与ROP相关的教育内容中的有效性.
• 评估LLM生成的PEM的可读性,质量和准确性.

主要方法:

• 三个LLM (ChatGPT-3.5,ChatGPT-4,Gemini) 被要求在ROP上生成新的PEM,在6年级阅读水平上创建PEM,并修改现有的PEM以提高可读性.
• 使用简单测量Gobbledygook (SMOG) 和Flesch-Kincaid等级水平 (FKGL) 公式来评估可读性.
• 使用患者教育材料评估工具 (PEMAT) 和DISCERN标准来评估质量,而使用利克特错误信息量表来衡量准确性.

主要成果:

• 通过LLM生成的PEM显示出高质量,可理解性 (PEMAT-U ≥70%) 和准确性 (Likert = 1).
• 专门为6年级阅读水平生成的材料 (提示B) 明显比新一代 (提示A) 更容易阅读.
• 聊天GPT-4和Gemini成功地降低了现有PEM的阅读水平;然而,只有聊天GPT-4保持了高质量和可靠性.

结论:

• LLM,特别是ChatGPT-4,作为自动化创建高质量,可读的ROP患者教育材料的工具,显示出显著的希望.
• 这些人工智能模型可以帮助父母产生补充资源,提高他们对早产视网膜病变的理解.
• 进一步的研究可以探索将LLM产生的内容整合到儿科眼睛疾病的标准临床实践中.