一个机器学习模型使用临床笔记来识别医生疲劳
Chao-Chun Hsu1, Ziad Obermeyer2, Chenhao Tan3
1University of Chicago, Chicago, IL, USA.
Nature communications
|July 1, 2025
概括
在临床笔记中检测到的医生疲劳与较差的医疗决策有关. 这种疲劳预测模型还标记了大型语言模型的问题,表明了潜在的文本扭曲.
科学领域:
- 医疗信息学 医疗信息学
- 临床决策 临床决策
- 医疗保健中的人工智能
背景情况:
- 临床笔记对于医生与患者的接触至关重要,但可能反映出医生疲劳.
- 医生疲劳会影响临床决策和患者护理.
- 在临床文档中识别疲劳是一个尚未满足的需求.
研究的目的:
- 开发和验证一个模型,从临床笔记中识别医生疲劳.
- 评估医生疲劳对临床决策的影响.
- 评估疲劳在大型语言模型生成文本中的检测能力.
主要方法:
- 在129,228次急诊室 (ED) 访问中训练了一种预测模型,以识别工作高频班次的医生 (7天内≥5次).
- 验证了该模型在持久设置上,评估其在识别疲劳的医生和高疲劳设置 (夜班,高患者数量) 中的准确性.
- 分析了模型预测的疲劳与心肌梗塞诊断测试的产量之间的相关性,并评估了大型语言模型 (LLM) 生成的笔记中的疲劳信号.
主要成果:
- 该模型准确地识别了来自高工作量医生的笔记,并标记了来自高疲劳环境的笔记.
- 模型预测的疲劳增加与每标准偏差心肌梗塞检测收益率下降19%相关.
- 通过LLM生成的笔记显示,预测疲劳比医生写的笔记高出74%,字的可预测性增加.
结论:
- 通过临床笔记分析识别的医生疲劳与临床决策能力受损有关.
- 开发的模型可以检测医生疲劳及其对患者护理的潜在影响.
- 在临床文档中,LLM可能会引入微妙的文字特征,表明疲劳,因此需要进一步调查其可靠性.
