基于深度学习的救护车语音识别和使用LLMs生成医院前紧急诊断摘要

科学领域:

• 紧急医疗 紧急医疗
• 人工智能的人工智能
• 语音识别技术 语音识别技术

背景情况:

• 及时准确的医院前电子医疗记录对于高效的医疗救援至关重要.
• 人员经验,培训和环境等因素会影响医疗记录完成率.
• 当前的文档流程可能会耗费大量时间,延迟关键护理.

研究的目的:

• 开发和评估一个集噪声强大的语音识别和大型语言模型 (LLM) 来生成紧急诊断摘要的系统.
• 为医务人员简化记录关键患者信息的流程.
• 提高医院前电子医疗记录完成的效率和准确性.

主要方法:

• 通过使用救护车和环境噪音数据,训练了一种联合语音增强和识别模型.
• 纳入大型语言模型 (LLM) 来生成紧急诊断摘要.
• 该研究分析了不同提示设计对LLM摘要质量的影响,并使用统计方法进行评估.

主要成果:

• 拟议的语音识别模型在杂的救护车录音中实现了52.92%的字符错误率,超过了比较模型.
• 在风格化的提示符下,Qwen2.5-7B-Instruct模型在摘要生成中显示出卓越的准确性和相关性.
• 平均医院前电子医疗记录完成时间从20分钟减少到14分钟.

结论:

• 将噪声强大的语音识别与LLM相结合,提高了医疗记录完成效率和准确性.
• 这种综合方法显示了改善紧急医疗文档的巨大潜力.
• 未来的应用可能包括质量评估,疾病预测和在紧急情况下的风险评估.