大型语言模型的可行性,用于评估和指导外科医生的非技术技能

科学领域:

• 医学教育 医学教育
• 在外科手术中使用人工智能
• 评估外科手术技能的评估

背景情况:

• 传统的外科非技术技能评估是主观的,资源密集的.
• 需要客观,可扩展的方法来评估和指导外科医生.
• 机器人辅助手术产生了适合分析的丰富数据.

研究的目的:

• 证明大型语言模型 (LLM) 在评估和指导外科医生的非技术技能方面的有效性.
• 探索LLM在分析外科成绩单以获得绩效反方面的能力.
• 建立LLM作为提高外科教育和指导一致性的工具.

主要方法:

• 使用Llama 3.1和Mistral大型语言模型.
• 分析了机器人辅助手术程序的成绩单.
• 在成绩单中确定了模范和非模范的外科行为.
• 为外科医生自动生成的结构化辅导反.

主要成果:

• LLM成功分析了手术成绩单,以确定关键行为.
• 准确区分了示范性和非示范性行为.
• 结构化,可操作的辅导反是自主生成的.
• 证明了LLM在客观技能评估方面的潜力.

结论:

• 大型语言模型显示出作为外科教育中的可扩展,数据驱动工具的巨大潜力.
• 法律士可以提供一致和客观的指导反,提高外科非技术技能.
• 这种方法提供了一种新的方法来加强外科医生的培训和绩效评估.