为糖尿病护理开发和性能预训练的生成变压器

科学领域:

• 医疗保健中的人工智能
• 医疗信息学
• 数字健康

背景情况:

• 生成预训练变压器 (GPT) 模型提供了医疗信息检索的潜力.
• 现有GPT在医学上的应用需要经过仔细的开发和临床验证.
• 对于患者和专业人士来说, 糖尿病护理需要准确,易于获取和最新的信息.

研究的目的:

• 设计和评估一个专门的生成预训练变压器 (GPT) 以获得与糖尿病相关的信息.
• 评估快速设计的GPT工具在提供准确可靠的糖尿病护理内容方面的性能.
• 开发一个人工智能驱动的资源,支持医疗保健专业人员管理糖尿病.

主要方法:

• 通过文献审查,从65个来源收集数据,原型开发和专家评估,开发了一个快速设计的GPT层.
• 该工具使用已有工具的420个与糖尿病有关的问题进行了验证.
• 绩效指标包括准确性,理由提供,引用准确性,免责声明包含,以及用统计方法分析的表情符号.

主要成果:

• 糖尿病帮助GPT的整体准确率高 (91.7%),具有出色的理由 (100%) 和引用率 (93.3%).
• 在一般糖尿病知识和营养问题上,准确度最高,在胰岛素特异性问题上略低 (82.3%).
• 根据问题格式, 免责声明和表情符号的使用有所不同, 没有检测到准确性偏差.

结论:

• 糖尿病帮助GPT提供准确的,来源良好的答案,为糖尿病护理的医疗专业人员提供有价值的辅助.
• 这种专门的GPT模型是通过透明,专家驱动的流程开发的,内容是精心策划和代验证的.
• 该工具旨在补充,而不是取代医疗保健专业人员的临床判断.