评估面部整形手术患者教育的大型语言模型:标准化方案
Yousef Tanas1, Grace Gasper2, Keyvon Rashidi2
1Institute for Reconstructive Surgery, Houston Methodist Hospital, Weill Cornell Medical College, Houston, Texas.
International journal of surgery protocols
|August 27, 2025
概括
本研究评估面部整形手术患者教育的大型语言模型 (LLM). 研究结果将评估人工智能的可靠性,并指导在整形外科安全有效沟通的改进.
科学领域:
- 医学的人工智能
- 医疗信息学
- 整形外科
背景情况:
- 大型语言模型 (LLM) 在医疗保健中越来越多地用于患者教育和医疗查询.
- 通过LLM生成的健康信息的准确性,清晰性和公正性需要进行彻底的调查.
- 对于面部整形外科等专业医疗领域的LLM可靠性存在不确定性.
研究的目的:
- 评估各种大型语言模型 (LLM) 对面部整形手术常见患者问题的响应质量.
- 在患者调查中评估LLM产生的内容的可靠性和临床适用性.
- 确定人工智能驱动的整形手术患者教育工具需要改进的领域.
主要方法:
- 面部整形手术的60个面向患者的问题来自专业机构,支持团体和社交媒体.
- 七个主要的LLM测试问题分为六个关键主题:基础知识,手术前,程序,风险,恢复和各种.
- 十位经过认证的整形外科医生对答案的准确性,清晰性,完整性和适当性进行了评估,并测量了评估者之间的可靠性.
主要成果:
- (结果尚未提供 - 正在进行的研究)
- (结果尚未提供 - 正在进行的研究)
- (结果尚未提供 - 正在进行的研究)
结论:
- 系统地评估患者对面部整形手术的回答将产生重要的见解.
- 这些发现将有助于改进基于LLM的患者教育工具,以提高安全性和有效性.
- 这项研究旨在确保在整形手术患者护理中可靠且公正的人工智能辅助沟通.


