评估大型语言模型将腰椎成像报告简化为面向患者的文本的能力:GPT-4的试点研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 腰椎磁共振成像 (MRI) 报告包含复杂的医疗信息.
• 简化这些报告可以改善患者的理解和获得护理的机会.

研究的目的:

• 评估大型语言模型 (LLM) 的准确性和可读性,以简化腰椎MRI报告.
• 评估增强提示对LLM绩效的影响.

主要方法:

• 在未识别的腰椎脊柱MRI报告中利用GPT-4 API从接受手术的患者那里.
• 评估了LLM生成的翻译的准确性和可读性.
• 开发并测试了使用高分数报告的增强GPT提示符.

主要成果:

• GPT-4显著降低了MRI报告的平均阅读水平.
• 强化提示改善了临床相关信息遗漏率.
• 尽管情况有所改善,但关于狭窄位置,之前的手术和其他病理的错误仍然存在.

结论:

• 实际上,LLM有效地简化了腰椎脊柱MRI报告,但可能会省略关键细节.
• 增强提示可以减轻信息遗漏.
• 在脊椎放射学中进行临床整合需要进一步验证.