利用大型语言模型提高放射学报告可读性:系统性审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 放射科 患者沟通 放射科 患者沟通

背景情况:

• 患者越来越多地直接访问他们的病历,包括放射学报告.
• 放射学报告往往是复杂的,患者难以理解.
• 大型语言模型 (LLM) 为将这些报告翻译成患者友好的语言提供了一个潜在的解决方案.

研究的目的:

• 系统地审查当前关于LLM应用的文献,以简化患者放射学报告.
• 确定并提出最佳实践指南,用于未来在这个领域的研究.

主要方法:

• 按照PRISMA指南进行了系统的文献审查,搜索了PubMed,Scopus和谷歌学者,直到2025年2月.
• 包括专注于基于LLM简化患者放射学报告和评估可读性的研究.
• 2018年混合方法评估工具被用于偏差评估,发现被分类为质量和数量.

主要成果:

• 在2,126个已识别的引用中,有17项研究被纳入了定性分析.
• 71%的研究使用单一的LLM,其中ChatGPT,Google Bard/Gemini和Claude是最常见的.
• 定量可读性指标在所有评估研究中都显示出改善 (n=12),尽管定性评估根据评价者类型 (医生与非医生) 产生了不同的结果.

结论:

• 在提高患者对放射学报告的可访问性和可理解性方面,LLM显示出显著的潜力.
• 当前的研究显示了输入数据,LLM模型和评估指标的异质性,限制了直接比较.
• 建立标准化最佳实践指南对于推动未来的放射学报告简化LLM研究至关重要.