法学士辅助动脉血液气体解释的人在循环中的表现:单中心回顾性研究

科学领域:

• 医学诊断 医学诊断 医学诊断
• 人工智能在医学中的应用

背景情况:

• 从动脉血液气体 (ABG) 结果中解释酸性疾病是复杂的,特别是在混合病例中.
• 大型语言模型 (LLM) 显示了协助复杂的认知任务的潜力.

研究的目的:

• 评估LLMs在解释ABG结果对酸性疾病的表现.
• 将LLM解释与专家临床病理学家评估进行比较.

主要方法:

• 在五个诊断类别中对200个ABG数据集进行了回顾性研究.
• 医学学生使用三个LLM (ChatGPT GPT-4o,Copilot GPT-4,Gemini 1.5/2.5-flash) 来进行解释.
• 使用了两种评估方法:直接解释 (LLM-I) 和使用监督模型解释 (LLM-S).

主要成果:

• 在所有方法中发现了强烈的一致性 (科恩的 κ ≥ 0.88),用于识别所有方法中的初级酸性疾病.
• 在识别初级和二级疾病方面,LLM-S取得了强烈的一致性 (κ = 0.810.91),而LLM-I显示了中度的一致性 (κ = 0.610.65).

结论:

• 通过LLM辅助的ABG解释表明与初级酸性疾病的专家评估有很强的一致性.
• 在提高医学学生对酸性疾病的理解和最大限度地减少计算错误方面,LLM显得有前途.