儿科外科医生的人工智能工具箱:像ChatGPT这样的大型语言模型如何简化实践并扩大全球访问

科学领域:

• 医疗信息学 医疗信息学
• 在外科手术中使用人工智能
• 儿科手术 儿科手术

背景情况:

• 儿科外科医生面临着相当大的行政负担.
• 大型语言模型 (LLM) 为儿童外科手术的文档,通信和教育提供了潜在的解决方案.
• 对LLM准确性,偏见和隐私的担忧需要仔细评估.

研究的目的:

• 审查LLMs在儿科外科工作流程和学术写作中的实际,短期应用.
• 在儿科外科实践中识别LLM的好处和局限性.
• 为负责任的LLM实施提出建议.

主要方法:

• 从主要数据库 (MEDLINE/PubMed,Scopus,Embase,Google Scholar) 和政策文件中对文献进行叙事审查.
• 搜索覆盖2015年1月至2025年8月,优先考虑同行评审和多中心研究.
• 从选和提取的数据中对发现的定性综合.

主要成果:

• LLM 减少了临床笔记的起草时间,并提高了患者材料的可读性.
• 对决策支持的表现有所不同,当通过检索接地时,结果更好.
• 限制包括推理,翻译和引用准确性;隐私风险被确定.

结论:

• 基于数据的临床医生审查的LLM输出可以减少行政工作量并提高沟通.
• 早期采用应专注于大批量,低风险的任务.
• 未来的研究需要多中心儿科数据和前性安全结果研究.