大型语言模型作为紧急医疗的成本意识决策辅助工具:对腰部疼痛成像的协议支持

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 卫生经济学 卫生经济学

背景情况:

• 紧急部门 (ED) 影像利用影响医疗保健成本和患者流量.
• 大型语言模型 (LLM) 显示出作为临床决策支持工具的承诺,用于成本意识的分类.
• 评估LLM以准确,具有成本效益的成像推在ED腰部疼痛中至关重要.

研究的目的:

• 评估LLM为ED腰部疼痛患者生成的成像推的准确性和成本效益.
• 将LLM建议与既定的ACR标准和现实世界的临床决策进行比较.
• 用LLM引导的成像分类量化潜在的资源节约.

主要方法:

• 对422名腰部疼痛患者的分析,这些患者在城市学术医疗中心接受腰椎MRI.
• 对生成预训练变压器4的评估 (GPT-4) 建议与ACR标准保持一致 (准确性,科恩 κ).
• 在现实世界,GPT-4和假设的ACR遵守场景下,对资源利用工作相对价值单位 (wRVU) 的量化.

主要成果:

• 在72.0%的病例中,GPT-4生成了与ACR一致的建议,显示出显著的对齐 (科恩的 κ = 0.42).
• 根据GPT-4的建议,与实际的629个wRVU相比,资源利用率将减少到481.74 wRVU.
• 假设100%的ACR遵守导致了与GPT-4相似的资源利用 (481.86 wRVUs).

结论:

• 实际上,LLM,特别是GPT-4,显示出作为成本意识的放射学决策工具的潜力.
• 通过LLM指导的成像建议可以提高ED背痛评估的效率并降低成本.
• 对LLM整合用于放射学临床决策支持的进一步研究是合理的.