对癌症患者的瘤CT报告基于大型语言模型的简化进行前性受控试验

科学领域:

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

背景情况:

• 瘤放射学报告使用复杂的医学术语,为患者带来理解挑战.
• 大型语言模型 (LLM) 提供了简化医疗文本的潜力,但对它们对患者理解放射学报告的影响的证据有限.
• 需要进行受控研究来评估LLM简化对患者理解,认知工作量和放射学报告的感知的影响.

研究的目的:

• 评估基于LLM简化的瘤CT报告对患者理解能力,认知工作量,感知和阅读时间的影响.
• 为了比较患者的结果,使用标准与LLM简化放射学报告.
• 评估LLM简化的瘤CT报告的可读性和准确性.

主要方法:

• 一项前性,准随机试验,涉及200名接受CT重置阶段的成年癌症患者.
• 参与者被分配接受标准CT报告或LLM简化报告 (Llama 3.3 70B),并接受强制性放射科医生审查.
• 主要结果包括患者报告的认知工作量,理解,感知和阅读时间;次要结果涉及可读性指标和放射科医生对错误的评估.

主要成果:

• 使用LLM简化的报告显著减少了阅读时间的中位数,从7分钟减少到2分钟 (P < .001).
• 接受简化报告的患者的认知工作量较低 (OR,0.18),理解能力更好 (OR,13.28),对报告有用性的感知更好 (OR,5.46) (所有P < .001).
• 简化提高了可读性 (弗莱什-金凯德分级8.89与13.69;P<.001),尽管放射科医生审查发现简化报告中存在事实错误 (6%),遗漏 (7%),和不适当的添加 (3%).

结论:

• 对瘤CT报告的LLM简化提高了患者的理解能力,并减少了阅读负担.
• 尽管患者报告的结果有所改善,但临床相关的错误需要放射科医生的仔细监督.
• 在放射学中,LLM技术有望改善患者与医疗服务提供者之间的沟通,这取决于强大的验证和错误缓解策略.