护理检索增强生成:用于用大型语言模型回答护理问题的检索增强生成

科学领域:

• 护理中的人工智能
• 临床信息学 临床信息学
• 自然语言处理自然语言处理.

背景情况:

• 大型语言模型 (LLM) 对医疗保健应用具有前景,但需要特定领域的精细化以获得准确性.
• 确保人工智能生成的护理信息的可靠性和临床适用性对于患者安全至关重要.
• 现有的基于LLM的系统可能会与护理知识的细微和基于证据的要求作斗争.

研究的目的:

• 开发和评估一个护理检索增强生成 (NurRAG) 系统,以准确地回答护理问题.
• 与传统的LLMs相比,评估NurRAG系统的临床适用性和性能.
• 增强基于证据和符合指导方针的护理反应的生成.

主要方法:

• 一个多学科团队设计了NurRAG框架,结合了护理知识库,问题过,语义检索和基于证据的生成.
• 该系统使用文档规范化,嵌入,矢量索引,监督分类和语义重新排名来进行证据选择.
• 用1000个经过专家验证的护理问答对来评估表现,测量语义忠实性 (ROUGE-L) 和临床准确性.

主要成果:

• 与基线LLM相比,NurRAG系统显著提高了ChatGLM2-6B和LLaMA2-7B模型的ROUGE-L得分和准确性 (P < 0.001).
• 对于ChatGLM2-6B,精度从49.08%提高到75.83%,对于LLaMA2-7B,精度从43.27%提高到73.29%.
• 病例分析证实了NurRAG在减少幻觉和产生基于证据的,符合指南的护理答案方面的有效性.

结论:

• NurRAG系统有效地将特定领域的检索与LLM生成集成在一起,以获得准确,可靠和可追溯的护理答案.
• 这些发现支持NurRAG的可行性,以提高临床知识获取和基于证据的护理决策.
• 这种人工智能方法有可能在护理实践中安全有效地应用人工智能.