利用人工智能进行手术部位感染监测:比较5个大型语言模型

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 传染病监测 传染病监测 传染病

背景情况:

• 手术部位感染 (SSIs) 对患者安全和医疗保健成本构成重大风险.
• 感染预防专家对SSI的手动监测是资源密集的,并且可能是主观的.
• 人工智能 (AI) 的整合为客观和高效的医疗数据分析提供了潜力.

研究的目的:

• 评估五种大型语言模型 (LLM) 在识别手术部位感染 (SSI) 的诊断性能.
• 为了比较基于LLM的SSI检测与由感染预防护士进行的手动监测的准确性.
• 评估人工智能工具在提高SSI监控系统的效率和可靠性方面的潜力.

主要方法:

• 使用了回顾性研究设计.
• 分析了40名腹部手术患者的数据.
• 绩效指标包括诊断准确性和LLM与手册审查之间的一致性 (科恩的卡帕).

主要成果:

• 手动监测实现了SSI的100%诊断准确性.
• 所有五个LLM都表现出高精度,从90%到95%.
• 在LLM中,强烈同意手册审查 (κ = 0.80-0.90),没有统计学上显著的绩效差异 (P > .05).

结论:

• 大型语言模型在检测外科手术部位感染时,表现与专家手册审查相当.
• 基于人工智能的监控工具显示出提高SSI监控的效率和潜在准确性的前景.
• 需要进一步的研究和验证,以将LLMs纳入常规的临床感染预防实践.