在电子健康记录中实施大型语言模型

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的人工智能
• 医疗文件 医疗文件

背景情况:

• 电子健康记录 (EHR) 提高了数据访问,但增加了临床医生的文档负担.
• 大型语言模型 (LLM) 是一个潜在的解决方案,可以减轻这种工作负载.
• 在现实医院系统中,LLM在现实世界中的部署有限.

研究的目的:

• 实施和评估一个安全的,与EHR系统集成的本地LLM助理.
• 评估临床环境中LLM的可行性和用户参与度.
• 展示一个可复制的模型,用于负责任的临床AI部署.

主要方法:

• 开发了一个符合GDPR的本地LLM助理,使用Qwen3-235B与Retrieval增强生成.
• 在欧洲一所大学医院将LLM助理整合到Epic EHR中.
• 与28名医生进行了为期一个月的试点,随后进行了为期五个月的全医院部署.

主要成果:

• 试点中的初始参与度很高 (64%的日常使用) 具有共同的任务,包括总结,信息检索和笔记起草.
• 持续的全医院采用1028名用户,在五个月内产生14910次对话.
• 一致的使用侧重于信息获取和文档支持,表明工作流集成.

结论:

• 在临床环境中大规模的LLM集成在技术上是可行的,并且可以通过EHR嵌入和隐私保护来实现.
• 士助理可以为临床信息检索和文档提供持续的价值.
• 需要自动化监测策略来补充日常使用期间减少的自愿反.