由基于大型语言模型的人工智能代理驱动的模拟患者系统有可能改变医学教育

科学领域:

• 人工智能在医学中的应用
• 医疗教育 技术 技术 医学教育
• 临床模拟 临床模拟

背景情况:

• 模拟患者系统对于医疗培训和决策至关重要.
• 大型语言模型 (LLM) 为高准确性,低成本的患者模拟提供了潜力.
• 在确保人工智能驱动模拟的有效性和可靠性方面仍然存在挑战.

研究的目的:

• 开发和评估基于LLM的模拟患者系统AIPatient.
• 评估系统的准确性,可读性,强度和稳定性.
• 在用户研究中,将人工智能系统的性能与人体模拟患者进行比较.

主要方法:

• 使用基于LLM的AI代理和Retrieval增强生成 (RAG) 开发了AIPatient.
• 整合了六个特定任务的人工智能代理来进行复杂的推理.
• 利用从MIMIC-III数据库中构建的AIPatient知识图 (KG) 来模拟现实.

主要成果:

• 在基于电子健康记录 (EHR) 的问答 (QA) 中,与所有代理商实现了94.15%的准确性.
• 证明了高的知识基础有效性 (F1分数=0.89) 和专业的可访问性 (Flesch阅读方便性=68.77).
• 确认了强度和稳定性 (p > 0.1);用户研究显示了高保真度和教育价值,与人类性能相匹配.

结论:

• 基于LLM的模拟患者系统可以提供准确,可读和可靠的医疗体验.
• AIPatient展示了改变医学教育和培训的巨大潜力.
• 该系统的高性能和用户满意度凸显了AI在医疗保健模拟中的价值.