一个大型语言模型助理,用于汇总肝病学参考文件
Hersh Shroff1, Anubhav Shankar2, Alison Baron1
1Division of Gastroenterology and Hepatology, University of North Carolina, Chapel Hill, NC, USA.
The American journal of gastroenterology
|January 8, 2026
概括
大型语言模型 (LLM) 可以为肝病学推创建准确的患者记录摘要,显著减少60%的临床医生分拣时间. 这种基于人工智能的方法简化了工作流程,并保持了高准确度.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 对于临床医生来说,对新的肝病学转诊的分类是耗时的.
- 有效审查患者记录对于及时诊断和治疗至关重要.
研究的目的:
- 评估大型语言模型 (LLM) 在生成肝病学转诊分组患者记录准确摘要方面的有效性.
- 评估人工智能生成的摘要对临床医生审查时间和准确性的影响.
主要方法:
- 开发了用于转诊分拣的数据元素的全面列表.
- 利用代提示工程来指示LLM从患者推文件中提取数据.
- 创建了50个患者记录的AI总结,并将分拣时间和准确性与原始文件进行了比较.
主要成果:
- 人工智能总结比原始患者记录要短得多 (中位数为2页而不是23页).
- 人工智能总结显示了高准确度 (中位数为94.6%),幻觉率低.
- 使用人工智能总结 (37.2秒 vs 94.2秒),临床医生的分组时间减少了60%.
结论:
- 通过LLM生成的摘要显著减少了文档长度和临床医生审查时间,同时保持了准确性.
- 人工智能总结显示,提高专家推分拣效率是有前途的.
- 未来的工作包括将自动化人工智能工作流程集成到电子健康记录中,以实现更广泛的临床采用.
更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
16.4K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
