使用实验室医学德尔菲式共识评估和基于人工智能的二次模拟评估进行血栓友小组的合理化

科学领域:

• 临床实验室医学 临床实验室医学
• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能

背景情况:

• 优化实验室测试面板对于防止过度诊断和提高诊断准确性至关重要.
• 人工智能 (AI) 正在被探索作为一种潜在的工具,以协助临床决策进行实验室测试.
• 血栓友病检测需要定期评估,以确保其临床实用性和效率.

研究的目的:

• 通过修改的Delphi共识方法修改现有的血栓友爱测试小组.
• 评估大型语言模型 (LLM) 在修改实验室测试面板时复制专家决策的能力.
• 评估LLMs作为实验室医生在测试面板优化中的潜在支持工具.

主要方法:

• 一个经过修改的Delphi共识过程涉及六名专家被用来评估基于可靠性和临床意义的血栓友爱参数.
• 选择的大型语言模型 (Elicit,Consensus,STORM) 用与血栓友测试相关的特定提示进行了测试.
• 使用百分比一致性和科恩的卡帕 (κ) 量化了LLM输出和专家共识之间的一致性.

主要成果:

• 包括PAI-1,MTHFR基因定型,同氨酸,APC耐药性,抗素-V和抗胺/抗前列血抗体在内的几项血栓友测试被从标准面板中删除或消除.
• 在使用开放式提示时,LLM与专家共识略有一致 (κ ≈ 0.25),但在特定问题上达成更高的一致 (κ 0.50-0.52).
• 在他们的决策过程中,LLMs没有考虑关键的分析和技术方面.

结论:

• 定期审查和优化血栓友面板是必要的,以保持高的诊断质量和避免不必要的测试.
• 德尔菲共识方法是有效的修订和优化实验室测试面板.
• 法律学士可以作为专家决策的补充资源,但不能取代医疗专业人员的经验和共识.