儿科和外科护理电子健康记录的大型语言模型:系统审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床数据分析 临床数据分析

背景情况:

• 大型语言模型 (LLM) 提供了在电子健康记录 (EHR) 中访问非结构化数据的潜力.
• 本综述系统地检查了儿科和外科EHR数据中的LLM应用.
• 它评估模型性能与传统方法相比,并探索临床潜力.

研究的目的:

• 评估LLM在儿科和外科EHR中的当前应用.
• 将LLM的绩效与现有的医疗数据分析方法进行比较.
• 确定LLM在改善患者护理和治疗结果方面的临床潜力.

主要方法:

• 在十个数据库中进行了系统的文献搜索,直到2024年11月,遵守PRISMA指南.
• 涉及LLM应用在EHR的研究被两个审查员独立选.
• 使用PROBAST工具来评估所包含的研究中的偏差风险.

主要成果:

• 在4326项研究中,有44项符合纳入标准,主要涉及外科专业 (68.2%) 和儿科 (25%).
• 来自变压器的双向编码器表示 (BERT) 和ChatGPT是最常见的LLM类型.
• 在78.1%的对比研究中,LLM显示出性能改善,其关键应用在临床文档和决策支持中.

结论:

• 在儿科和外科领域,LLM提供了EHR分析的机会.
• 大多数当前的研究都是初步的,缺乏外部验证和现实世界的工作流程评估.
• 未来的研究必须专注于严格的验证和实践测试,以确保安全的临床实施.