使用DeepSeek-R1通过快速工程和多源临床信息生成主观,客观,评估和计划 (SOAP) 结构化的药物日志

科学领域:

• 人工智能在药房中的应用
• 临床信息学 临床信息学
• 大型语言模型 (LLM)

背景情况:

• 临床药剂师管理复杂的药物日志,需要高效的数据处理.
• 标准化文档,如主观,目标,评估和计划 (SOAP) 笔记,对于患者护理至关重要.
• 大型语言模型 (LLM) 显示了自动化临床文档任务的潜力.

研究的目的:

• 评估使用开源LLM DeepSeek-R1用于生成SOAP格式药物日志的可行性.
• 评估该模型在瘤学环境中支持临床药剂师的潜力.
• 为了比较单源与多源信息输入的性能,用于日志生成.

主要方法:

• 利用30种瘤药物概况提取80天的日志,转换为模拟的药剂师与患者对话.
• 将单一信息源 (仅对话) 与多个信息源 (对话加上患者数据,记录,测试结果) 的输入进行比较.
• 采用五个提示增加复杂性和评估性能使用BERT,ROUGE和一个盲目的专家七维指数 (7DI) 度量.

主要成果:

• DeepSeek-R1有效地生成了结构化的SOAP日志,其中包含多源信息和复杂的提示 (提示4和5).
• 多源输入显著优于单源对话,由机器分数 (BERT-F1,ROUGE) 和手动7DI评估证实.
• 模型输出质量取决于输入数据的完整性,需要药剂师的审查来纠正错误以获得更好的分数.

结论:

• DeepSeek-R1在使用快速设计的多源临床信息生成SOAP药物日志方面展示了实用性.
• 该LLM可以潜在地提高临床药剂师的效率,但输出可靠性需要药剂师的彻底审查.
• 未来的研究应该解决瘤学特定的局限性,AI幻觉,并探索与其他LLM和可解释AI的比较.