LLM on FHIR -- 卫生记录的解密
通过研究使用大型语言模型(LLM)来增强医疗数据互操作性的能力,我们发现 LLM 可以将临床文本转化为相应的 FHIR 资源。通过对 3,671 段临床文本进行实验,我们证明 LLM 不仅简化了多步骤的自然语言处理和人工校准过程,而且在与人类标注相比较时,在准确匹配方面达到了超过 90% 的异常准确率。
Sep, 2023
数字卫生工具与大型语言模型(LLMs)结合可在临床环境中提供新颖的接口,增强数字医疗工具的实用性和实际影响,解决了使用 LLMs 时出现的问题,如幻觉,从而提高心血管疾病和糖尿病风险预测的效果。
Oct, 2023
通过综述大型语言模型在医学领域中的应用和意义,揭示了它们在知识检索、研究支持、临床工作流自动化和诊断辅助等方面的效用,并探索了多模态语言模型以及自动化代理在医疗保健中的发展潜力。然而,为了有效地将这些模型整合到临床实践中,需要不断优化和进行伦理监管。
Nov, 2023
使用大型语言模型(Flan-T5 XXL)从非结构化电子健康记录(EHR)数据中检索和总结与特定查询相关的论据,较传统信息检索方法更受放射科医生欢迎,但面临 LLMs 产生虚构证据的挑战。然而,模型的信心可能指示 LLMs 是否存在虚构,为解决此问题提供了潜在方法。
Sep, 2023
大型语言模型(LLMs)在医疗保健领域的应用具有重要意义,为了充分利用其交互潜力,本文提出了 AI Hospital 框架,用于构建实时互动诊断环境,并通过多视角医学评估(MVME)基准和协作机制来验证其可行性和有效性。
Feb, 2024
我们提出了一个名为 Heath-LLM 的创新框架,它结合了大规模特征提取和医学知识权衡评分,与传统的健康管理方法相比,具有三个主要优势,它将健康报告整合到一个大模型中以提供详细的任务信息,使用专业的医学专业知识来调整健康特征的加权得分,并使用半自动特征提取框架来增强语言模型的分析能力,并结合专家见解来提高疾病预测的准确性。我们对大量的健康报告进行了疾病预测实验,结果表明所提出的方法超过了传统方法,并有潜力革命性地改变疾病预测和个性化健康管理。
Feb, 2024
通过四个案例研究展示了大型语言模型在医疗保健中的应用,包括分析 Reddit 上的心理健康讨论、为老年人进行认知参与开发个性化聊天机器人、总结医疗对话数据集和设计 AI 助力病患参与系统。同时讨论了在医疗保健环境中引入大型语言模型的道德考虑、最佳实践和指南。
Jun, 2024
论文探讨了临床医师对 LLMs 的信任与数据来源从人生成为 AI 生成内容的演变关系,并随之对 LLMs 的准确性和临床医师能力的影响。关注的其中一个主要问题是随着 LLMs 对其输出越来越依赖于学习,可能导致输出质量的降低和临床医师技能的减弱,因为与基本诊断过程的接触减少。虽然目前处于理论阶段,但这种反馈循环对于深入整合 LLMs 于医疗保健领域提出了重大挑战,强调了积极对话和战略措施以确保 LLM 技术的安全有效使用的必要性。此外,我们深入探讨了 LLMs 自我参考学习循环和医疗保健专业人员能力下降的潜在风险。LLMs 在回音室内运行的风险,其中 AI 生成的内容反馈到学习算法中,威胁到数据池的多样性和质量,可能固化偏见并降低 LLMs 的效力。同时,对 LLMs 在常规或关键任务方面的依赖可能导致医疗保健提供者的诊断和思考能力下降,特别影响未来专业人员的培训和发展。
Mar, 2024
使用大型语言模型(LLMs)开发的 NoteAid EHR 交互流水线通过生成式 LLMs 的创新方法,帮助患者理解电子健康记录(EHRs),并提供有关 EHR 内容的解释和患者提问后的回答。研究使用 MIMIC 出院摘要和 MADE 医疗笔记收集的数据集,通过 NoteAid EHR 交互流水线执行这两个任务,并通过 LLM 评估和手动评估展示了 LLMs 在患者教育中的潜力。同时,这些结果为未来的探索和应用提供了宝贵的数据支持,并提供了用于内部系统训练的高质量合成数据集。
Dec, 2023
利用大型语言模型 (LLMs) 对临床记录进行动态问答的自然语言接口引入了一种新的方法。我们的聊天机器人通过 Langchain 和基于变压器的 LLMs 实现,允许用户用自然语言查询并从临床记录中获得相关答案。经过利用各种嵌入模型和先进的 LLMs 的实验表明,Wizard Vicuna 具有更高的准确性,尽管计算需求较高。模型优化,包括重量量化,使延迟时间提高了约 48 倍。有希望的结果表明,充分利用临床记录的价值和推进基于 AI 的临床决策的发展还面临一些挑战,如模型幻觉和有限的多样化医疗案例评估。解决这些差距对于释放临床记录的价值和推进基于 AI 的临床决策具有重要意义。
Jan, 2024