本文探讨了在医疗领域应用大型语言模型（LLMs）生成患者友好型医疗报告的潜力。随着电子病历的普及，患者获取电子病历数据的权利得到了保障，从而增加了患者直接访问自己的医疗数据和接触医学报告的机会。然而，这些报告通常充斥着专业术语，对非专业患者来说可能难以理解，有时甚至会导致误解和焦虑，造成了一些负面影响。因此，将复杂的医学报告转化为患者易于理解的形式显得尤为重要。本文提出了一种基于“瑞弗莱克森”框架的智能体型工作流，旨在用清晰简洁的语言解释复杂的医学信息，从而减少人工编辑和评估的需要，确保准确性和可读性，并保持同情和安慰的语气。
近年来，大语言模型在医疗领域的应用日益广泛，包括生成出院小结、结构化放射学报告等。然而，现有的零样本提示方法往往需要人工审核或改进后才能交付给患者。本文的目标是开发一种智能体管道，在发布前对患者信件进行准确性和可读性的评估，以减少验证的需求。本文提出的智能体型工作流包括多个中间步骤，利用多个智能体协同工作。具体实现中，首先使用大语言模型从原始报告中提取ICD-10代码，然后生成多个患者友好型报告，并计算每个报告的准确性和可读性。准确性通过比较患者友好型版本和原始报告中的ICD-10代码数量来计算，而可读性则使用“弗莱施-金凯德阅读难度”公式来量化评估其可读性。最后，使用“瑞弗莱克森”模型的“阿尔夫沃德”模块进行自我反思后，输出最佳版本的患者信件。
实验结果表明，与零样本提示相比，智能体型工作流显著提高了报告的准确性和可读性。具体来说，在16个随机放射学报告中，智能体型工作流生成的报告在ICD-10代码验证方面的准确率为94.94%，而零样本提示仅为68.23%。此外，81.25%的最终反思报告无需修改即可满足准确性和可读性要求，而零样本提示报告仅有25%能满足这些标准。●效率提高：智能体型工作流可大幅度减少完成复杂任务所需的时间和人力，从而提高处理速度和工作量。●准确性提高：智能体型工作流具有机器学习能力，可减少人为错误，且能处理需要精准度和细节的复杂任务。●应用广泛：智能体型工作流可应用于各行各业，具有很强的适应性。●用户体验增强：智能体型工作流可提供实时服务，且能根据用户的习惯和需求进行个人化定制，提高用户满意度。
总之，本文提出的基于智能体的工作流为大语言模型在医疗领域应用开辟了新的可能性，它有效地提高了生成患者友好的医疗报告的效率和准确性，减少了人工校对的工作量，为患者提供更清晰、更准确的医疗信息，改善了患者体验。该流程的成功应用表明，大语言模型在医疗领域具有广阔的应用前景，未来有望在更多医疗场景中发挥重要作用。本文的附录展示了不同类型医学报告（MR、CT、超声）的零样本提示和智能体方法生成的患者友好型报告示例，直观地展现了两种方法的差异。
发布时间：2024-08-29 
浏览量：
