The impact of responding to patient messages with large language model assistance
作者: Shan Chen, Marco Guevara, Shalini Moningi, Frank Hoebers, Hesham Elhalawani, Benjamin H. Kann, Fallon E. Chipidza, Jonathan Leeman, Hugo J. W. L. Aerts, Timothy Miller, Guergana K. Savova, Raymond H. Mak, Maryam Lustberg, Majid Afshar, Danielle S. Bitterman
分类: cs.CL
发布日期: 2023-10-26 (更新: 2023-11-29)
备注: 4 figures and tables in main, submitted for review
💡 一句话要点
利用大型语言模型辅助响应患者信息以减轻临床负担
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 临床医生 患者沟通 文档负担 人工智能 医疗效率 AI辅助决策
📋 核心要点
- 文档负担是导致临床医生倦怠的主要原因，影响患者护理质量。
- 本文提出利用大型语言模型辅助医生草拟患者回复，以减轻文档负担。
- 实验结果显示，AI辅助回复提高了效率，且在58%的情况下无需编辑，具有应用潜力。
📝 摘要（中文）
文献指出，文档负担是导致临床医生倦怠的重要因素，急需解决。人工智能聊天机器人（如ChatGPT）可能通过协助文档处理来减轻这一负担。尽管许多医院正在将此类系统整合进电子病历中，但其在临床决策中的效用尚未得到研究。本文首次探讨大型语言模型在帮助临床医生草拟患者问题回复中的应用。通过两阶段的横断面研究，6名肿瘤科医生对100个合成癌症患者场景和信息进行了手动和AI辅助的回复。结果表明，AI辅助的回复更长、可读性较差，但58%的情况下无需编辑即可接受。AI辅助提高了77%的效率，且82%的情况下风险较低。然而，7.7%的未编辑AI回复可能造成严重伤害。AI辅助还促使更多患者教育建议，但临床行动较少。结果显示，AI在提高临床效率和患者护理方面具有潜力，但需谨慎使用并监控模型输出。
🔬 方法详解
问题定义：本文旨在解决临床医生在处理患者信息时面临的文档负担问题。现有方法往往导致医生工作量增加，影响患者护理质量。
核心思路：通过引入大型语言模型，辅助医生草拟回复，旨在提高文档处理效率并减轻医生负担。此设计基于AI在自然语言处理中的优势，能够生成符合医疗场景的回复。
技术框架：研究采用两阶段横断面设计，首先由医生手动回复患者信息，然后使用AI辅助生成回复。主要模块包括患者场景生成、AI回复生成和医生反馈收集。
关键创新：本文的创新在于首次系统性地评估大型语言模型在临床文档处理中的实际应用，填补了这一领域的研究空白。与传统方法相比，AI辅助回复在效率和质量上均有显著提升。
关键设计：研究中使用的AI模型经过特定的训练，以适应医疗领域的语言特点。参数设置和损失函数经过优化，以确保生成的回复既准确又符合临床需求。
🖼️ 关键图片
📊 实验亮点
实验结果显示，AI辅助的回复在58%的情况下无需编辑，且提高了77%的效率。尽管存在7.7%的未编辑回复可能造成严重伤害，但总体上AI辅助的回复在患者教育建议方面表现更佳，显示出AI在临床文档处理中的应用潜力。
🎯 应用场景
该研究的潜在应用领域包括医院信息系统、电子病历管理和患者沟通平台。通过有效利用AI辅助工具，医院可以显著减轻医生的文档负担，提高工作效率，从而提升患者护理质量。未来，随着技术的不断进步，AI在医疗领域的应用将更加广泛，可能改变传统的医疗服务模式。
📄 摘要（原文）
Documentation burden is a major contributor to clinician burnout, which is rising nationally and is an urgent threat to our ability to care for patients. Artificial intelligence (AI) chatbots, such as ChatGPT, could reduce clinician burden by assisting with documentation. Although many hospitals are actively integrating such systems into electronic medical record systems, AI chatbots utility and impact on clinical decision-making have not been studied for this intended use. We are the first to examine the utility of large language models in assisting clinicians draft responses to patient questions. In our two-stage cross-sectional study, 6 oncologists responded to 100 realistic synthetic cancer patient scenarios and portal messages developed to reflect common medical situations, first manually, then with AI assistance. We find AI-assisted responses were longer, less readable, but provided acceptable drafts without edits 58% of time. AI assistance improved efficiency 77% of time, with low harm risk (82% safe). However, 7.7% unedited AI responses could severely harm. In 31% cases, physicians thought AI drafts were human-written. AI assistance led to more patient education recommendations, fewer clinical actions than manual responses. Results show promise for AI to improve clinician efficiency and patient care through assisting documentation, if used judiciously. Monitoring model outputs and human-AI interaction remains crucial for safe implementation.