PALLM：利用大型语言模型评估和优化姑息治疗相关对话

《ACM Transactions on Computing for Healthcare》：PALLM: Evaluating and Enhancing PALLiative Care Conversations with Large Language Models

自然语言处理技术在大语言模型支持下评估安宁疗护临床沟通质量，通过模拟脚本训练和测试发现LLMs在理解、同理心等核心指标评估中表现优于传统方法，具备开发专用模型提升医患互动效率的潜力。

　　

摘要

有效的医患沟通在临床护理中至关重要，直接影响患者的预后和生活质量。传统的评估方法，如人工评分、患者反馈和医生自我评估，往往受到高成本和可扩展性问题的限制。尽管现有的自然语言处理（NLP）技术显示出潜力，但它们在处理临床沟通的细微差别方面存在困难，并且需要敏感的临床数据进行训练，这降低了它们在实际应用中的有效性。新兴的大型语言模型（LLMs）为评估复杂的沟通指标提供了一种新的方法，通过将其集成到被动感知和即时干预系统中，有可能推动该领域的发展。本研究探讨了使用LLMs来评估姑息治疗沟通的质量，利用它们的语言能力、上下文学习和推理能力。具体来说，我们使用由医疗专业人员编写和标注的模拟脚本，测试专有模型（例如GPT-4），并使用GPT-4生成的合成数据集对开源LLMs（例如LLaMA2）进行微调，以评估临床对话，从而识别“理解”和“同理心”等关键指标。我们的研究结果表明，LLMs在评估临床沟通方面表现优异，能够提供带有推理依据的可操作反馈，并证明了开发内部LLMs的可行性和实际可行性。这项研究突显了LLMs在改善医患互动方面的潜力，为开发基于LLMs的临床健康系统奠定了基础。