利用大型语言模型简化出院小结并提供心脏病学生活方式建议

推荐 为解决出院小结复杂难懂且缺乏个性化生活方式建议的问题，研究人员开展了一项研究，探索使用大型语言模型（LLM）来简化出院小结并生成相关建议。结果显示，LLM生成的总结显著提高了可读性，并得到了医疗专家的高度评价，尽管个性化方面仍有不足。该研究为改善医患沟通提供了新的工具，具有重要的临床意义。

　　

论文解读
医院出院小结对于患者出院后的连续性护理至关重要。然而，这些小结通常包含复杂的医学术语、缩写和技术语言，使得患者难以理解。此外，它们往往缺少对自我管理至关重要的生活方式建议。为了解决这些问题，德国维滕/赫德克大学的研究人员开展了一项研究，探讨使用大型语言模型（LLM）来增强出院小结的可读性，并为其添加生活方式建议。

研究人员收集了20份匿名的德国心脏病学出院小结，并使用GPT-4o模型通过全文和分段两种提示方法来简化每份小结并生成生活方式建议。通过三项标准化的可读性指标（修改后的Flesch阅读易度、维也纳非小说文本公式和Lesbarkeitsindex）以及12位医学专家的多维度评估，研究人员发现，LLM生成的总结在所有指标上均显著提高了可读性。专家们对LLM总结的正确性、完整性、无害性和患者可理解性给予了高度评价，并对生成的生活方式建议的相关性、证据基础、完整性、一致性及无害性表示认可。

研究结果表明，LLM生成的总结达到了10年级的可读性水平，并获得了高质量的评分。然而，尽管LLM生成的生活方式建议总体上质量较高，但其个性化程度有限。这一发现表明，LLM可以帮助医院更好地与患者沟通，但在临床应用前仍需进一步研究以确保其安全性和实用性。

为开展这项研究，研究人员采用了以下关键技术方法：首先，收集了20份德国心脏病学出院小结，并通过在线接口将GPT-4o模型（gpt-4o-2024-05-13）应用于这些小结。其次，研究人员使用了三种不同的提示方法来简化小结并生成生活方式建议。最后，通过医学专家对LLM生成的总结和建议进行评估，确保其质量和可读性。

研究结果详细分析了LLM生成的总结和建议的质量和可读性。在可读性方面，LLM生成的总结显著提高了可读性，达到了10年级的水平，但仍高于推荐的6年级水平。医学专家对LLM生成的总结给予了高度评价，认为其在正确性、完整性、无害性和患者可理解性方面表现出色。然而，分段提示方法在完整性方面表现更好，接近统计学显著差异。

在生活方式建议方面，LLM生成了410条建议，涵盖饮食、体育活动、压力管理、医疗预约、物质使用和药物管理等多个类别。医学专家对这些推荐的相关性、证据基础、完整性、一致性及无害性表示认可，但认为其个性化程度不足。

研究结论和讨论部分强调了LLM在改善出院小结可读性和提供生活方式建议方面的潜力。尽管LLM生成的总结和建议在多个方面表现出色，但仍存在一些局限性，如个性化程度不足和潜在的误导性信息。研究人员指出，未来的研究应关注提高LLM生成的总结和建议的个性化程度，并确保其在临床应用中的安全性和实用性。此外，研究还强调了数据隐私和监管合规的重要性，指出在临床环境中使用LLM时需要采取额外的安全措施。

总之，这项研究表明，LLM可以显著提高出院小结的可读性，并提供高质量的生活方式建议，但仍需进一步研究以解决其局限性并确保其在临床应用中的安全性和有效性。