用于基于患者需求的前列腺切除术病理报告摘要的自然语言处理模型

《Scientific Reports》：Natural language processing models for patient-centered summaries of prostatectomy pathology reports

　　

摘要

如今，许多患者在医生讨论之前就已经查看了自己的根治性前列腺切除术（RP）病理报告，这增加了他们的焦虑感并加重了医疗机构的行政负担。随着人工智能辅助医疗工作流程的广泛应用，制定策略以改进涉及复杂医学语言的患者信息解读变得尤为重要。我们比较了一种基于规则的自然语言处理（NLP）模型和一种使用零样本提示的大型语言模型（LLM），以确定生成准确的患者导向的RP病理摘要的最佳框架。这些模型在提取关键病理特征、计算不同时间点的无复发生存概率以及根据病理报告提供临床建议方面接受了评估。在一家医疗机构中，基于规则的NLP模型生成了92%无错误的摘要，而LLM模型生成了97%无错误的摘要（p = 0.18）。在另一家医疗机构提供的格式不同的RP病理报告的外部测试集中，LLM在未经额外训练的情况下保持了高准确率，而基于规则的NLP模型在经过少量优化后也达到了类似的准确率。这些发现表明，这两种方法都能有效地支持患者导向的病理摘要生成，使医疗机构和医院系统能够根据自身的技术资源、财务考量、管理架构以及机构优先事项选择最适合的框架。