利用大型语言模型提升医学数据解读能力：患者自主性、信息处理及技术接受度的比较分析

《BMC Medical Informatics and Decision Making》：Augmenting medical data interpretation with Large Language Models (LLMs): a comparative analysis of patient empowerment, information processing, and technology acceptance

　　

摘要

背景

传统上，医学数据的解读依赖于医疗专业人员作为中间人，这可能会限制患者的自主性和参与度。大型语言模型为改变这一模式提供了可能，它能够让患者直接获得人工智能生成的解读结果；然而，关于这些模型在不同类型医学数据及不同沟通方式下的有效性比较研究仍然有限。本研究探讨了患者通过人工智能系统实时获取实验室和影像学检查结果的解读服务，与由医疗专业人员提供的解读服务在各种数据类型下的对比情况，重点关注患者的理解程度、自主性提升以及技术接受度。

方法

本研究采用混合方法，并运用被试内实验设计，45名具有不同人口统计学特征的参与者经历了六种不同的解读场景：血液检查和医学影像结果的解读分别通过（1）医疗专业人员的电话咨询、（2）面对面咨询，或（3）通过专门设计的ChatGPT-4o界面（Medical Explainer AI）与大型语言模型互动来实现，该界面能够用通俗的语言解释检测结果、标出异常值、说明临床意义、解释医学术语，并根据用户反馈调整解释的复杂程度。

结果

与电话咨询相比，通过大型语言模型互动显著提升了患者的诊断理解能力（平均差异为1.3，p?<?0.001），降低了认知负担，提高了患者的控制感，并提升了时间效率。而由医疗专业人员提供的解读服务，尤其是面对面咨询，在建立信任、减轻焦虑以及增强决策信心方面仍具有优势。大型语言模型互动在血液检查解读方面的效果比在医学影像解读方面更为明显。年龄、教育水平以及健康素养等因素会显著影响不同解读方法的效果。

结论

大型语言模型在医学数据解读中起到的是补充作用而非替代作用，它在提升理解能力、控制感和效率方面表现优异，而医疗专业人员则通过建立信任、给予信心以及提供情感支持，带来更优质的人际关怀。在实施相关策略时，应充分利用这两种方法的优点，同时充分考虑数据的复杂程度和患者的特点，以最大化益处并确保所有人都能公平地获得服务。