利用大型語言模型產生對患者訊息的回應—主觀分析
研究旨在利用大型語言模型為電子健康記錄患者門戶發送的訊息生成回應，以提高溝通效率。透過開發和評估微調（Fine-tuned）大型語言模型,用以產生對醫病互動平台訊息的回覆內容。透過主觀分析,探討利用此類模型促進患者與醫療服務提供者溝通的潛力。
患者訊息激增 臨床壓力日增
在美國，隨著政府補貼超過340億美元，電子健康記錄（EHRs）的普及推動醫病互動平台的廣泛使用，成為醫患溝通的重要工具。然而，有效處理EHR信箱中的患者訊息已成為一個迫切的臨床問題。初級保健醫生每天需花費1.5小時以上處理約150條訊息，這一挑戰的加劇來自於患者訊息量的快速增長，包括法定法案的要求、面對面就診費用增加和疫情引發的患者訊息激增等。患者期望透過醫病的互動平台與醫療提供者直接溝通，尤其對於一些時敏性訊息，例如COVID-19抗病毒藥物的請求，這種壓力更為明顯。
微調大型語言模型 應對患者訊息新契機
大型語言模型提供了一個有前景的解決方案，可以為醫療提供者自動生成初稿回應，但在臨床應用中存在一些限制，包括對疾病相關因果關係的識別不準確，以及ChatGPT未經特別訓練無法回答醫學問題等。因此，此研究旨在透過微調（Fine-tune）大型語言模型，以應對醫患訊息，並評估其效能，從而探討如何利用大型語言模型提升醫患溝通的可能性。為更準確反映初級保健中的實際使用情況，此研究專注於評估大型語言模型在醫病互動平台中回應患者訊息的效能，期待透過精心設計的大型語言模型來增強醫患溝通，而非取代醫療從業者。
研究人員利用來自一個大型學術醫療中心醫病互動平台的訊息和回應數據集，共49萬組患者訊息及對應回覆作為數據訓練集，在預先訓練的大型語言模型LLaMA-65B基礎上，開發出CLAIR-Short模型。另一方面，使用OpenAI API將開源數據集中醫師的回答，轉化為具備患者教育資訊且強調同理心與專業性的段落式格式。將此數據集納入訓練，進一步微調出CLAIR-Long模型。
大型語言模型匯集優勢 紓緩患者諮詢洪流
為評估這些微調模型的效能，研究人員挑選10個基礎的醫病互動平台問題,請模型生成回覆內容。接著邀請4位醫師從同理心、回應性、準確度和實用性等層面給予評價。結果表示，CLAIR-Short展現出了生成與醫療從業者回應類似的簡潔回應的能力。CLAIR-Long回應相較於CLAIR-Short提供了更多的患者教育內容，並且在評估中與ChatGPT的回應類似，獲得了響應能力、同理心和準確性方面的積極評價，而在實用性方面則獲得了中立的評價。
透過研究結果的主觀分析，顯示了大型語言模型在提升患者和醫療從業者之間溝通方面的顯著潛力。這些模型不僅可以幫助醫療從業者提供初始的訊息，還可以寫出更詳細的衛教資訊協助患者。研究結果還指出，透過使用數據微調的大型語言模型生成的回應的同理心、響應能力、準確性和實用性可以通過使用開源數據集進行改善。這樣的開源、微調模型在生成回應患者訊息方面表現良好，甚至比實際醫療從業者的回應更好。總體而言，此研究的結果提出了一種有效的解決方案，可以應對患者訊息的不斷增長，同時促進醫病溝通的效率和品質。
|
更多精彩內容： |
|
作者：
Siru Liu, PhD, Allison B McCoy, PhD, Aileen P Wright, MD, MS, Babatunde Carew, MD, Julian Z Genkins, MD, Sean S Huang, MD, Josh F Peterson, MD, MPH, Bryan Steitz, PhD, Adam Wright, PhD
出處：
Leveraging large language models for generating responses to patient messages—a subjective analysis,Journal of the American Medical Informatics Association,2024.03.18