[ad_1]
Eine Studie gemacht von Google Forschung in Zusammenarbeit mit Google DeepMind enthüllt, dass der Technologieriese ein LLM mit Gesprächs- und Kollaborationsfunktionen entwickelt hat, das eine genaue Differentialdiagnose (DDx) liefern und dazu beitragen kann, das diagnostische Denken und die Genauigkeit von Ärzten bei der Diagnose komplexer medizinischer Zustände zu verbessern.
Das LLM für DDx baut auf Med-PaLM 2 auf, der generativen KI-Technologie des Unternehmens, die die LLMs von Google zur Beantwortung medizinischer Fragen nutzt.
Das DDx-fokussierte LLM wurde auf medizinische Domänendaten mit erheblichen Leistungsverbesserungen abgestimmt und verfügte über eine Schnittstelle, die seine Verwendung als interaktiver Klinikassistent ermöglichte.
In der Studie bewerteten 20 Kliniker 302 herausfordernde, reale medizinische Fälle aus dem New England Journal of Medicine.
Jeder Fall wurde von zwei Klinikern gelesen, denen nach dem Zufallsprinzip entweder Standardunterstützungsmethoden wie Suchmaschinen und herkömmliche medizinische Ressourcen oder zusätzlich zu Googles LLM für DDx Standardunterstützungsmethoden zur Verfügung gestellt wurden. Alle Kliniker stellten einen Basis-DDx zur Verfügung, bevor sie die unterstützten Werkzeuge erhielten.
Nach Abschluss der Studie stellten die Forscher fest, dass die Leistung des LLM für DDx die von nicht unterstützten Klinikern übertraf, und zwar mit einer Genauigkeit von 59,1 % im Vergleich zu 33,6 %.
Darüber hinaus verfügten Ärzte, die vom LLM unterstützt wurden, über eine umfassendere Liste von Differenzialdiagnosen mit einer Genauigkeit von 51,7 % im Vergleich zu denen, die nicht vom LLM unterstützt wurden (36,1 %), und Ärzte mit Suche (44,4 %).
„Unsere Studie legt nahe, dass unser LLM für DDx das Potenzial hat, das diagnostische Denken und die Genauigkeit von Ärzten in schwierigen Fällen zu verbessern, was aufgrund seiner Fähigkeit, Ärzte zu stärken und den Zugang von Patienten zu Fachwissen auf Spezialistenebene zu erweitern, eine weitere Bewertung in der Praxis verdient“, stellten die Forscher fest .
DER GRÖSSERE TREND
Forscher berichteten von Einschränkungen der Studie. Den Ärzten wurde ein redigierter Fallbericht mit Zugang zur Fallpräsentation und den zugehörigen Abbildungen und Tabellen zur Verfügung gestellt. Dem LLM wurde nur Zugang zum Haupttext jedes Fallberichts gewährt.
Die Forscher stellten fest, dass das LLM trotz dieser Einschränkung den Ärzten überlegen war. Wenn das LLM Zugang zu den Tabellen und Abbildungen erhalten würde, ist nicht bekannt, um wie viel sich die Genauigkeitslücke vergrößern würde.
Darüber hinaus würde sich das Format der Eingabe von Informationen in das LLM von der Art und Weise unterscheiden, wie ein Kliniker Fallinformationen in das LLM eingeben würde.
„Während die Fallberichte beispielsweise als ‚Rätsel‘ mit genügend Hinweisen erstellt werden, die es einem Spezialisten ermöglichen sollten, auf die endgültige Diagnose hinzuweisen, wäre es eine Herausforderung, zu Beginn eines echten Fallberichts einen so prägnanten, vollständigen und kohärenten Fallbericht zu erstellen.“ klinische Begegnung“, schrieb der Forscher.
Die Fälle wurden auch als schwierig zu diagnostizierende Zustände ausgewählt. Daher stellten die Gutachter fest, dass die Ergebnisse nicht darauf hindeuten, dass Ärzte das LLM für DDx bei typischen Fällen in der täglichen Praxis nutzen sollten.
Es wurde auch festgestellt, dass das LLM Schlussfolgerungen aus isolierten Symptomen zieht, anstatt den gesamten Fall ganzheitlich zu betrachten. Ein Kliniker bemerkte, dass das LLM für einfachere Fälle mit spezifischen Schlüsselwörtern oder pathognomonischen Anzeichen vorteilhafter sei.
„Die Generierung eines DDx ist ein entscheidender Schritt im klinischen Fallmanagement, und die Fähigkeiten von LLMs bieten neue Möglichkeiten für unterstützende Tools zur Unterstützung dieser Aufgabe. Unsere randomisierte Studie zeigte, dass der LLM für DDx ein hilfreiches KI-Tool für die DDx-Generierung für Allgemeinmediziner war.“ „Die klinischen Teilnehmer gaben an, dass sie für das Lernen und die Ausbildung von Nutzen sind, und es sind weitere Arbeiten erforderlich, um die Eignung für klinische Umgebungen zu verstehen“, schlussfolgerten die Forscher.
Nehmen Sie an dieser Sitzung beim HIMSS AI in Healthcare Forum teil, das vom 14. bis 15. Dezember 2023 in San Diego, Kalifornien, stattfindet. Erfahren Sie mehr und registrieren Sie sich.
[ad_2]