تحسين تفسير المبادئ التوجيهية السريرية في مجال أمراض الكبد باستخدام نماذج اللغة الكبيرة: إطار عمل قائم على التوليد المعزز بالاسترجاع

الملخص يمكن لنماذج اللغة الكبيرة (LLMs) أن تُحدث تحولًا في الرعاية الصحية، خصوصًا في توفير المعلومات المناسبة للمزود المناسب في الوقت المناسب ضمن سير العمل في المستشفى. تستكشف هذه الدراسة دمج نماذج اللغة الكبيرة في الرعاية الصحية، مع تركيز خاص على تحسين أنظمة دعم اتخاذ القرار السريري (CDSSs) من خلال التفسير الدقيق للإرشادات الطبية لإدارة عدوى فيروس التهاب الكبد C المزمن. باستخدام نموذج GPT-4 Turbo من OpenAI، طورنا إطار عمل مخصص لنماذج اللغة الكبيرة يدمج التوليد المعزز بالاسترجاع (RAG) وهندسة المطالبات. اشتمل إطار عملنا على تحويل الإرشادات إلى أفضل صيغة منظمة يمكن لمعالجة نماذج اللغة الكبيرة التعامل معها بكفاءة لتوفير أدق نتيجة. أُجريت دراسة تجريدية لتقييم تأثير استراتيجيات التنسيق والتعلم المختلفة على دقة توليد الإجابات من النموذج. قورنت أداء نموذج GPT-4 Turbo الأساسي بخمس إعدادات تجريبية منها مستويات متزايدة من التعقيد: تضمين الإرشادات في السياق، إعادة تنسيق الإرشادات، وتنفيذ التعلم قليل الأمثلة. كان المعيار الأساسي هو التقييم النوعي للدقة بناءً على مراجعة الخبراء، في حين شملت المخرجات الثانوية القياس الكمي لتشابه الإجابات الناتجة من نموذج اللغة الكبيرة مع إجابات الخبراء باستخدام درجات تشابه النصوص. أظهرت النتائج تحسنًا كبيرًا في الدقة من 43% إلى 99% (p < 0.001) عند توفير الإرشادات كسياق في مجموعة نصوص متماسكة وتحويل المصادر غير النصية إلى نص. بالإضافة إلى ذلك، لم يظهر التعلم قليل الأمثلة تحسنًا في الدقة العامة. تسلط الدراسة الضوء على أن إعادة تنسيق الإرشادات بشكل منظم وهندسة المطالبات المتقدمة (جودة البيانات مقابل كمية البيانات) يمكن أن تعزز فعالية دمج نماذج اللغة الكبيرة في أنظمة دعم اتخاذ القرار السريري لتوصيل الإرشادات.