利用大型语言模型优化肝病临床指南解读：一种基于检索增强生成的框架

摘要 大型语言模型（LLMs）有潜力改变医疗保健，特别是在医院工作流程中向正确的医疗提供者在正确的时间提供正确的信息。本研究探讨了将LLMs整合到医疗保健中的应用，特别关注通过准确解读慢性丙型肝炎病毒感染管理的医疗指南来改进临床决策支持系统（CDSSs）。利用OpenAI的GPT-4 Turbo模型，我们开发了一个定制的LLM框架，结合了检索增强生成（RAG）和提示工程。我们的框架涉及将指南转换为最适合LLMs高效处理的最佳结构化格式，以提供最准确的输出。我们进行了消融研究，评估不同格式和学习策略对LLM答案生成准确性的影响。将基线GPT-4 Turbo模型的表现与五种复杂度递增的实验设置进行了对比：包括上下文内指南的引入、指南重格式化及少量示例学习的实施。我们的主要结果是基于专家评审的准确性定性评估，次要结果包括使用文本相似度评分的LLM生成回答与专家提供答案的相似度定量测量。结果显示，当指南作为上下文以连贯文本汇编形式提供且非文本资源被转换为文本时，准确性显著提高，从43%提升至99%（p < 0.001）。此外，少量示例学习似乎未提升整体准确性。该研究强调，结构化指南重格式化和高级提示工程（数据质量优于数据数量）能够增强LLMs整合进CDSSs中指南传递的效力。