Система цифрового пациента на основе большой языковой модели улучшает навыки сбора анамнеза в офтальмологии
A large language model digital patient system enhances ophthalmology history taking skills
2025-08-04
SCID: 54.1/qrwmv9sy
Discuss with AI
цифровой пациентбольшая языковая модельсбор медицинского анамнезаофтальмологическое образованиесистема с дополненной поиском генерацией
Figures from the paper
Abstract (AI)
Клинические стажёры имеют ограниченные возможности для отработки навыков сбора анамнеза из-за недостаточного разнообразия клинических случаев и ограниченного доступа к реальным пациентам. Для решения этой проблемы мы разработали систему цифрового пациента на основе большой языковой модели (LLMDP), которая преобразует обезличенные электронные медицинские карты в виртуальных пациентов с голосовым взаимодействием, способных поддерживать диалог в свободной текстовой форме и предоставлять адаптивную обратную связь, используя ранее созданную нами открытую платформу с дополненной поиском генерацией. В одноцентровом рандомизированном контролируемом исследовании (ClinicalTrials.gov: NCT06229379; N = 84) у студентов, обучавшихся с помощью LLMDP, прирост оценок навыков сбора анамнеза составил 10,50 балла (95% ДИ: 4,66–16,33; p < 0,001) по сравнению со студентами, использовавшими традиционные методы. Студенты, обучавшиеся с помощью LLMDP, также продемонстрировали более высокий уровень эмпатии. Участники сообщили о высокой удовлетворённости LLMDP, подчеркнув его роль в снижении затрат на обучение и повышении уверенности при взаимодействии с реальными пациентами. Эти результаты свидетельствуют о том, что цифровые пациенты на основе больших языковых моделей улучшают навыки сбора анамнеза и обеспечивают масштабируемый и безопасный путь интеграции генеративного искусственного интеллекта в офтальмологическое образование.
Key Findings
1
Голосовая система цифрового пациента на основе большой языковой модели преобразует обезличенные электронные медицинские записи в виртуальные адаптивные сценарии сбора анамнеза.
2
В одноцентровом рандомизированном контролируемом исследовании с участием 84 студентов обучение с LLMDP повысило баллы оценки сбора анамнеза на 10,50 пункта по сравнению с традиционными методами (95% ДИ: 4,66–16,33; p < 0,001).
3
Участники высоко оценили систему, отметив снижение стоимости обучения и повышение уверенности во взаимодействии с реальными пациентами.
4
Студенты, обучавшиеся с LLMDP, продемонстрировали более высокий уровень эмпатии по сравнению с участниками традиционного обучения.
5
Система представляет собой масштабируемый и низкорисковый подход к интеграции генеративного ИИ в офтальмологическое образование.
Research Object
система цифрового пациента на основе LLM для обучения сбору анамнеза в офтальмологии
Research Subject
эффективность системы в повышении навыков сбора анамнеза, эмпатии, уверенности и удовлетворённости обучением у клинических стажёров
Publication Details
Publication Date
2025-08-04
Journal
Publisher
ISSN
Cited by
39
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Большие языковые модели кодируют клинические знания2023
Как ChatGPT показывает себя на экзамене для получения медицинской лицензии в США (USMLE)? Последствия использования крупных языковых моделей для медицинского образования и оценки знаний2023
Преимущества, ограничения и риски GPT-4 как чатбота на основе ИИ для медицины2023
Цифровые двойники для здравоохранения: обзор исследований по заданному вопросу2024
Диагностические подсказки, основанные на рассуждениях, выявляют потенциал интерпретируемости больших языковых моделей в медицине2024