Современные технологии искусственного интеллекта (ИИ) открывают новые горизонты в области здравоохранения, позволяя более эффективно анализировать клинические данные и выявлять возможности для улучшения качества медицинской помощи. Одним из ярких примеров такого применения является использование больших языковых моделей (LLM) для оценки качества первичной медицинской помощи детям, страдающим синдромом дефицита внимания и гиперактивности (СДВГ).
Недавнее исследование, опубликованное в журнале Pediatrics, продемонстрировало, как модель с открытым исходным кодом LLaMA может анализировать обширные объемы клинических дневников, чтобы оценить, насколько тщательно врачи отслеживают побочные эффекты медикаментов, назначаемых для лечения СДВГ, и соблюдают ли они практические рекомендации. Исследователь Яир Беннетт, доктор медицины и доцент педиатрии в Стэнфорде, отметил, что модель показала высокую эффективность в выявлении дневников, содержащих информацию о запросах на побочные эффекты.
Традиционные методы сбора данных о клинической практике, такие как ручной обзор карт пациентов, требуют значительных временных и трудозатрат, что затрудняет оперативное выявление областей для улучшения. В отличие от этого, LLM предоставляет возможность масштабного анализа данных, что может привести к более быстрому обнаружению проблем и улучшению качества ухода.
В рамках ретроспективного исследования команда Беннетта проанализировала медицинские записи 1201 ребенка в возрасте от 6 до 11 лет, которые получали лечение в 11 педиатрических практиках. Все участники имели диагноз СДВГ и получали как минимум два рецепта на медикаменты. Исследователи оценили 501 клиническую запись, чтобы определить, содержат ли они информацию о мониторинге побочных эффектов. Модель была обучена на 411 заметках, а затем протестирована на оставшихся данных.
Результаты показали, что LLaMA точно классифицировала заметки с запросами о побочных эффектах с чувствительностью 87.2% и специфичностью 86.3%. Это свидетельствует о высокой надежности модели в выявлении важных аспектов клинической практики. Интересно, что документированные запросы о побочных эффектах были значительно реже встречаемы при телефонных консультациях по сравнению с очными встречами или телемедициной.
Беннетт также отметил, что многие врачи первичной медицинской помощи чувствуют себя менее уверенно при управлении не стимуляторной терапией, что может влиять на качество ухода. В комментарии к исследованию эксперты из Университета Пенсильвании подчеркнули, что работа демонстрирует потенциал LLM для повышения качества оценки ухода и предлагает масштабируемое решение для мониторинга соблюдения врачами рекомендаций.
Таким образом, использование искусственного интеллекта в анализе клинических записей открывает новые возможности для улучшения качества медицинской помощи, позволяя врачам более эффективно отслеживать побочные эффекты и обеспечивать более безопасное лечение для детей с СДВГ.
Недавнее исследование, опубликованное в журнале Pediatrics, продемонстрировало, как модель с открытым исходным кодом LLaMA может анализировать обширные объемы клинических дневников, чтобы оценить, насколько тщательно врачи отслеживают побочные эффекты медикаментов, назначаемых для лечения СДВГ, и соблюдают ли они практические рекомендации. Исследователь Яир Беннетт, доктор медицины и доцент педиатрии в Стэнфорде, отметил, что модель показала высокую эффективность в выявлении дневников, содержащих информацию о запросах на побочные эффекты.
Традиционные методы сбора данных о клинической практике, такие как ручной обзор карт пациентов, требуют значительных временных и трудозатрат, что затрудняет оперативное выявление областей для улучшения. В отличие от этого, LLM предоставляет возможность масштабного анализа данных, что может привести к более быстрому обнаружению проблем и улучшению качества ухода.
В рамках ретроспективного исследования команда Беннетта проанализировала медицинские записи 1201 ребенка в возрасте от 6 до 11 лет, которые получали лечение в 11 педиатрических практиках. Все участники имели диагноз СДВГ и получали как минимум два рецепта на медикаменты. Исследователи оценили 501 клиническую запись, чтобы определить, содержат ли они информацию о мониторинге побочных эффектов. Модель была обучена на 411 заметках, а затем протестирована на оставшихся данных.
Результаты показали, что LLaMA точно классифицировала заметки с запросами о побочных эффектах с чувствительностью 87.2% и специфичностью 86.3%. Это свидетельствует о высокой надежности модели в выявлении важных аспектов клинической практики. Интересно, что документированные запросы о побочных эффектах были значительно реже встречаемы при телефонных консультациях по сравнению с очными встречами или телемедициной.
Беннетт также отметил, что многие врачи первичной медицинской помощи чувствуют себя менее уверенно при управлении не стимуляторной терапией, что может влиять на качество ухода. В комментарии к исследованию эксперты из Университета Пенсильвании подчеркнули, что работа демонстрирует потенциал LLM для повышения качества оценки ухода и предлагает масштабируемое решение для мониторинга соблюдения врачами рекомендаций.
Таким образом, использование искусственного интеллекта в анализе клинических записей открывает новые возможности для улучшения качества медицинской помощи, позволяя врачам более эффективно отслеживать побочные эффекты и обеспечивать более безопасное лечение для детей с СДВГ.
