计算机科学 > 计算与语言
[提交于 2025年5月15日
]
标题: 评估人工智能生成的临床记录的质量:对大型语言模型记录员的验证评估
标题: Assessing the Quality of AI-Generated Clinical Notes: A Validated Evaluation of a Large Language Model Scribe
摘要: 在美国内的医疗实践中,医生已经开始采用生成式人工智能(AI)工具来执行记录员的功能,以减轻记录临床会诊的负担。 尽管这些工具被广泛使用,但目前尚无既定的方法来评估AI记录员的质量。 为了解决这一问题,我们开展了一项盲法研究,根据录音的临床会诊,比较大型语言模型(LLM)生成的临床记录与领域专家的相对表现。 来自 Physician Documentation Quality Instrument(PDQI9)的定量指标提供了一个衡量记录质量的框架,我们对此进行了调整,以评估AI生成记录的相对表现。 涵盖5个医学专业领域的临床专家使用PDQI9工具对专家撰写的黄金记录和LLM撰写的Ambient记录进行评估。 每个专业领域的两名评估者对总共97次患者就诊的记录进行了评分。 我们发现,在普通医学、骨科和妇产科中,评估者之间的总体一致性(RWG大于0.7)很高,在儿科和心脏病学中则为中等(RWG 0.5至0.7)到高一致性。 我们发现整体记录质量存在适度但显著的差异,其中黄金记录得分为5分中的4.25分,Ambient记录得分为5分中的4.20分(p = 0.04)。 我们的研究结果支持将PDQI9仪器作为评估LLM撰写记录质量的实用方法,与人工撰写记录相比。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.