机构名称：
¥ 1.0
不受 FDA 监管的总结 总结临床数据的大型语言模型代表了一个广泛的类别。临床上已经可用的较简单的临床文档工具可以根据音频记录的患者会诊情况创建 LLM 生成的摘要。更复杂的决策支持 LLM 正在开发中，可以总结整个电子健康记录 (EHR) 中的患者信息。例如，LLM 可以总结患者最近的就诊记录和实验室结果，以在预约之前创建最新的临床“快照”。他们可以将许多冗长的放射学报告压缩为一个易于审查的段落。或者 LLM 可以描述患者在过去一年中接触的所有抗生素。当前的 EHR 是为文档和计费而构建的，信息访问效率低下，内容冗长，需要剪切和粘贴。这种糟糕的设计会导致医生倦怠和临床错误。 1 如果实施得当，LLM 生成的摘要将带来显著优势，并最终取代许多点击式 EHR 交互。然而，这也有可能对患者造成伤害，因为执行摘要的 LLM 不太可能受到 FDA 医疗器械监管，并且可能在没有安全和功效保障的情况下进入诊所。事实上，FDA 临床决策支持软件的最终指南——在 ChatGPT 发布前 2 个月发布——为 LLM 如何避免 FDA 监管提供了无意的“路线图”。2 即使是执行复杂摘要任务的 LLM 也不会明确符合设备条件，因为它们提供的是基于语言的一般输出，而不是疾病的特定预测或数字估计。通过仔细实施，我们预计许多总结临床数据的 LLM 可以满足设备豁免标准。2
人工智能在医学中的应用 人工智能生成的临床摘要不仅需要准确性
主要关键词
相关文件推荐
