机构名称：
¥ 1.0
随着卫生保健行业越来越包含大型语言模型（LLM），了解这种整合的后果对于最大程度地提高利益而在减轻潜在陷阱的同时至关重要。本文探讨了临床医生对LLM的信任之间不断发展的关系，数据源从以人工智能为主要的人工智能（AI）生成的内容的过渡，以及随后对LLMS和临床医生能力的影响。本文确定的主要关注点之一是LLMS自称学习循环，其中AI生成的内容源于学习算法，威胁到数据库的多样性，潜在地构成了偏见，并降低了LLM的功效。在此阶段的理论上，此反馈循环构成了重大挑战，因为LLM在医疗保健中的整合加深了，强调了对积极主动的对话和战略措施的需求，以确保安全有效地使用LLM技术。我们调查的另一个关键要点是用户专业知识的作用以及对信任和验证LLM输出的辨别方法的必要性。本文强调了专家使用者，特别是临床医生，如何通过卸载常规任务来利用LLMS提高生产率，同时保持关键的监督，以识别和纠正AI生成的内容中潜在的不准确性。这种信任和怀疑的平衡对于确保LLM的增加而不是破坏患者护理的质量至关重要。我们还讨论了与医疗保健专业人员的服务有关的风险。经常依靠LLMS完成关键任务可能导致医疗保健提供者的诊断和思维技能下降，尤其是影响未来专业人士的培训和发展。还检查了有关LLM在医疗保健中部署的法律和道德考虑。我们讨论了医疗果实的挑战，包括在错误诊断或LLMS产生的治疗建议的情况下责任。本文参考了最新的立法工作，例如《 2023年算法问责法》，作为建立框架的至关重要的步骤，以道德和负责任地使用基于AI的技术在医疗保健中。总而言之，本文提倡将LLMS整合到医疗保健中的战略方法。通过强调维护临床医生专业知识，促进与LLM产出的批判性参与以及导航法律和道德景观的重要性，我们可以确保LLMS是增强患者护理和支持医疗保健专业人员的宝贵工具。这种方法解决了通过整合LLMS所带来的直接挑战，并为将来的可维护和负责任的使用奠定了基础。
大型语言模型和用户信任
主要关键词
相关文件推荐
