Impact of Large Language Model Assistance on Patients Reading Clinical Notes: A Mixed-Methods Study
作者: Niklas Mannhardt, Elizabeth Bondi-Kelly, Barbara Lam, Hussein Mozannar, Chloe O'Connell, Mercy Asiedu, Alejandro Buendia, Tatiana Urman, Irbaz B. Riaz, Catherine E. Ricciardi, Monica Agrawal, Marzyeh Ghassemi, David Sontag
分类: cs.HC, cs.AI, cs.CL
发布日期: 2024-01-17 (更新: 2024-10-14)
💡 一句话要点
提出基于大语言模型的工具以提升患者对临床笔记的理解
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 临床笔记 患者理解 信息简化 医疗决策 定性分析 增强工具
📋 核心要点
- 核心问题：现有的临床笔记常因复杂术语使患者难以理解，影响其后续医疗决策。
- 方法要点：开发了一种基于大语言模型的工具，旨在简化临床笔记并提供必要的上下文信息。
- 实验或效果：增强后的笔记显著提高了患者的理解分数，定性访谈显示患者对工具的积极反馈。
📝 摘要（中文）
大语言模型（LLMs）在信息可获取性方面具有巨大潜力，尤其是在医学领域，复杂的医学术语常常妨碍患者理解临床笔记。本文开发了一种面向患者的工具，利用LLMs简化、提取信息并为临床笔记添加上下文。我们在接受过乳腺癌治疗的患者捐赠的临床笔记和临床医生生成的合成笔记上进行了试点。参与者（N=200，健康女性患者）随机分配到三种不同增强级别的临床笔记中，并回答了评估其对后续行动理解的定量和定性问题。增强显著提高了他们的定量理解分数。通过对7名乳腺癌患者的深入访谈，揭示了对增强的积极情感和对AI的担忧。我们还进行了定性分析，探讨模型的错误模式。
🔬 方法详解
问题定义：本文旨在解决患者在理解临床笔记时面临的挑战，尤其是复杂的医学术语和信息的可读性不足。现有方法往往未能有效帮助患者理解关键信息，导致医疗决策的困难。
核心思路：论文提出了一种基于大语言模型的工具，通过简化语言、提取关键信息和增加上下文，提升患者对临床笔记的理解能力。这样的设计旨在使复杂的医学信息变得更加易于理解，从而帮助患者更好地参与自己的医疗决策。
技术框架：整体架构包括三个主要模块：信息简化模块、信息提取模块和上下文增强模块。信息简化模块负责将复杂术语转化为易懂的语言，信息提取模块从笔记中提取关键信息，而上下文增强模块则为患者提供必要的背景信息。
关键创新：本研究的关键创新在于将大语言模型应用于临床笔记的处理，显著提升了信息的可读性和患者的理解能力。这一方法与传统的医疗信息传递方式相比，具有更高的灵活性和适应性。
关键设计：在模型设计中，采用了特定的参数设置以优化信息简化效果，同时使用了定制的损失函数来平衡信息保留与简化之间的关系。网络结构方面，结合了预训练的语言模型和针对临床文本的微调策略，以提高模型在特定领域的表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，经过增强处理的临床笔记显著提高了患者的理解分数，定量理解分数的提升幅度达到了统计学显著性。此外，定性访谈反馈表明，患者对工具的使用体验普遍积极，尽管对AI的使用仍有一定的顾虑。
🎯 应用场景
该研究的潜在应用领域包括医疗信息系统、患者教育工具和健康管理平台。通过提升患者对临床笔记的理解，能够有效促进患者参与医疗决策，改善医疗结果，未来可能对医疗服务的可及性和质量产生深远影响。
📄 摘要（原文）
Large language models (LLMs) have immense potential to make information more accessible, particularly in medicine, where complex medical jargon can hinder patient comprehension of clinical notes. We developed a patient-facing tool using LLMs to make clinical notes more readable by simplifying, extracting information from, and adding context to the notes. We piloted the tool with clinical notes donated by patients with a history of breast cancer and synthetic notes from a clinician. Participants (N=200, healthy, female-identifying patients) were randomly assigned three clinical notes in our tool with varying levels of augmentations and answered quantitative and qualitative questions evaluating their understanding of follow-up actions. Augmentations significantly increased their quantitative understanding scores. In-depth interviews were conducted with participants (N=7, patients with a history of breast cancer), revealing both positive sentiments about the augmentations and concerns about AI. We also performed a qualitative clinician-driven analysis of the model's error modes.