面向治疗干预的医生导向大型语言模型软件生成——物理康复
人机交互
2025-12-09 v2 人工智能
摘要
数字健康干预越来越多地通过配备传感器的设备（如智能手机）提供居家锻炼计划，实现对依从性和表现的远程监控。然而，当前软件通常在临床 encounter 之前编写为面向广泛障碍类别的模块库，在临床 encounter 时，医生只能从这些模块中选择，并调整少量参数（例如持续时间或次数）。因此，往往无法反映个体的局限性、目标和环境约束，限制了个性化和获益。我们提出了一种范式，其中大型语言模型（LLM）充当受约束的翻译器，将医生的锻炼处方转换为干预软件。医生仍是决策者：他们在 encounter 时针对每个患者的障碍、目标和环境设计锻炼，LLM 生成匹配的软件。我们对 20 名获执业资格的物理和职业治疗师进行了 prospective、单臂可行性研究，他们为标准化患者创建了 40 个个体化上肢程序；100% 的处方被转换为可执行软件，而在代表性基于模板的数字健康干预中仅为 55%（p < 0.01）。LLM 生成的软件正确执行了 99.7% 的指令，并以 88.4% 的准确率（95% 置信区间 0.843-0.915）监控表现。总体而言，90% 的治疗师认为该系统适合患者互动，75% 表示愿意在实践中采用。就目前在医疗保健领域进行医生导向干预软件生成的前瞻性评估而言，这是首次研究，展示了可行性并激发了在真实患者人群中进行更大规模试验的动力。
引用
@article{arxiv.2511.18274,
title = {Clinician-Directed Large Language Model Software Generation for Therapeutic Interventions in Physical Rehabilitation},
author = {Edward Kim and Yuri Cho and Jose Eduardo E. Lima and Julie Muccini and Jenelle Jindal and Alison Scheid and Erik Nelson and Seong Hyun Park and Yuchen Zeng and Alton Sturgis and Caesar Li and Jackie Dai and Sun Min Kim and Yash Prakash and Liwen Sun and Isabella Hu and Hongxuan Wu and Daniel He and Wiktor Rajca and Cathra Halabi and Maarten Lansberg and Bjoern Hartmann and Sanjit A. Seshia},
journal= {arXiv preprint arXiv:2511.18274},
year = {2025}
}