生成医学准确的患者-医生对话摘要：一种基于大语言模型的多阶段方法
计算与语言
2023-05-11 v1 人工智能
机器学习
摘要
医生对患者就诊的摘要具有若干关键作用，包括临床决策、促进医生间交接以及作为患者参考。尽管患者生成语言复杂，有效的摘要须连贯并准确捕捉对话中所有医学相关信息。就诊摘要中即便微小的不准确（例如，在存在发热时摘要为“患者无发热”）也会对患者照护结果有害。本文通过将任务离散为若干依次构建的较小对话理解任务来解决医疗对话摘要问题。首先，我们识别对话中的医学实体及其肯定情况作为构建模块。我们研究通过以相关患者信息为条件动态构建任务的少样本提示，并使用 GPT-3 作为实验主干。我们还开发了基于 GPT 的摘要指标，以定量衡量相对于参考摘要的性能。我们的人工评估研究及医学正确性指标均表明，使用该方法生成的摘要在临床上准确，并优于以零样本单提示设置摘要对话的基线方法。
引用
@article{arxiv.2305.05982,
title = {Generating medically-accurate summaries of patient-provider dialogue: A multi-stage approach using large language models},
author = {Varun Nair and Elliot Schumacher and Anitha Kannan},
journal= {arXiv preprint arXiv:2305.05982},
year = {2023}
}