研究表明，人工智能可以帮助评估急诊科患者的敏锐度

大型语言模型可以帮助评估急诊科患者的敏锐度, 发表在JAMA Network Open上的一项研究表明. 

当给出从急诊科文件中提取的患者病史对时, 法学硕士, 一种专注于创造新文本的生成式人工智能, 在89%的情况下，正确地选择了高敏度的病人——与使用医师审查的子集相当.  

这项研究证明了法学硕士在简化急诊科分诊方面的潜力, 特别是因为研究中使用的通用模型并没有针对医学进行微调, 作者写道.  

去年，随着科技巨头推出自己的法学硕士工具，法学硕士受到了媒体的关注, 其中许多都侧重于减少供应商的管理工作. 

许多产品旨在帮助临床医生进行临床笔记和文档记录, 而其他人则可以用来起草对病人问题的回答. 今年早些时候发表的一项研究使用大型语言模型从临床医生的笔记中提取健康数据的社会决定因素, 比如住房或就业状况.  

其他研究表明，法学硕士可以在医疗执照考试中获得及格分数，或者解决一些诊断难题, JAMA的研究指出. 但这项研究主要使用的是模拟场景, 不是取自电子健康记录, 是什么限制了它们在临床实践中的适用性. 

在最新的研究中, 研究人员收集了加州大学十多年来成人急诊室的就诊情况, 旧金山的紧急情况严重程度指数, 哪些病例属于紧急病例, 紧急, 紧急的, 不那么紧急或不紧急的. 

他们抽取了10个样本,000对不同视力水平的患者进行访问，并要求LLM根据临床病史选择哪个患者的病情更严重.  

该模型在其中8940对中正确识别出了正确的患者. 作为第一个模型的前身，比较器LLM的表现略差，准确率为84%.  

当显示条件差异更大的配对时，模型的性能也有所提高. 在选择急症和非急症急性程度的病例时，其准确率高达100%.  

“总的来说, LLM唯一明显的表现弱点是在区分被分配的非紧急和非紧急敏锐度的患者, 哪一种不太可能有显著的临床后果,该研究的作者写道. “除了, 尽管仅向法学硕士提供了患者的临床病史，但仍取得了这一成绩, 省略生命体征和其他身体检查的发现，可能可用的初步评估分流临床医生.”