Can Language Models Reason About ICD Codes to Guide the Generation of Clinical Notes?

Dieses Kapitel untersucht das transformative Potenzial großer Sprachmodelle (Large Language Modells, LLMs) in der Dokumentation des Gesundheitswesens und konzentriert sich insbesondere auf die Erstellung klinischer Notizen unter Verwendung von ICD-Codes und Patienteninformationen. Die Studie bewertet die Leistung von GPT-4 bei der Erstellung von Patientengeschichten auf der Grundlage von Diagnosecodes und relevanten Daten unter Verwendung von Chain-of-Thought (CoT) -Prompting und semantischen Suchtechniken. Schlüsselergebnisse unterstreichen die Wirksamkeit von CoT-Prompting bei der Verbesserung der Genauigkeit und Relevanz generierter klinischer Notizen im Vergleich zu herkömmlichen Zero-Shot-Prompting-Methoden. Die Forschungen widmen sich auch dem drängenden Problem des Burnouts von Ärzten, indem sie es auf ineffiziente elektronische Krankenaktensysteme zurückführen und KI-gestützte Lösungen zur Verringerung des Dokumentationsaufwands vorschlagen. Darüber hinaus untersucht die Studie den Einsatz der Retrieval-Augmented Generation (RAG), um die Zuverlässigkeit der klinischen Notenerzeugung zu verbessern. Die Ergebnisse deuten darauf hin, dass LLMs, wenn sie von geeigneten Aufforderungstechniken geleitet werden, die Qualität und Effizienz der klinischen Dokumentation deutlich verbessern können, was einen vielversprechenden Weg zur Eindämmung des Burnouts von Ärzten und zur Verbesserung der Qualität des Gesundheitswesens bietet.