Development and Validation of a Localized Large Language Model for Preoperative Anesthesia Planning: Protocol for a Retrospective Observational Study and Clinical Turing Test
本文概述了一项开发并验证本地化大语言模型的方案，该模型基于 Istishari 医院的 3,000 份历史麻醉记录进行微调，旨在生成术前麻醉计划，并通过一项回顾性“临床图灵测试”根据人类专家标准对其安全性与准确性进行评估。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在患者进入手术室之前，麻醉师必须执行一项复杂的脑力任务：他们需要将患者的病史、当前的生命体征以及即将进行的特定手术需求结合起来，将这些事实编织成一个单一且安全的方案，以确保患者处于睡眠状态且无痛。这个过程需要快速的思维和深厚的知识，但也容易出现人为错误，尤其是在医生疲劳或不同医生对同一信息的理解略有差异时。近年来，计算机已开始辅助医疗任务，主要通过预测血压下降或自动管理药物泵等方式。然而，一种被称为“大语言模型”的新型计算机程序已经出现，并具备了一种不同的能力。这些程序可以阅读海量文本，并撰写出听起来像人类专家一样的全新文本。虽然这些工具已用于学习和测试，但尚未有人证明它们能够安全地为特定医院编写一份真实的、定制化的医疗方案，且同时遵循该医院自身的规则和习惯而不犯危险错误。
约旦安曼 Istishari 医院的一位研究人员着手测试这一想法。他们想看看是否可以通过向计算机输入该医院数千个真实的过往病例，来教它像资深麻醉师一样思考。他们的目标是创造一个“数字专科医生”（digital fellow），即一个专门的计算机程序，能够像人类一样起草一份完整的麻er麻醉计划。为此，他们收集了 3,000 份关于接受过手术的患者的历史记录。这些记录并非电子文件，而是包含患者身高、体重、心脏病史、肺部状况以及人类团队在手术过程中使用的确切药物和气道工具的纸质文档。一支由初级医生和实习生组成的团队手动阅读了每一份纸质记录，并将信息复制到一个安全的数字数据库中。他们非常谨慎地删除了所有姓名和身份识别细节，仅保留了医疗事实和最终的处理方案。
一旦准备好这组庞大的数据，研究人员便利用它来训练一个强大的计算机模型。他们指示该模型学习该特定医院处理麻醉的模式。计算机被告知要扮演该医院的一名高级顾问，并根据其学习到的数据为任何患者编写一份新计划。该计划必须涵盖四个主要领域：术前准备、如何诱导睡眠及管理呼吸、术中如何保持稳定，以及术后如何苏醒及管理疼痛。研究人员并没有让计算机进行猜测；他们将该系统建立在所在机构人类医生实际做出的成功决策之上，希望这能防止计算机捏造事实或建议在该医院不存在的治疗方法。
为了检验计算机的工作质量如何，研究人员组织了一场盲测，类似于一种挑战赛——即一个人试图猜出两个作者中谁是人类、谁是机器。他们选取了一组患者病例并展示给一群资深麻醉师。对于每个病例，专家们都会看到两份不同的计划：一份是多年前由人类医生编写的原始计划，另一份是计算机编写的新计划。专家们并不知道哪份是哪份。他们被要求根据安全性（检查是否存在任何危险错误）和完整性（确保包含所有必要步骤）来评判这些计划。最后，他们必须猜出哪份计划是由计算机编写的。
这项研究目前处于“方案阶段”（protocol），这意味着它是一份关于研究将如何进行的详细计划，而非最终结果报告。研究人员提出，如果他们的计算机模型经过这 3,000 例真实本地病例的训练，它将能产生与人类专家编写的计划一样安全且准确的计划。他们认为，这种方法将降低计算机制造虚假信息（即“幻觉”问题）的风险，因为该计算机是以他们医院的实际操作为基础的。如果测试显示专家无法区分人类计划与计算机计划，则表明这项技术未来可以帮助医生处理编写常规计划的繁重脑力工作，从而让医生能够更多地关注患者，而非文书工作。该项目还旨在将阅读数千份旧纸质记录这一艰巨任务，转化为初级医生的学习体验，让他们在构建数据库的同时，学习其导师的决策过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。