Large Language Models in Hearing Care
这项对110份报告范围综述表明，尽管大语言模型在特定听力保健任务中展现出潜力，但目前的证据仍缺乏临床获益、前瞻性部署或稳健隐私保护方面的证明，凸显了未来研究迫切需要关注现实世界影响、安全性及比较有效性。
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
全球有超过 15 亿人生活在某种程度的听力损失中，然而并没有足够的专业人员来帮助他们所有人。在诊所、远程医疗服务甚至在家庭中，护理需求与可用专业人员之间的差距正在不断扩大。为了弥补这一差距，科学家和医生正将目光投向一种新型的计算机程序，即大语言模型。这些系统通过海量文本进行训练，能够以模仿人类对话的方式进行阅读、写作和回答问题。它们可以处理复杂的医疗笔记，用简单的术语解释深奥的概念，或者帮助整理患者记录。人们希望这些工具可以起到“力量倍增器”的作用，让一名听力学家能够支持更多的患者，或者帮助人们在无需预约的情况下管理自己的听力健康。然而，仅仅因为一台计算机能写出令人信服的句子，并不意味着它能够安全地引导医疗决策。
来自香港、美国和欧洲大学的一个研究小组着手调查这些计算机程序究竟是如何被应用于听力保健领域，以及它们是否真的在帮助患者。他们不仅仅是询问这项技术是否有效；他们是在寻找其能够改善现实世界结果的证据。研究人员收集并分析了 2022 年至 2026 年间发表的 110 份不同报告。这些报告涵盖了从计算机回答有关听力损失问题的表现，到它们是否能帮助编写医疗笔记或创建康复练习等各个方面。研究小组根据研究人员实际测试的内容对这些研究进行了分类：有些只是检查计算机是否能通过书面考试，有些是在实验室环境中构建小型原型以观察其是否可行，还有一些则试图观察该技术如何融入实际的患者护理中。
研究人员发现，目前的景象充满了潜力，但缺乏现实世界的成功证明。绝大多数研究就像是在没有其他车辆行驶的封闭赛道上进行的驾驶测试。在听力保健领域，这意味着大多数研究都在远离繁忙诊所的复杂现实、受控的环境中，测试计算机回答特定问题或生成文本的能力。例如，一些研究表明，这些程序能够高度准确地回答有关助听器或耳鸣的问题，或者在言语测试评分方面几乎能达到人类专家的水平。其他研究则显示，该技术可以帮助起草医疗报告或整理研究数据。这些都是有用的技能，但仅仅是开始。研究人员指出，虽然这些计算机程序可以通过这些测试，但在他们的综述中，没有任何一项研究实际上测试了使用这些工具是否能带来更好的患者健康结果，例如听力的改善、沟通能力的提升或对护理满意度的提高。
至关重要的是，该综述强调了技术在测试表现与实际应用之间存在显著差距。这 110 份报告中，没有一份描述了听力诊所实际部署这些计算机程序来长期治疗患者的情况，也没有任何研究将使用该技术的结果与传统做法进行对比。涉及人类的研究规模较小且时间较短，通常仅限于几周时间或一小群志愿者。此外，研究人员发现，这些研究很少检查最重要的安全性问题。极少有报告测试计算机程序是否会被诱导泄露私人患者信息，或者是否能够处理在真实医疗记录中经常出现的复杂且不完整的数据。现实世界中存在的隐私保护措施并未在这些研究中得到测试；相反，研究人员大多是在询问人们对技术的安全感“感觉”如何，而不是证明其确实安全。
研究人员还指出，这些计算机程序的构建和使用方式变化非常快。一个在 1 月份经过测试的程序，到 6 月份时可能已经发生了根本性的变化，因为开发者更新了其底层代码、改变了其搜索信息的方式或调整了其安全规则。许多研究并未详细报告他们使用了哪个版本的软件或何时进行的测试，这使得很难确定这些结果在今天是否依然成立。这是一个重大问题，因为在一个特定设置下运行良好的系统，在另一种设置下可能会失败。综述得出结论，虽然这些工具在生成文本或进行简单测试等特定任务方面展现出了前景，但我们尚未获得证据证明它们能提高整体听力护理的质量。作者建议，未来的路径是超越简单的测试，开始设计能够衡量这些工具是否在日常生活中真正帮助患者和医生的研究，同时严格检查安全性、隐私性和公平性。在此之前，这项技术仍然是一个等待在现实世界中得到验证的强大工具。
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。