Улучшение онкологической визуализации с помощью больших языковых моделей

Точные клинические истории необходимы для онкологической визуализации, предоставляя рентгенологам необходимый контекст для эффективной интерпретации сканов. Детали, включенные в заявки на визуализацию, влияют на сортировку исследования, выбор протокола и точность диагностики. Однако, несмотря на свою важность, в заявках часто отсутствует ключевая информация, такая как первичный онкологический диагноз, предшествующее лечение и острые симптомы. Неполные истории могут привести к неоптимальным протоколам визуализации, пропущенным результатам и повышенной диагностической неопределенности. В то же время электронные медицинские карты (EHR) содержат исчерпывающие клинические заметки, но эти документы часто слишком длинные или плохо структурированы для того, чтобы рентгенологи могли их эффективно просматривать. Разрыв между обилием доступных данных и ограниченной информацией, включенной в заявки, представляет собой значительную проблему в онкологической помощи. Большие языковые модели (LLM) предлагают многообещающее решение, извлекая и структурируя клинические истории из EHR, делая наиболее важные детали доступными для рентгенологов. Недавние исследования, оценивающие производительность GPT-4 при создании историй онкологических изображений, продемонстрировали, что резюме, созданные ИИ, значительно более полны, чем те, которые предоставляются назначающими врачами. Истории, созданные LLM, чаще включают важную диагностическую и лечебную информацию, предпочтительны для рентгенологов и могут повысить безопасность пациентов за счет снижения риска неправильной интерпретации.

Роль истории болезни в точности визуализации

Клинические истории болезни предоставляют рентгенологам важную справочную информацию, что позволяет им адаптировать протоколы визуализации и уточнять диагностические оценки. Основные детали включают первичный онкологический диагноз пациента, предшествующее лечение, такое как химиотерапия или лучевая терапия, недавнюю хирургическую историю и любые острые или ухудшающиеся симптомы. Наличие этих деталей может повысить чувствительность обнаружения опухолей, уменьшить количество пропущенных результатов и повысить общую точность визуализации. Без четкой и структурированной истории болезни рентгенологам, возможно, придется полагаться на предположения, что увеличивает риск диагностических ошибок.

Несмотря на свою признанную важность, заявки часто не включают достаточной клинической информации. Эта проблема широко документирована в литературе, и рентгенологи ссылаются на отсутствие подробных историй как на постоянную проблему в своей области. Исследования показали, что неадекватные истории заявок способствуют выбору неоптимального протокола визуализации и могут повлиять на безопасность пациента. И наоборот, когда клиническая информация полна и структурирована, рентгенологи лучше подготовлены к точной интерпретации результатов визуализации.

Одним из основных препятствий для улучшения историй заявок является практическая проблема доступа и обобщения соответствующих деталей из длинных записей EHR. Онкологические пациенты часто имеют обширные медицинские записи, содержащие ценную, но неструктурированную информацию. Просмотр этих записей вручную отнимает много времени и непрактичен для рентгенологов, особенно в условиях большого объема клинических исследований. Разрыв между имеющимися данными и полезной информацией требует более эффективного подхода к клинической документации.

Большие языковые модели как решение

LLM продемонстрировали сильные возможности в извлечении и обобщении информации, что делает их хорошо подходящими для создания структурированных клинических историй из неструктурированных записей EHR. В недавнем исследовании GPT-4 оценивался на предмет его способности извлекать ключевые онкологические детали и создавать краткие, но исчерпывающие истории заявок. Результаты показали, что истории, созданные ИИ, включали основные диагностические и лечебные параметры чаще, чем те, которые были предоставлены врачами.

В частности, истории болезни, созданные LLM, чаще содержали информацию о первичном онкологическом диагнозе, острых симптомах, предыдущих операциях и активном лечении рака. Точность историй болезни, созданных ИИ, была подтверждена с использованием оценок полноты, точности и F1, что продемонстрировало высокий уровень производительности. Важно отметить, что рентгенологи в подавляющем большинстве предпочитали истории болезни, созданные LLM, традиционным заявкам, ссылаясь на их полноту, ясность и потенциал для снижения рисков неправильной интерпретации.

Исследование также оценивало, могут ли истории, созданные с помощью ИИ, улучшить безопасность пациентов. Рентгенологи указали, что исходные заявки, предоставленные врачом, имели значительно более высокий воспринимаемый риск причинения вреда из-за отсутствующей или неполной информации. Напротив, истории, созданные LLM, были оценены как более надежные для руководства интерпретацией изображений и выбора протокола. Эти результаты показывают, что документация с помощью ИИ может улучшить рабочие процессы рентгенологии, гарантируя, что ключевые детали последовательно включаются в истории заявок.

Несмотря на эти многообещающие результаты, существуют проблемы с внедрением историй болезни, созданных LLM, в клиническую практику. Использование ИИ в медицинской документации требует тщательной проверки для обеспечения точности и надежности. Кроме того, интеграция LLM с существующими ИТ-системами здравоохранения потребует технических и нормативных соображений. Хотя истории болезни, созданные ИИ, могут повысить эффективность, контроль со стороны медицинских работников остается необходимым для проверки результатов и минимизации потенциальных ошибок.

Значение для клинической практики

Интеграция LLM в рабочие процессы онкологической визуализации может привести к значительным улучшениям в практике радиологии. Автоматизируя извлечение клинических данных из EHR, LLM предоставляют рентгенологам более структурированные и полные истории, снижая вероятность пропуска информации. Расширенные истории заявок могут улучшить выбор протокола визуализации, повысить точность диагностики и в конечном итоге способствовать лучшим результатам для пациентов.

Одним из ключевых преимуществ историй болезни, созданных с помощью ИИ, является их потенциал для стандартизации практик документирования. Изменчивость историй болезни, предоставленных врачами, может привести к несоответствиям в заявках на визуализацию, тогда как LLM могут гарантировать, что все соответствующие параметры включены последовательно. Стандартизированные клинические истории болезни также могут поддерживать инициативы по улучшению качества за счет сокращения ошибок, связанных с неполной документацией.

Однако клиническая реализация требует дальнейшей оценки в реальных условиях. Необходимы перспективные исследования для оценки влияния историй болезни, созданных ИИ, на принятие клинических решений и результаты для пациентов. Кроме того, перед широким внедрением необходимо рассмотреть вопросы, связанные с рабочими процессами врачей, надзором ИИ и соблюдением нормативных требований. Хотя истории болезни, созданные LLM, предлагают убедительное решение давних проблем в онкологической визуализации, к их интеграции следует подходить с тщательным планированием, чтобы максимизировать преимущества и снизить риски.

LLM представляют собой преобразующую инновацию в онкологической визуализации, решающую давнюю проблему неполных историй заявок. Используя резюме, созданные ИИ, рентгенологи получают доступ к более полной и структурированной клинической информации, что повышает точность диагностики и безопасность пациентов. Результаты исследований показывают, что истории, созданные LLM, значительно более подробны, чем традиционные заявки, предпочтительны для рентгенологов и считаются менее склонными к диагностическим ошибкам.

Несмотря на проблемы, связанные с внедрением и контролем, потенциальные преимущества документации с использованием ИИ существенны. Способность LLM извлекать и обобщать соответствующие детали из клинических записей обеспечивает масштабируемое решение для улучшения коммуникации между направляющими врачами и рентгенологами. Дальнейшие исследования будут иметь важное значение для совершенствования применения ИИ и оценки его влияния в реальных клинических условиях. При успешной интеграции клинические истории болезни, созданные LLM, могут стать стандартным инструментом в онкологической визуализации, повышая эффективность, точность и общее лечение пациентов.

Источник: Radiology