ترجمه فارسی مقاله ارزیابی گردش کار مدل زبان بزرگ در پشتیبانی تصمیم گیری بالینی: ارجاع، تریاژ و تشخیص

چکیده

Accurate medical decision-making is critical for both patients and clinicians. Patients often struggle to interpret their symptoms, determine their severity, and select the right specialist. Simultaneously, clinicians face challenges in integrating complex patient data to make timely, accurate diagnoses. Recent advances in large language models (LLMs) offer the potential to bridge this gap by supporting decision-making for both patients and healthcare providers. In this study, we benchmark multiple LLM versions and an LLM-based workflow incorporating retrieval-augmented generation (RAG) on a curated dataset of 2,000 medical cases derived from the Medical Information Mart for Intensive Care database. Our findings show that these LLMs are capable of providing personalized insights into likely diagnoses, suggesting appropriate specialists, and assessing urgent care needs. These models may also support clinicians in refining diagnoses and decision-making, offering a promising approach to improving patient outcomes and streamlining healthcare delivery.

چکیده به فارسی (ترجمه ماشینی)

تصمیم گیری دقیق پزشکی برای بیماران و پزشکان بسیار مهم است.بیماران غالباً برای تفسیر علائم خود ، تعیین شدت آنها و انتخاب متخصص مناسب تلاش می کنند.به طور همزمان ، پزشکان در ادغام داده های پیچیده بیمار برای ایجاد تشخیص به موقع و دقیق با چالش هایی روبرو هستند.پیشرفت های اخیر در مدل های بزرگ زبان (LLMS) با حمایت از تصمیم گیری برای بیماران و ارائه دهندگان مراقبت های بهداشتی ، این امکان را برای ایجاد این شکاف فراهم می کند.در این مطالعه ، ما چندین نسخه LLM و یک گردش کار مبتنی بر LLM را شامل می شود که شامل نسل بازیابی-آگوست (RAG) در یک مجموعه داده شده از 2،000 مورد پزشکی است که از اطلاعات پزشکی مارت برای پایگاه داده مراقبت های ویژه گرفته شده است.یافته های ما نشان می دهد که این LLM ها قادر به ارائه بینش شخصی در تشخیص احتمالی ، ارائه متخصصان مناسب و ارزیابی نیازهای فوری هستند.این مدل ها همچنین ممکن است از پزشکان در تصفیه تشخیص ها و تصمیم گیری ها پشتیبانی کنند و یک رویکرد امیدوار کننده برای بهبود نتایج بیمار و ساده سازی تحویل مراقبت های بهداشتی ارائه دهند.