Transforming Tuberculosis Care: Optimizing Large Language Models For Enhanced Clinician-Patient Communication
作者: Daniil Filienko, Mahek Nizar, Javier Roberti, Denise Galdamez, Haroon Jakher, Sarah Iribarren, Weichao Yuwen, Martine De Cock
发布时间: 2025-03-03
来源: arxiv
研究方向: 健康领域人工智能应用，特别是针对结核病的治疗和患者支持
主要内容
该研究旨在开发一个基于大型语言模型（LLM）的结核病治疗支持工具，通过整合多种上下文学习技术，提高患者参与度和治疗效果。该工具旨在帮助医疗工作者更有效地与患者沟通，并提供个性化的治疗建议和情感支持。
主要贡献
1. 开发了一个基于LLM的结核病治疗支持工具，该工具能够理解患者的需求并提供个性化的治疗建议。
2. 提出了一种多语言LLM，用于提供文化上相关且具有同理心的医疗信息。
3. 引入了隐私保护机制，以减少LLM在医疗应用中的数据泄露风险。
4. 评估了模型在语言适宜性、同理心、医疗准确性和隐私方面的表现。
研究方法
1. 使用GPT模型开发对话模型，以支持西班牙语使用者的结核病治疗。
2. 结合上下文学习技术，如零样本、少量样本和检索增强生成（RAG），以提高模型的性能。
3. 采用多代理序列，将查询分类为寻求同理心或信息密集型，并分配给相应的代理。
4. 使用差异隐私（DP）技术进行文本净化，以保护患者隐私。
5. 进行定性评估，包括语言适宜性、同理心、医疗准确性和隐私。
实验结果
模型在语言适宜性、同理心和医疗准确性方面表现良好，但在保持上下文连续性和避免过度使用通用回答方面存在挑战。在隐私方面，DP技术有助于保护患者隐私，但可能影响模型的性能。
未来工作
改进LLM在结核病治疗支持中的应用，包括解决模型中嵌入的不精确医疗知识和文化偏见问题。探索更精确的工具，能够检测并修正不准确的信息泄露。