Les effets d'un grand modèle de langage sur les compétences de questionnement clinique

À l'heure actuelle, la principale forme d'enseignement des techniques de questionnement clinique consiste à permettre aux étudiants de premier cycle qui participent à l'apprentissage d'apprendre d'abord les caractéristiques et les points de diagnostic des cas, puis de pratiquer le questionnement sur de vrais patients dans les services. Cependant, en raison du grand nombre d'étudiants stagiaires, il est difficile de répondre à la demande d'enseignement en termes de nombre de cas disponibles pour interrogatoire et de richesse des types de maladies dans le cadre du mode d'enseignement actuel. Par conséquent, il est nécessaire d'utiliser de nouvelles technologies intelligentes et de créer un nouveau modèle d'enseignement des compétences de remise en question afin d'améliorer l'efficacité de l'enseignement et d'améliorer la pensée clinique des étudiants.

La modélisation linguistique à grande échelle (LLM) est une technologie d'apprentissage en profondeur qui permet d'acquérir des connaissances à partir d'une grande quantité de texte, et les chatbots IA tels que ChatGPT sont un exemple typique de son application. Les chatbots IA se caractérisent par une compréhension anthropomorphique et des capacités diversifiées de génération de langage naturel dans différents contextes, et ont été initialement appliqués dans le domaine médical, comme la réussite de l'examen de licence médicale des États-Unis, l'aide à la documentation des antécédents ophtalmiques et la réponse à des questions ophtalmiques. Cependant, il a été constaté que même si le LLM présente des performances de modélisation passables dans les connaissances médicales générales, il doit encore être amélioré dans le domaine des maladies spécialisées. Sur cette base, l'équipe de chercheurs a utilisé le manuel d'ophtalmologie, le consensus des lignes directrices cliniques, les données de conversation sur Internet et la base de connaissances du centre d'ophtalmologie de Zhongshan à un stade précoce, combinés à un apprentissage par renforcement par rétroaction artificielle et à d'autres techniques pour affiner et former le LLM. , et a développé « Digital Twin Patient », un grand modèle de langage localisé capable de répondre à des questions médicales liées à l'ophtalmologie, et a également construit une combinaison d'évaluation de modèle automatisée et d'évaluation manuelle par des experts médicaux. Le système d'évaluation combinant l'évaluation automatisée du modèle et l'évaluation manuelle par des experts médicaux a été construit en même temps.

Ce projet vise à intégrer le « Digital Twin Patient » dans l'apprentissage en ophtalmologie de premier cycle, à simuler le processus de consultation de patients réels grâce à l'interaction en ligne entre les étudiants et le « Digital Twin Patient », à explorer l'effet de l'enseignement de la consultation « Digital Twin Patient », à fournir une technologie émergente. des outils pour guider les étudiants en médecine dans l'apprentissage actif d'une variété de cas d'ophtalmologie, cultiver la pensée clinique et offrir la possibilité de créer un nouveau mode d'enseignement intelligent.