Wpływ modelu dużego języka na umiejętności zadawania pytań klinicznych

Obecnie główną formą nauczania umiejętności zadawania pytań klinicznych jest umożliwienie studentom uczestniczącym w praktykach zawodowych poznania charakterystyki i punktów diagnostycznych przypadków, a następnie przećwiczenie zadawania pytań prawdziwym pacjentom na oddziałach. Jednakże ze względu na dużą liczbę studentów stażystów, w obecnym trybie nauczania trudno jest sprostać wymaganiom dydaktycznym w zakresie liczby przypadków dostępnych do przesłuchania oraz bogactwa typów chorób. Dlatego konieczne jest wykorzystanie nowych inteligentnych technologii i stworzenie nowego modelu nauczania umiejętności zadawania pytań, aby poprawić efektywność nauczania i wzmocnić myślenie kliniczne uczniów.

Modelowanie języka na dużą skalę (LLM) to technologia głębokiego uczenia się, która może uczyć się wiedzy z dużej ilości tekstu, a chatboty AI, takie jak ChatGPT, są typowym przykładem jej zastosowania. Chatboty AI charakteryzują się antropomorficznym zrozumieniem i zróżnicowanymi zdolnościami generowania języka naturalnego w różnych kontekstach i były początkowo stosowane w medycynie, np. przy zdaniu egzaminu licencyjnego w USA, pomaganiu w dokumentacji historii okulistycznej i odpowiadaniu na pytania okulistyczne. Stwierdzono jednak, że chociaż LLM ma dobre wyniki w zakresie modelowania w ogólnej wiedzy medycznej, nadal wymaga poprawy w obszarze chorób specjalistycznych. Na tej podstawie zespół badacza na wczesnym etapie wykorzystał podręcznik okulistyki, konsensus wytycznych klinicznych, dane z rozmów internetowych i bazę wiedzy Centrum Okulistyki Zhongshan, w połączeniu z uczeniem się wzmacniającym sztucznym sprzężeniem zwrotnym i innymi technikami w celu dostrojenia i szkolenia LLM i opracował „Cyfrowy pacjent bliźniaczy”, zlokalizowany wielkojęzykowy model umożliwiający udzielenie odpowiedzi na pytania medyczne związane z okulistyką, a także skonstruował połączenie automatycznej oceny modelu i ręcznej oceny dokonywanej przez ekspertów medycznych. W tym samym czasie zbudowano system oceny łączący automatyczną ocenę modelu i ocenę manualną przez ekspertów medycznych.

Projekt ten ma na celu włączenie „Cyfrowego pacjenta bliźniaka” do studiów licencjackich w zakresie okulistyki, symulację procesu konsultacji prawdziwych pacjentów poprzez interakcję online między studentami a „Cyfrowym pacjentem bliźniakiem”, zbadanie wpływu nauczania konsultacji „Cyfrowego pacjenta bliźniaka”, udostępnienie nowych technologii narzędzia pomagające studentom medycyny aktywnie uczyć się różnych przypadków okulistycznych, kultywować myślenie kliniczne i zapewniać możliwość stworzenia nowego sposobu inteligentnego nauczania.