LLMを使用して医師-患者の対話を即時に転写し、要約することで、医療提供の効率性を向上させ、より質の高いケアを提供することができる。
LLMと医薬品データの統合により、従来のCDSSの限界を克服し、薬物アレルギー管理の正確性と効率性を向上させる。
医療現場でのLLMの活用を促進するために、Ask Avoは一般的なLLMであるChatGPT-4と比較して、医師の信頼性、実行可能性、関連性、包括性、ユーザーフレンドリーさの全ての指標で優れた成績を収めた。
生成型人工知能技術は、システマティックレビューの自動化、リアルワールドエビデンスの生成、および健康経済モデリングの効率化など、ヘルスケア技術評価の様々な側面で活用できる可能性がある。しかし、科学的妥当性や信頼性、バイアス、公平性、規制および倫理的課題など、慎重に検討すべき課題も存在する。
SmartStateは、研究参加者との複雑な対話を自動化し、プロトコルの遵守を確保するための革新的なシステムである。
高度な言語モデルを用いて、プライバシーを保護しつつ医療データの有用性を維持する合成医療ノートの生成手法を提案する。
医療記録作成におけるAIスクライブの登場は、医師の業務負担を軽減し、患者との対面時間を増やすことができるが、思考プロセスの喪失という課題も存在する。
医療オントロジーに追加する概念の質を評価するための新しい指標を提案する。この指標は、簡潔さ、出現頻度、ドイツ語への翻訳可能性、医学辞書への収録、文法構造などの要因を組み合わせて算出される。
EHRデータの0/1の疎なバイナリデータを確率的に表現することで、薬物推奨タスクの性能を向上させる。
医療分野におけるAIシステムの公平性は重要な課題であり、人々の公平性に対する理解は複雑で不足している。