اولین همایش بین المللی تحول خدمات سلامت: تلفیق مراقبت، درمان، بازتوانی و امیدبخشی

رفتن به صفحه اصلی

ارائه مجازی مقاله

کد مقاله 1276

عنوان یک چارچوب RAG تبیینپذیر مبتنی بر هوش مصنوعی مولد برای پشتیبانی از تصمیمگیری بالینی

نویسندگان مریم نورائی آباده - شهره آجودانیان

چکیده مقدمه پیشرفتهای اخیر در هوش مصنوعی مولد، سیستمهای پشتیبان تصمیمگیری بالینی را متحول کرده است (1)؛ تحولی که از منظر پویایی دانش در گذارهای اجتماعی-فناورانه قابل توجه است (2). با این حال، بروز پدیده توهم (اطلاعات نادرست)، شفافیت محدود و عدم امکان ردیابی شواهد در این سیستمهای مبهمِ جعبه سیاه، اعتماد پزشکان را کاهش داده و ایمنی بیماران را به خطر میاندازد (3). روشها این پژوهش یک چارچوب بازیابی توصیفپذیر (XRAG) را برای تصمیمگیری بالینی پیشنهاد میکند. این معماری با قابلیت تطبیقپذیری (4) شامل چهار لایه متصلبههم است که یک حلقه بسته را تشکیل میدهند: بازیابی دانش پزشکی، استدلال مدل زبانی بزرگ، تولید توصیفپذیری و بازخورد پزشک. این رویکرد، توصیهها را مستند به شواهد پزشکی معتبر میسازد و مسیرهای استدلال شفاف و قابل تفسیری را برای انسان فراهم میکند (5). یافتهها ارزیابی مبتنی بر طراحی با استفاده از سناریوهای بالینی نمونه و منابع دانش سلامت عمومی، کارایی این چارچوب را نشان میدهد. چارچوب XRAG با فراهم کردن امکان دنبال کردن، ارزیابی و به چالش کشیدن پیشنهادات هوش مصنوعی برای پزشکان، با موفقیت توهم را کاهش، تفسیرپذیری را بهبود و اعتماد پزشکان را افزایش میدهد. نتیجهگیری چارچوب XRAG با جایگزین کردن خروجیهای جعبه سیاه با مسیرهای مستند به شواهد و قابل پیگیری، الگویی قابل اعتماد برای فرآیندهای بالینی ارائه میدهد. حلقه بازخورد پزشک در این سیستم، بهبود مستمر، کاهش خطرات ایمنی و هموار شدن مسیر برای پذیرش مقرراتی را تضمین میکند.

محتوای ارائه مجازی مقاله

نظرات