طراحی دستیار هوشمند بالینی برای استخراج اطلاعات دارویی و پروتکل های درمانی با استفاده از معماری تولید افزوده بازیابی ( )

رشد روزافزون داده های پزشکی و پیچیدگی پروتکل های درمانی، دسترسی سریع و دقیق به اطلاعات دارویی را به چالشی اساسی برای کادر درمان تبدیل کرده است. اگرچه مدل های زبانی بزرگ پتانسیل بالایی در پردازش اطلاعات دارند، اما پدیده «توهم مصنوعی» کاربرد آن ها را در حوزه های حساس بالینی با محدودیت و ریسک جدی مواجه می سازد. هدف از این پژوهش، طراحی و ارزیابی یک دستیار هوشمند بالینی برای استخراج دقیق اطلاعات دارویی و پروتکل های درمانی با بهره گیری از معماری تولید افزوده بازیابی (RAG) است تا ضمن غلبه بر مشکل توهم، دقت و اتکاپذیری سیستم ارتقا یابد. اساس کار در این تحقیق کاربردی، ترکیب توانمندی های پردازشی مدل های زبانی با پایگاه های داده معتبر پزشکی نظیر UpToDate و PubMed است. برای این منظور، یک پیکره متنی شامل بیش از ۱۰,۰۰۰ سند پزشکی پردازش و در یک پایگاه داده برداری ذخیره شد. سپس، عملکرد سیستم پیشنهادی بر روی ۵۰۰ سناریوی بالینی استاندارد مورد ارزیابی قرار گرفت و خروجی معماری RAG با یک مدل زبانی پایه (بدون بازیابی) مقایسه شد. نتایج این مطالعه نشان دهنده موفقیت چشمگیر معماری RAG در بهبود شاخص های عملکردی است. یافته ها حاکی از آن است که سیستم مبتنی بر RAG در مقایسه با مدل استاندارد، دقت کلی و شاخص هایی نظیر F۱-Score را به طور قابل توجهی افزایش داده و به طور همزمان، نرخ توهم و انحراف از پروتکل ها را به حداقل رسانده است. این میزان از موفقیت نشان می دهد که ادغام مدل های زبانی با پایگاه های دانش خارجی معتبر، قابلیت اطمینان سیستم را در پاسخ دهی به سوالات پیچیده پزشکی تضمین می کند. این دستاورد می تواند به عنوان یک سیستم یکپارچه پشتیبان تصمیم گیری بالینی، نقش بسزایی در کاهش خطاهای دارویی و ارتقای سطح مراقبت های بهداشتی ایفا نماید.

کلیدواژه ها:

دستیار هوشمند بالینی ، اطلاعات دارویی ، معماری تولید افزوده بازیابی (RAG) ، مدل های زبانی بزرگ ، توهم مصنوعی