通过大型语言模型（LLM）的主动多药管理，加强老年人护理

最新推荐文章于 2024-09-17 22:14:00 发布

IT猫仔

最新推荐文章于 2024-09-17 22:14:00 发布

阅读量997

点赞数 27

文章标签：语言模型 chatgpt 人工智能

本文链接：https://blog.csdn.net/2301_82275412/article/details/140071403

版权

导读

据世界卫生组织称，到 2050 年，60 岁以上人口将几乎增加一倍。人口老龄化增加了医疗系统的负担，其中老年人群的多药治疗（同时使用5种或5种以上药物）是一个重要挑战。多药治疗可能会增加药物不良作用的风险，因此有效的多药治疗管理至关重要。

近期，有研究指出ChatGPT在辅助医生进行多药治疗管理方面具有潜力。

研究要点

1. 在是/否的二元减药决策中，ChatGPT普遍推荐减药，不考虑患者的日常生活活动状态，但在有心血管疾病史的患者中，ChatGPT的回答会发生变化。

2. ChatGPT的减药建议受到日常生活活动（ADL）状态和心血管疾病史（CVD）的影响，ChatGPT的减药总数在2.67到3.67之间（共7种药物），与CVD状态无关，但随着ADL障碍的严重程度线性增加，内部逻辑与普通医生有一定的一致性。

3. 在药物类型中，ChatGPT更倾向于减少止痛药物的使用。

本期DH智库将解读《使用大型语言模型的主动多药管理：加强老年护理的机会》，评估基于大型语言模型（LLM）的人工智能在多药治疗管理中的潜力。

ChatGPT在多药治疗管理的 应用潜力

选择ChatGPT 3.5（一种公开可用的大型语言模型）输入2021年的一项研究中的标准化多药治疗案例。为每个临床案例维持单一的ChatGPT会话，以便于连续提问，并进行三次技术重复以评估一致性。

1. ChatGPT根据患者的ADL状态和CVD史来推荐是否进行减药

ChatGPT3.5在老年患者的药物减量中显示出潜力，会根据日常生活活动（Activities of Daily Living，ADL）状态、心血管疾病史（Cardiovascular Disease History，CVD）和药物类型的变化而变化，可以作为提高药物使用质量和降低不良药物事件风险的一种方式。

（1）ChatGPT 的决策对 CVD 状态敏感，但对 ADL 状态不敏感

当被问及是否会考虑以是/否二元格式取消药物处方时，ChatGPT 在所有技术重复中一致回应，无论ADL状态如何（表1），对复方药物状态进行减药建议。只有叠加CVD才会改变 ChatGPT的行为。一旦给出了CVD的阳性病史，ChatGPT 就会表现得更加保守（表2）。

（表1 图来自原文）

（表2 图来自原文）

在考虑三个ADL 状态严重程度级别方面，ChatGPT 在三个技术重复中的两个中，对于 ADL 状态较好的两名患者，ChatGPT不改变药物治疗方案。在经历最高程度的 ADL 损伤的患者中，ChatGPT在三个重复中的两个改变了药物治疗方案。

（2）ChatGPT 为有和没有CVD史患者开出相似的处方数

ChatGPT的决策过程显示出与普通医生内部逻辑的一定程度的一致性。在没有CVD史的患者中，ChatGPT倾向于推荐减药，而在有CVD史的患者中则更加保守，这与医生在实际临床实践中的决策趋势相似。

对于低度和中度 ADL 损伤且没有叠加 CVD 病史的病例，ChatGPT 平均分别停用 2.7 种和 3.3 种药物。ChatGPT 建议对于 ADL 损伤最严重的患者停止最多数量的药物（平均 3.7 种）。当被问及是否仍应根据心血管疾病史停用某些药物时，ChatGPT并未改变其建议（表 2）。

在低度和中度 ADL 损伤的病例中，无 CVD 病史和有 CVD 病史之间，停用药物的平均总数没有变化（表 3 和表 4）。而一旦给出了心血管疾病的阳性病史，ChatGPT 建议与 ADL 状态变化较小的情况相比，在 ADL 损伤最严重的情况下停用最少数量的药物。

（表3 图来自原文）

（表4 图来自原文）

2. 相对于其他药物类型，ChatGPT 更有可能停用止痛药

尽管 ChatGPT 提出减少的药物总数根据 ADL 状态或心血管疾病史没有明显差异，但基于这些启发，ChatGPT 对不同药物类型的治疗有所不同。不管是否有叠加的 CVD 病史，从定性的角度来看，ChatGPT 更倾向于取消止痛药的处方，而不是其他药物类型。这种趋势在 ADL 状态受损更严重的患者中最为明显。此外，对于中度或重度 ADL 受损且有 CVD 病史的患者，ChatGPT 不太可能停用他汀类药物和抗血小板药物。

3. 技术重复之间的差异表明减少药物的建议缺乏内部一致性

尽管使用了精确的技术重复，但 ChatGPT 通常在回答中至少表现出某种程度的差异（表1、2、3和4）。这可能表明通用模型在多药决策方面缺乏内部一致性。值得注意的是，尽管研究团队将模型输出的分析简化为二元的是/否决策，以与2021年等人的原始研究相比较，ChatGPT 提供了额外的文本输出，强调了ChatGPT决策的可能理由。

研究局限及未来发展方向

1. 模型适用性：研究中使用的案例涉及相同的患者，可能限制了结果的普遍适用性。在不同的年龄、种族、性别和社会经济背景下，患者的反应可能会有所不同。模型的训练数据需要更加多样化，以减少年龄、种族、性别和社会经济偏见，并提高模型在不同患者群体中的适用性。

2. 药物类型偏好：ChatGPT在减药决策中表现出对某些药物类型的偏好，特别是倾向于减少止痛药物，这可能忽视了疼痛管理的重要性。

3. 信息准确性：大型语言模型可能会编造信息，这在临床决策中可能导致不准确的建议，需要更多样化的训练数据和预防策略。

4. 医学实践：医学知识和实践是不断发展的，模型需要定期更新以跟上最新的医疗建议和指南。

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：