Врачи стационара нуждаются в своевременном доступе к информации о предыдущих беседах о серьёзном заболевании (serious illness conversations, SIC) с пациентами с распространённым раком. Хотя в электронных медицинских записях (ЭМЗ) существуют структурированные модули для документирования таких бесед, они заполняются редко, и большая часть информации о SIC остаётся в свободном тексте клинических заметок. Исследователи оценили, могут ли большие языковые модели (LLM) синтезировать продольные клинические заметки в комплексные, клинически значимые резюме SIC.
В пилотное клиническое исследование BRIDGE-SIC включили 58 пациентов с солидными опухолями, госпитализированных в академический стационар с прогнозируемой 90-дневной смертностью ≥40%. HIPAA-совместимая LLM выявляла документацию SIC за предшествующие 6 месяцев и суммировала содержание по 5 доменам: понимание болезни, прогноз, надежды, опасения и социальная поддержка.
Из 936 пунктов LLM-суммаризации 901 (96%) точно отражали исходную документацию. Неточности в основном были связаны с приписыванием мнения клинициста пациенту, переинтерпретацией мнений пациента или указанием неверной исходной заметки. Неточности не были клинически значимыми, случаев галлюцинации клинических данных не выявлено.
LLM-резюме зафиксировали содержание SIC по 4 из 5 доменов у всех пациентов (100%, 58/58) и по всем 5 доменам у 88% (51/58). Только у 14% (8/58) SIC были задокументированы в модуле Epic; большинство из них (63%; 5/8) заполнены врачами паллиативной помощи. Напротив, LLM-резюме синтезировали содержание SIC из в среднем 10 заметок на пациента (SD=3,2) за период в среднем 139 дней (SD=144), из которых лишь 10% (SD=13%) были созданы специалистами паллиативной помощи. По сравнению с модулями Epic SIC, LLM-резюме включали информацию в среднем на 67 дней более свежую (SD=129).
Большие языковые модели способны точно синтезировать продольные текстовые заметки в резюме SIC, которые более комплексны и актуальны, чем модуль Epic SIC, включая данные от более широкого круга специалистов.