Большие языковые модели (LLM) могут автоматизировать оценку качества документирования целей медицинской помощи (Goals of Care, GoC) в онкологических электронных медицинских картах, выявляя недостающие элементы и поддерживая обратную связь с клиницистами для улучшения документации.

Беседы о целях медицинской помощи — важнейший компонент паллиативной помощи при серьезных заболеваниях, помогающий клиницистам согласовывать с пациентами пять ключевых доменов: информированность о прогнозе, ценности и предпочтения пациента, обоснование решений, статус реанимации и ограничения лечения, а также способность к замещающему принятию решений. Документирование GoC в электронных медицинских картах (ЭМК) остается сложной задачей, поскольку ключевые детали часто фиксируются в разных визитах и записях, что ограничивает преемственность и соответствие требованиям CMS.

Исследование использовало HIPAA-совместимую LLM (Claude Opus 4.8), развернутую в защищенной среде Memorial Sloan Kettering, для классификации наличия или отсутствия пяти доменов GoC в записях, извлеченных из ЭМК. Параллельно пять рецензентов классифицировали записи вручную. Каждая запись случайным образом назначалась двум рецензентам, разногласия разрешал независимый третий рецензент. Ручная разметка рассматривалась как золотой стандарт для оценки производительности LLM.

Среди 190 записей (от 14 пациентов) LLM продемонстрировала высокую чувствительность по всем доменам GoC и высокую точность. Точность (precision) и F1-оценки были стабильно высокими (0.919–1.0), в то время как специфичность была ниже и более вариабельной (0.5–1.0). Согласие с золотым стандартом экспертной оценки (Gwet's AC1) варьировало от 0.82 до 0.97, а согласие между рецензентами было высоким (AC1 0.82–0.89).

Отсутствие документации чаще всего наблюдалось для домена «Ценности/предпочтения пациента» (отсутствует в 9.5% случаев) и «Информированность о прогнозе» (отсутствует в 6.8% случаев), реже всего — для «Обоснования решений» (отсутствует в 1.6% случаев). Более низкая специфичность, вероятно, объясняется малым числом отрицательных случаев.

Использование LLM может обеспечить масштабируемый и непрерывный анализ ЭМК, позволяя выявлять недостающие элементы и поддерживать обратную связь с клиницистами для завершения документации. Наиболее частые пробелы в документировании указывают на потенциальные области для усилий по повышению качества и укреплению согласованности помощи с целями пациентов. Будущие исследования могут применить аналогичные методологии к более крупным наборам данных.