用于生成临床记录的知识图增强环境人工智能

环境人工智能在医疗保健领域越来越多地采用，以根据患者与临床医生的对话自动生成临床记录，有可能大大减少临床医生的文档负担。然而，生成的注释可能会省略在会诊期间讨论的临床相关信息，从而造成可能影响下游护理的信息差距。根据遭遇记录构建的知识图 (KG) 可以提供所讨论内容的结构化表示，并能够系统地识别生成的注释中缺失的信息，这些信息对患者护理至关重要。在这项研究中，我们引入了覆盖定向修订（CDR），这是一种与模型无关的框架，它从遭遇记录中构建知识图谱，识别最初生成的笔记中缺少的医学概念，并指导大型语言模型（LLM）恢复丢失的信息，而无需修改底层笔记生成系统。我们在两个数据集上评估 CDR：1) Pitt-Bench，一个包含康复课程的本地数据集，2) ACI-Bench，一个用于基准化临床记录生成的公共数据集。我们测试了环境人工智能系统中广泛使用的四种底层大语言模型。结果表明，CDR 在所有评估条件下都能持续提高内容召回率。我们的研究为提高环境人工智能生成的临床文档的完整性提供了一种实用方法。