整合EHR的大型語言模型工具於手術患者分診
arXiv - Computers and SocietyJane Wang, Timothy Keyes, April S Liang, Stephen P Ma, Jason Shen, Jerry Liu, Nerissa Ambers, Abby Pandya, Rita Pandya, Jason Hom, Natasha Steele, Jonathan H Chen, Kevin Schulman
利用LLM整合EHR的分診工具能高敏感度自動識別需住院醫師協同管理的手術患者，顯示臨床可行性與實際效能。
AI 幫你先抓重點
AI 重點 1
LLM與EHR結合的分診工具能大幅減少人工篩選工作量，提升臨床流程效率。
滑鼠懸停看 AI 判斷理由
該工具在6,193例病例中自動完成分診，將23%推薦給住院醫師，顯示其在實務中的高效性與可擴展性，能釋放醫師時間專注於更複雜的臨床決策。
AI 重點 2
高敏感度與合理特異度的平衡使工具在實際臨床環境中能保持高召回率，同時控制誤判率，符合醫療安全需求。
滑鼠懸停看 AI 判斷理由
敏感度0.94確保大部分需要協同管理的患者被捕捉，特異度0.74則限制了過度推薦，兩者結合可在不影響安全的前提下提升工作效率。
AI 重點 3
醫師回饋機制與自由文字分析提供可持續改進的數據，示範AI工具可在醫療環境中實現迭代優化。
滑鼠懸停看 AI 判斷理由
透過醫師提供的自由文字理由，研究團隊能辨識誤判原因並進行模型調整，展示了AI系統在臨床實踐中的可持續學習與改進潛力。
核心研究發現
- 1
SCM Navigator 在6,193例手術前病例中，成功將23%推薦給住院醫師協同管理，顯示工具能篩選大量患者。
- 2
該工具的敏感度達0.94（95% CI 0.91-0.96），能有效捕捉真正需要協同管理的患者。
- 3
特異度為0.74（95% CI 0.71-0.77），雖有一定誤判，但仍保持合理的準確度。
- 4
透過醫師回饋與自由文字理由分類，研究團隊能辨識工具誤判的主要原因，並進行後續優化。
- 5
手動圖表回顧顯示，絕大多數假陰性案例實際符合協同管理標準，證實工具在實務中的高效性。
對教育工作者的啟發
本研究示範了將大型語言模型嵌入電子健康紀錄系統，可自動化篩選需要住院醫師協同管理的手術患者。實務工作者可依此設計分診流程：首先收集術前文件、結構化資料與風險指標，將其輸入LLM模型以產生分診建議；接著由醫師進行快速審核，並提供自由文字回饋，形成持續迭代的改進機制。為確保臨床安全，應監測工具的敏感度與特異度變化，並在發現假陰性或假陽性比例升高時即時調整模型參數或加強資料品質。最後，需重視資料隱私與合規性，確保所有患者資訊在模型訓練與推論過程中得到妥善保護。
原始文獻資訊
- 英文標題：
- Deployment and Evaluation of an EHR-integrated, Large Language Model-Powered Tool to Triage Surgical Patients
- 作者：
- Jane Wang, Timothy Keyes, April S Liang, Stephen P Ma, Jason Shen, Jerry Liu, Nerissa Ambers, Abby Pandya, Rita Pandya, Jason Hom, Natasha Steele, Jonathan H Chen, Kevin Schulman
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。