每日剂量：用于放射肿瘤学临床总结和试验识别的工作流集成大语言模型自动化
本文介绍了“每日剂量”（TDD）系统，这是一个由大语言模型驱动的自动化临床总结和临床试验识别系统，集成到常规放射肿瘤学实践中。通过混合方法评估，对55名临床医生进行了调查，结果显示系统具有良好的可用性、满意度，并有望节省时间。
放射肿瘤学领域的一项新研究介绍了“每日剂量”（The Daily Dose, TDD）系统，这是一个由大语言模型（LLM）驱动的自动化临床总结和临床试验识别系统，旨在无缝集成到常规放射肿瘤学工作流程中。该系统的核心是RadOnc-GPT，一种专门为放射肿瘤学定制的语言模型，能够每天自动生成医生特定的电子邮件摘要。这些摘要包括患者日程、从电子健康记录（EHR）中提取的简洁临床状态总结，以及针对新患者或咨询就诊的潜在相关临床试验的自动识别。
研究团队采用混合方法评估了TDD系统，在部署一个月后对临床医生进行了一次横断面匿名调查。主要结果指标包括自我报告的可用性、满意度、感知有用性、对工作流程的影响、节省的时间以及继续使用的意愿。内部一致性信度通过Cronbach's α进行评估。
结果显示，在55名受访者中，52人（94.5%）工作在放射肿瘤学领域，38人（69.1%）是主治医师。大多数参与者（83.6%）报告每天或每周多次使用TDD。在5点李克特量表上，可用性和满意度的平均得分（标准差）为3.89（1.04），感知有用性为3.43（1.24），影响和未来使用为3.80（1.17）。总体满意度与感知的时间节省呈正相关（p < .001）。参与者报告的时间节省各不相同，27%的人估计每天节省≥10分钟。问卷显示出极好的内部一致性（总体Cronbach's α = 0.97）。
这项研究表明，像TDD这样的LLM驱动自动化系统有潜力通过提供及时、个性化的信息来改善放射肿瘤学临床工作流程，同时可能减轻医生的认知负担。尽管早期结果令人鼓舞，但作者指出需要进一步研究以评估长期影响并优化系统性能。此外，系统依赖于专门训练的RadOnc-GPT模型，该模型基于放射肿瘤学领域的数据进行微调，以确保生成的摘要准确且符合临床语境。未来的工作可能包括扩大样本量、进行多中心评估，以及将系统扩展到其他医学专科。