LLM on FHIR -- Demystifying Health Records

目的：通过开发以大型语言模型（LLMs）和快速医疗互操作性资源（FHIR）应用程序接口（APIs）为基础的面向患者的人工智能（AI）解决方案，提高多样化患者人群的健康素养和健康信息的可访问性。材料和方法：该研究涉及开发LLM on FHIR，这是一个开源的移动应用程序，允许用户使用LLMs与其健康记录进行交互。该应用程序建立在斯坦福大学的Spezi生态系统上，并使用OpenAI的GPT-4。使用SyntheticMass患者数据集进行了试点研究，并由医学专家评估了该应用程序在提高健康素养方面的有效性。评估重点是LLM对常见患者问题的回答的准确性、相关性和易懂性。结果：LLM on FHIR在向患者提供易懂的健康信息方面表现出不同但通常较高的准确性和相关性。该应用程序有效地将医疗数据翻译为患者友好的语言，并能够根据不同的患者档案调整其回答。但是，挑战包括LLM回答的可变性和对健康数据的精确过滤的需求。讨论和结论：LLMs在提高健康素养和使健康记录更易访问方面具有重要潜力。作为该领域的开创性应用程序，LLM on FHIR展示了将LLMs整合到患者护理中的可行性和挑战。虽然有前途，但实施和试点也突显了风险，如不一致的回答和可复制输出的重要性。未来的方向包括更好的资源识别机制和在设备上执行LLMs以增强隐私并降低成本。

开发一种基于大型语言模型和FHIR API的患者中心人工智能解决方案，以增强患者对健康信息的健康素养和可访问性。

使用LLM on FHIR开发了一个开源移动应用程序，允许用户使用LLMs与其健康记录进行交互。该应用程序建立在斯坦福Spezi生态系统上，使用OpenAI的GPT-4。在SyntheticMass患者数据集上进行了试点研究，并由医学专家评估了其提高健康素养的有效性。

LLM on FHIR能够将医疗数据转化为易于理解的患者友好语言，并且能够适应不同的患者档案。然而，挑战包括LLM响应的可变性和需要精确过滤健康数据。未来的方向包括更好的资源识别机制和在设备上执行LLMs以增强隐私和降低成本。

与该论文相关的研究包括使用人工智能和自然语言处理技术来提高医疗保健的研究。其中一些研究包括“使用人工智能提高医疗保健质量”和“自然语言处理在医疗保健中的应用”。