Chain-of-Though (CoT) prompting strategies for medical error detection and correction

本文描述了我们参加MEDIQA-CORR 2024共享任务的提交，该任务旨在自动检测和纠正临床笔记中的医疗错误。我们报告了使用大型语言模型（LLM）和Chain-of-Thought（CoT）以及原因提示增强的少样本In-Context Learning（ICL）的三种方法的结果。在第一种方法中，我们手动分析了部分训练和验证数据集，通过检查临床笔记中的错误类型来推断出三个CoT提示。在第二种方法中，我们利用训练数据集提示LLM来推断其正确性或错误性的原因。然后，构建的CoTs和原因与ICL示例一起增强，以解决错误检测、跨度识别和错误更正的任务。最后，我们使用基于规则的集成方法将这两种方法结合起来。在三个子任务中，我们的集成方法在子任务1和2中排名第3，在子任务3中排名第7，超过了所有提交的其他方法。

论文旨在解决自动检测和纠正临床笔记中的医疗错误的问题，这是否是一个新问题？

论文使用少样本In-Context Learning（ICL）方法，结合Chain-of-Thought（CoT）和大型语言模型（LLM）推理出错误类型和原因，以实现错误检测、跨度识别和错误纠正。

论文使用了三种方法，包括手动分析训练和验证数据集以推断CoT提示，利用训练数据集提示LLM推断正确性或不正确性的原因，以及使用基于规则的集合方法结合两种方法。在三个子任务中，论文的集合方法在前两个子任务中排名第三，在第三个子任务中排名第七。

最近的相关研究包括使用神经网络和深度学习技术来解决医疗错误检测和纠正问题的研究，如“Neural Network-based Medical Error Detection and Correction”和“Deep Learning for Medical Error Detection and Correction”。