Large Language Models in Healthcare Decision Support
Karttunen, Pinja (2023)
Karttunen, Pinja
2023
Bioteknologian ja biolääketieteen tekniikan kandidaattiohjelma - Bachelor's Programme in Biotechnology and Biomedical Engineering
Lääketieteen ja terveysteknologian tiedekunta - Faculty of Medicine and Health Technology
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-08-22
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202308117563
https://urn.fi/URN:NBN:fi:tuni-202308117563
Tiivistelmä
Large language models (LLMs) have recently garnered significant attention due to their remarkable ability to assimilate vast amounts of information and effectively process natural language. In healthcare, natural language constitutes a substantial portion of medical data, rendering LLMs highly promising for various healthcare applications. This study seeks to explore the potential of LLMs in healthcare and clinical decision support (CDS), following PRISMA guidelines for reviews.
The analysis encompasses 44 LLMs, each influenced by several factors impacting their performance. Notably, the datasets utilized for pretraining and fine-tuning processes play a crucial role in determining the model’s domain specificity. Furthermore, distinct model architectures are tailored for specific tasks, while prompting strategies are frequently employed to refine and enhance the model’s performance.
LLMs exhibit considerable promise for a wide array of healthcare applications. For instance, LLMs possess the potential to efficiently handle and analyse medical information, facilitate contextual understanding among clinicians and patients, as well as automating the documentation of clinical notes and reports. Presently, however, their implementation within the field remains limited.
Notable improvements have been witnessed in the performance of current healthcare-oriented LLMs, with some achieving expert-level competence in medical question-answering (MQA). However, these LLMs face prominent challenges, encompassing ethical concerns, issues related to accountability, and a lack of appropriate regulations.
Nevertheless, this study reveals numerous promising applications in healthcare where LLMs could significantly augment the efficiency, accessibility, and manageability of healthcare delivery. Addressing the challenges LLMs encounter is essential for their seamless integration into practical healthcare applications. As a relatively new technology, the development of LLMs is still in its early stages, but their potential is evident through this study. Consequently, fostering collaboration among healthcare professionals, developers, regulators, and other stakeholders is imperative to cultivate dependable LLMs that align with the demands of the healthcare sector. Suuret kielimallit ovat keränneet valtavasti huomiota lähiaikoina, sillä ne ovat osoittautuneet kyvykkäiksi ymmärtämään ja prosessoimaan suuria määriä tietoa sekä tuottamaan luonnollista kieltä ihmisen kaltaisesti. Terveydenhuollossa luonnollisen kielen käyttö on merkittävässä roolissa lääketieteellisessä datassa, mikä tekee suurista kielimalleista lupaavia teknologioita terveydenhuollon sovelluksissa. Tämä kirjallisuuskatsaus on toteutettu noudattaen PRISMA-ohjeistusta ja sen tavoitteena on tutkia suurten kielimallien potentiaalia terveydenhuollossa sekä niiden käyttöä kliinisessä päätöksenteossa.
Tässä tutkielmassa tarkastellaan 44:ää kielimallia, joiden suorituskykyyn vaikuttavat useat tekijät. Mallin esikoulutusdata ja hienosäätödata määrittelevät sen soveltuvuuden tietylle toimialueelle. Lisäksi erilaiset kielimallien arkkitehtuurit on suunniteltu erityisesti tiettyihin tehtäviin, ja syötteiden järjestelmällistä suunnittelua hyödynnetään usein tavoiteltujen tulosten saavuttamiseksi.
Suurilla kielimalleilla on useita käyttömahdollisuuksia terveydenhuollon sovelluksissa. Ne voivat esimerkiksi tehokkaasti käsitellä ja analysoida lääketieteellistä tietoa, helpottaa kliinikoiden ja potilaiden välistä informaation ymmärtämistä sekä automatisoida lääkärinlausuntojen ja muiden dokumenttien laatimista. Toistaiseksi suuria kielimalleja on kuitenkin hyödynnetty vielä melko vähän käytännön sovelluksissa terveydenhuollossa.
Viime vuosina suurten kielimallien suorituskyky on kehittynyt huomattavasti. Jotkut mallit ovat jopa saavuttaneet asiantuntijoiden tason vastatessaan lääketieteellisiin kysymyksiin. Kuitenkin nämä mallit kohtaavat myös merkittäviä haasteita, kuten eettisiä ongelmia, vastuullisuuskysymyksiä ja tarvittavien sääntelyjen puuttumista.
Tämä tutkimus esittelee lukuisia lupaavia terveydenhuollon käyttökohteita suurille kielimalleille, jotka voisivat olennaisesti parantaa terveydenhuollon tehokkuutta, saavutettavuutta ja hallittavuutta. Jotta näitä kielimalleja voitaisiin laajasti hyödyntää terveydenhuollon sovelluksissa tulevaisuudessa, on tärkeää käsitellä niiden kohtaamia haasteita. Vaikka suuret kielimallit ovat suhteellisen uusi teknologia ja niiden kehitys on edelleen alkuvaiheessa, tämä tutkimus osoittaa niiden lupaavat mahdollisuudet mullistaa terveydenhuolto. Seuraavaksi terveydenhuollon ammattilaisten, mallien kehittäjien, virkamiesten sekä muiden sidosryhmien tulisi tehdä yhteistyötä luotettavien mallien kehittämiseksi, jotka vastaavat alan vaatimuksia.
The analysis encompasses 44 LLMs, each influenced by several factors impacting their performance. Notably, the datasets utilized for pretraining and fine-tuning processes play a crucial role in determining the model’s domain specificity. Furthermore, distinct model architectures are tailored for specific tasks, while prompting strategies are frequently employed to refine and enhance the model’s performance.
LLMs exhibit considerable promise for a wide array of healthcare applications. For instance, LLMs possess the potential to efficiently handle and analyse medical information, facilitate contextual understanding among clinicians and patients, as well as automating the documentation of clinical notes and reports. Presently, however, their implementation within the field remains limited.
Notable improvements have been witnessed in the performance of current healthcare-oriented LLMs, with some achieving expert-level competence in medical question-answering (MQA). However, these LLMs face prominent challenges, encompassing ethical concerns, issues related to accountability, and a lack of appropriate regulations.
Nevertheless, this study reveals numerous promising applications in healthcare where LLMs could significantly augment the efficiency, accessibility, and manageability of healthcare delivery. Addressing the challenges LLMs encounter is essential for their seamless integration into practical healthcare applications. As a relatively new technology, the development of LLMs is still in its early stages, but their potential is evident through this study. Consequently, fostering collaboration among healthcare professionals, developers, regulators, and other stakeholders is imperative to cultivate dependable LLMs that align with the demands of the healthcare sector.
Tässä tutkielmassa tarkastellaan 44:ää kielimallia, joiden suorituskykyyn vaikuttavat useat tekijät. Mallin esikoulutusdata ja hienosäätödata määrittelevät sen soveltuvuuden tietylle toimialueelle. Lisäksi erilaiset kielimallien arkkitehtuurit on suunniteltu erityisesti tiettyihin tehtäviin, ja syötteiden järjestelmällistä suunnittelua hyödynnetään usein tavoiteltujen tulosten saavuttamiseksi.
Suurilla kielimalleilla on useita käyttömahdollisuuksia terveydenhuollon sovelluksissa. Ne voivat esimerkiksi tehokkaasti käsitellä ja analysoida lääketieteellistä tietoa, helpottaa kliinikoiden ja potilaiden välistä informaation ymmärtämistä sekä automatisoida lääkärinlausuntojen ja muiden dokumenttien laatimista. Toistaiseksi suuria kielimalleja on kuitenkin hyödynnetty vielä melko vähän käytännön sovelluksissa terveydenhuollossa.
Viime vuosina suurten kielimallien suorituskyky on kehittynyt huomattavasti. Jotkut mallit ovat jopa saavuttaneet asiantuntijoiden tason vastatessaan lääketieteellisiin kysymyksiin. Kuitenkin nämä mallit kohtaavat myös merkittäviä haasteita, kuten eettisiä ongelmia, vastuullisuuskysymyksiä ja tarvittavien sääntelyjen puuttumista.
Tämä tutkimus esittelee lukuisia lupaavia terveydenhuollon käyttökohteita suurille kielimalleille, jotka voisivat olennaisesti parantaa terveydenhuollon tehokkuutta, saavutettavuutta ja hallittavuutta. Jotta näitä kielimalleja voitaisiin laajasti hyödyntää terveydenhuollon sovelluksissa tulevaisuudessa, on tärkeää käsitellä niiden kohtaamia haasteita. Vaikka suuret kielimallit ovat suhteellisen uusi teknologia ja niiden kehitys on edelleen alkuvaiheessa, tämä tutkimus osoittaa niiden lupaavat mahdollisuudet mullistaa terveydenhuolto. Seuraavaksi terveydenhuollon ammattilaisten, mallien kehittäjien, virkamiesten sekä muiden sidosryhmien tulisi tehdä yhteistyötä luotettavien mallien kehittämiseksi, jotka vastaavat alan vaatimuksia.
Kokoelmat
- Kandidaatintutkielmat [8798]