Forståelig medisinsk informasjon med språkmodeller

Abstract

Dette er en evalueringsstudie som undersøker i hvilken grad store språkmodeller, som OpenAI’s GPT-4o, kan gjøre komplisert medisinsk informasjon mer forståelig for pasienter gjennom målrettet og kunnskapsbasert instruksjonsutforming. Studien har forankring i nasjonale mål om en pasientsentrert helsetjeneste og å styrke helsekompetanse i befolkningen, og tar utgangspunkt i utfordringer knyttet til formidling av medisinsk informasjon som ofte oppleves som kompleks og utilgjengelig for mange pasienter.

Arbeidet ble gjennomført som en eksperimentell studie der syntetiske legevaktsepikriser ble generert og deretter forenklet til mer pasientvennlig språk ved hjelp av en språkmodell. Iterativ testing og tilpasning av instruksjoner ble utført for å optimalisere språkmodellens output. Forenklingene ble analysert gjennom kvantitative vurderinger, inkludert lekpersoners oppfatning av forståelighet og eksperters vurdering av medisinsk nøyaktighet.

Funnene viser at store språkmodeller, kombinert med nøye utformede og målrettede instruksjoner, kan forbedre pasienters forståelse av medisinsk informasjon. Forståeligheten av epikrisene økte sammenlignet med originale epikriser, deltakergruppen rapporterte økt trygghet og tilfredshet med informasjonen. Studien identifiserte også at effektiv instruksjonsutforming er nødvendig for å oppnå optimale resultater.

Selv om det foreligger avgrensninger, anses det som rimelig å konkludere med at språkmodeller har et betydelig potensial som verktøy for å styrke pasientkommunikasjon. Studien fremhever også områder for videre forskning, særlig knyttet til tilpasning for ulike pasientgrupper og anvendelighet i klinisk praksis.

This is an evaluation study examining the extent to which large language models, such as OpenAI’s GPT-4o, can make complicated medical information more understandable for patients through targeted and knowledge-based prompts. The study is grounded in national objectives to strengthen health literacy and patient-centered care, and is based on challenges related to conveying medical information that is often perceived as complex and inaccessible to many patients.

An experimental design was employed, in which synthetic emergency room discharge summaries were generated and translated into more patient-friendly language by means of a language model. Iterative testing and adaptation of prompts were utilized to optimize the LLMs output. The translations were analyzed through quantitative assessments, including laypeople’s perceptions of comprehensibility and experts’ evaluations of medical accuracy.

It was indicated by the findings that LLMs, when used with precise and targeted prompts, can enhance laypeople’s understanding of medical information without compromising medical accuracy. An increase in the comprehensibility of the translated summaries was observed compared to the originals, and laypeople reported greater confidence and satisfaction with the information received. It was also identified that prompt engineering is necessary for achieving optimal results.

In conclusion, despite some limitations, it is deemed appropriate to assert that LLMs hold potential as a tool for strengthening patient communication. Areas for further research have been identified, particularly concerning adaptations for different patient groups and applicability in clinical practice.