Applications of Generative Artificial Intelligence in Electronic Medical Records: A Scoping Review
Notice bibliographique
Résumé
Electronic Medical Records (EMRs) are central to the modern healthcare system. Recent advances in artificial intelligence (AI), particularly generative artificial intelligence (GenAI), have opened new opportunities for the advancement of EMRs. This scoping review aims to explore the current real-world applications of GenAI within EMRs to support an understanding of AI applications in healthcare. A literature search was conducted following PRISMA-ScR guidelines. The search was conducted using Ovid MEDLINE, up to 28 October 2024, using a peer-reviewed search strategy. Overall, 55 studies were included. A list of five themes was generated by human reviewers based on the literature review: data manipulation (24), patient communication (9), clinical decision making (8), clinical prediction (8), summarization (4), and other (2). The majority of studies originated from the United States (35). Both proprietary and commercially available models were tested, with ChatGPT being the most commonly referenced LLM. As these models continue to be developed, their diverse use cases within EMRs have the potential to improve patient outcomes, enhance access to medical data, streamline hospital workflows, and reduce physician workload. However, continued problems surrounding data privacy, trust, bias, model hallucinations, and the need for robust evaluation remain. Further research considering the ethical, medical, and societal implications of GenAI applications in EMRs is essential to validate these findings and address existing limitations to support healthcare advancement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».