Large language models in perioperative medicine—applications and future prospects: a narrative review
Notice bibliographique
Résumé
PURPOSE: Large language models (LLMs) are a subset of artificial intelligence (AI) and linguistics designed to help computers understand and analyze human language. Clinical applications of LLMs have recently been recognised for their potential enhanced analytic capacity. Availability and performance of LLMs are expected to increase substantially over time with a significant impact on patient care and health care provider workflow. Despite increasing recognition of LLMs, insights on the utilities, associated benefits and limitations are scarce among perioperative clinicians. In this narrative review, we delve into the functionalities and prospects of existing LLMs and their clinical application in perioperative medicine. Furthermore, we summarize challenges and constraints that must be addressed to fully realize the potential of LLMs. SOURCE: We searched MEDLINE, Google Scholar, and PubMed® databases for articles referencing LLMs in perioperative care. PRINCIPAL FINDINGS: We found that in the perioperative setting (from surgical diagnosis to discharge postoperatively), LLMs have the potential to improve the efficiency and accuracy of health care delivery by extracting and summarizing clinical data, making recommendations on the basis of these findings, as well as addressing patient queries. Moreover, LLMs can be used for clinical decision-making support, surveillance tools, predictive modelling, and enhancement of medical research and education. CONCLUSIONS: The integration of LLMs into perioperative medicine presents a significant opportunity to enhance patient care, clinical decision-making, and operational efficiency. These models can streamline processes, provide personalized patient education, and offer robust decision support. Nevertheless, their clinical implementation requires addressing several key challenges, including managing hallucinations, ensuring data security, and mitigating inherent biases. If these challenges are met, LLMs can revolutionize perioperative practice, improving both patient outcomes and clinician workflow.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».