A Multi-Source Context Augmentation Framework for Generating Patient-Centric Medical Responses

本文是LLM系列文章，针对《MedInsight: A Multi Source Context Augmentation Framework for
Generating Patient Centric Medical Responses using Large Language Models》的翻译。

MedInsight：一种使用大型语言模型生成以患者为中心的医疗响应的多源上下文增强框架

摘要
1 引言
2 背景和相关工作
3 MEDINSIGHT架构和方法论
4 实验结果和讨论
5 结论和未来工作

摘要

大型语言模型（LLM）在生成类似人类的反应方面表现出了令人印象深刻的能力。然而，它们缺乏特定领域的知识，限制了它们在医疗环境中的适用性，在医疗环境下，上下文和全面的应对措施至关重要。为了应对这一挑战，并能够生成与上下文相关且全面的以患者为中心的反应，我们提出了MedInsight一个新的检索增强框架，该框架利用来自多个来源的相关背景信息增强LLM输入（提示）。MedInsight从患者的医疗记录或会诊记录中提取相关细节。然后，它整合了权威医学教科书中的信息，并根据患者的健康史和状况策划了网络资源。通过构建一个将患者记录与相关医学知识相结合的增强上下文，MedInsight可以生成丰富的、针对患者的响应，这些响应适合医疗保健应用，如诊断、治疗建议或患者教育。在MTSamples数据集上的实验验证了MedInsight在生成上下文适当的医疗反应方面的有效性。使用Ragas度量和TruLens对答案相似性和正确性进行定量评估，证明了该模型的有效性。此外，涉及主题专家（SME）的人类评估研究证实了MedInsight的效用，评分者对生成的回答的相关性和正确性达成了适度的一致。