本發(fā)明涉及醫(yī)療領域和人工智能領域，特別涉及一種基于大語言模型和檢索增強技術的麻醉評估決策系統(tǒng)。
背景技術：
：：1、近些年來，隨著微創(chuàng)外科技術及加速康復醫(yī)學的迅速發(fā)展，患者對個性化、舒適化醫(yī)療的需求也越來越高。然而，由于對手術環(huán)境的陌生、對未知麻醉進程及手術療效的擔憂等，患者在圍術期總會出現(xiàn)不同程度的心理應激如焦慮等癥狀，進而影響患者的配合度。為了使患者在圍術期保持最佳生理和心理狀態(tài)，應優(yōu)化術前訪視，減輕患者的疑慮，進而提高麻醉質(zhì)量和手術治療的預后。2、麻醉前訪視和評估是保障患者手術麻醉安全的重要環(huán)節(jié)，然而，目前麻醉前訪視質(zhì)量卻常常受到如下多種因素的影響：1）受限于訪視人員的業(yè)務水平和臨床經(jīng)驗，訪視所得到的相關資料可能并非是最全面的術前訪視資料，難以達到最佳的術前評估效果；2）患者術前一天往往因忙于各種術前準備而離開病房，錯過與麻醉醫(yī)生當面交流的機會；3）醫(yī)療行業(yè)迅猛發(fā)展與麻醉醫(yī)生從業(yè)缺口巨大這兩者之間的不平衡，導致麻醉醫(yī)生大多需超時完成當日的麻醉手術安全保障工作，術前訪視只能在麻醉手術間隙中完成，影響訪視質(zhì)量。3、綜上，有必要依托《麻醉前訪視和評估專家共識（2021）》，建立新型數(shù)字化麻醉訪視評估系統(tǒng)，以實現(xiàn)訪視的全面化及自動化，從而提高麻醉醫(yī)生的工作效率，保障患者圍術期安全。4、隨著信息技術的不斷發(fā)展，醫(yī)療信息化成為醫(yī)療領域推進的重點。大語言模型（llm）可以接收大量的訓練數(shù)據(jù)，將廣泛的知識存儲在神經(jīng)網(wǎng)絡的權(quán)重中。然而，當我們在提示大模型生成訓練數(shù)據(jù)之外的知識時，例如最新知識、特定領域知識等，llm的輸出可能會導致事實不準確，這就是我們常說的模型幻覺。同時，直接利用大語言模型生成的文本表述可能無法滿足高可控性要求——首先，直接使用大語言模型生成文本描述時，大語言模型會詳細描述結(jié)構(gòu)化數(shù)據(jù)中的所有屬性和屬性值，導致生成的文本缺乏重點；其次，直接使用大語言模型在細粒度控制方面有所欠缺，例如生成的順序方面。技術實現(xiàn)思路1、為了解決以上問題，通過檢索增強（rag）技術引入外部知識庫等額外信息源，并通過檢索到的證據(jù)來提高大語言響應的準確性、可控性和相關性，從而有效減少錯誤信息生成和粒度控制的問題。2、為實現(xiàn)上述目的，本發(fā)明提供一種基于大語言模型和檢索增強技術的麻醉評估決策系統(tǒng)，包括：3、術前訪視模塊、電子病歷管理模塊和麻醉評估模塊；其中，4、電子病歷模塊，包括患者基本信息和診療信息；5、術前訪視模塊，包括播放單元，用于向患者播放麻醉相關知識科普視頻；訪視單元，用于麻醉前，根據(jù)從電子病歷模塊中提取的患者信息選取相應的訪視問卷向患者提問，并將生成的訪視記錄和麻醉評估表發(fā)送到電子病歷模塊或麻醉評估模塊；6、麻醉評估模塊，用于接收術前訪視模塊發(fā)送的訪視記錄和麻醉評估表，編碼后輸入大語言模型，生成麻醉綜合報告，包括麻醉方案和風險分級評估指數(shù)。7、進一步的，術前訪視模塊，依托《麻醉前訪視和評估專家共識（2021）》，對患者進行宣教和術前訪視。8、進一步的，還包括機器人咨詢模塊，用于為患者就麻醉相關問題提供解答；優(yōu)選的，機器人咨詢模塊利用麻醉評估模塊的大語言模型生成答案。9、進一步的，包括醫(yī)生端和患者端；患者端的功能包括麻醉前訪視、電子病歷生成及健康宣教；醫(yī)生端的功能包括訪視記錄內(nèi)容的確認、麻醉評估及綜合報告生成。10、進一步的，麻醉評估模塊包括案例庫、規(guī)劃序列生成單元和提示生成單元，其中，11、規(guī)劃序列生成單元，將訪視記錄和麻醉評估表生成結(jié)構(gòu)化數(shù)據(jù)，然后通過改進的bart模型將結(jié)構(gòu)化數(shù)據(jù)生成規(guī)劃序列；改進的bart模型中，所有transformer塊的多頭注意力模塊的k矩陣和v矩陣首部嵌入一組可訓練向量，將第i個頭的注意力得分計算過程改為：12、<mtable><mtr><mtd><mrow><mi>hea</mi><msup><mi>d</mi><mi>i</mi></msup><mi>=&attention</mi><mrow><msup><mi>q</mi><mi>i</mi></msup><mi>,</mi><msup><mi>k</mi><mi>i</mi></msup><mi>,</mi><msup><mi>v</mi><mi>i</mi></msup></mrow></mfenced><mi>#</mi></mrow></mtd></mtr><mtr><mtd><mrow><mi>=&softmax</mi><mfrac><mrow><msup><mi>q</mi><mi>i</mi></msup><msup><mrow><msubsup><mi>p</mi><mi>k</mi><mi>i</mi></msubsup><mi>:</mi><msup><mi>k</mi><mi>i</mi></msup></mrow></mfenced><mi>t</mi></msup></mrow><msqrt><msub><mi>d</mi><mi>k</mi></msub></msqrt></mfrac></mfenced><mi>[</mi><msubsup><mi>p</mi><mi>v</mi><mi>i</mi></msubsup><mi>:</mi><msup><mi>v</mi><mi>i</mi></msup><mi>]</mi></mrow></mtd></mtr></mtable>13、其中，、分別表示、矩陣片段的前綴，<mi>[:]</mi>表示矩陣的拼接操作；14、提示生成單元，用于將任務描述、示例、指令以及結(jié)構(gòu)化數(shù)據(jù)組成綜合提示。15、進一步的，改進的bart模型的訓練過程包括：16、s11、使用prefix-tuning方式為bart模型中的所有transformer塊的多頭注意力模塊的k矩陣和v矩陣首部嵌入可訓練向量；17、s12、以麻醉相關短語的向量表征對麻醉相關前綴進行初始化；18、s13、采用重新參數(shù)化將初始麻醉相關前綴向量映射為麻醉相關前綴向量；19、s14、比較改進的bart模型生成的規(guī)劃序列與輸入的結(jié)構(gòu)化數(shù)據(jù)的真實規(guī)劃序列之間的差異，迭代更新麻醉相關前綴向量；將生成規(guī)劃序列和真實規(guī)劃序列差距最小的麻醉相關前綴作為最終結(jié)果。20、進一步的，在步驟s13中，重新參數(shù)化的過程包括：21、使用多層感知機mlp將初始化的前綴向量進行映射；22、將映射后的前綴向量嵌入初始的bart模型得到改進的bart模型。23、進一步的，使用交叉熵作為學習目標計算生成規(guī)劃序列與真實規(guī)劃序列之間的差距，表示為：24、25、其中，表示prefix-tuning引入的參數(shù)，模型在訓練過程中迭代更新該參數(shù)，?d表示結(jié)構(gòu)化數(shù)據(jù)，p表示規(guī)劃序列，i表示第i個屬性名。26、進一步的，提示生成單元包括：27、s21、構(gòu)建描述性文字，用于明確結(jié)構(gòu)化數(shù)據(jù)到文本生成任務的輸入和輸出形式；28、s22、根據(jù)結(jié)構(gòu)化數(shù)據(jù)-文本描述對檢索案例庫，生成示例，為大語言模型提供參考范例；29、s23、設計控制指令以實現(xiàn)對生成內(nèi)容的細粒度控制；30、s24、將描述性文字、示例、控制指令以及輸入的結(jié)構(gòu)化數(shù)據(jù)拼接成綜合提示，并傳送給大語言模型。31、進一步的，在s22中，生成示例的過程包括：32、（1）按照結(jié)構(gòu)化數(shù)據(jù)d對應的文本描述r中屬性名出現(xiàn)的順序，選取結(jié)構(gòu)化數(shù)據(jù)中重要屬性的屬性名，組合成對應的規(guī)劃序列p；33、（2）構(gòu)建示例集s，其中每個示例為（d、r、p）的三元組形式；34、（3）以完全匹配策略將規(guī)劃序列生成單元生成的規(guī)劃序列p與s中每一項三元組的p做匹配，若存在完全匹配的p，則將三元組中對應的（d、r）作為綜合提示的生成示例；若不存在，則將示例集s中包含p中屬性名最多的p對應三元組（d、r）作為綜合提示的示例。35、本發(fā)明提供的基于大語言模型和檢索增強技術的麻醉評估決策系統(tǒng)，與現(xiàn)有的系統(tǒng)相比，具有如下有益效果：36、（1）?為臨床創(chuàng)新轉(zhuǎn)化研究，瞄定臨床痛點，從患者切身利益出發(fā)，運用信息化手段，實現(xiàn)術前訪視信息的系統(tǒng)化和可追溯化。37、（2）?利用檢索增強生成技術從數(shù)據(jù)庫中檢索信息輔助大語言模型(llm)生成答案并形成人機交互的實時動態(tài)反饋，建立新型數(shù)字化麻醉訪視評估系統(tǒng)，以實現(xiàn)訪視的全面化及標準化，從而提高麻醉醫(yī)生的工作效率，保障患者圍術期安全。38、（3）?通過準確獲取患者的相關病史信息、實現(xiàn)醫(yī)護人員對患者進行術前訪視的最佳效果，提前制定術前準備及麻醉和手術的最佳方案，有利于保證手術順利安全進行，提高患者住院體驗及滿意度，從而可以縮短患者的住院時間、降低住院總費用等。39、（4）將復雜的結(jié)構(gòu)化數(shù)據(jù)到文本生成任務拆分成規(guī)劃生成和文本生成兩部分，從而保證大語言模型能夠勝任，并減輕了大語言模型的幻覺現(xiàn)象，增強生成結(jié)果的可控性。當前第1頁12當前第1頁12