摘要

将大型语言模型（LLMs）集成到医疗保健中，特别是在肾脏病学领域，代表着在患者护理、医学研究和教育方面应用先进技术的重大进步。这些先进的模型已经从简单的文本处理器发展成为了能够进行深度语言理解的工具，提供了处理与健康相关数据的新方法，从而提高了医疗实践的效率和效果。在LLMs的医疗应用中，一个重大挑战是它们的准确性并不完美，或者倾向于产生幻觉——即事实错误或不相关的输出。在需要精确度的医疗保健领域，这个问题尤其严重，因为不准确可能会削弱这些模型在关键决策过程中的可靠性。为了克服这些挑战，已经开发了各种策略。其中一种策略是提示工程，比如思维链方法，它通过将问题分解为中间步骤或推理序列，引导LLMs产生更准确的响应。另一种策略是检索增强生成（RAG），它通过整合外部数据来帮助解决幻觉问题，提高输出的准确性和相关性。因此，RAG策略适用于需要最新、全面信息 tasks，例如在临床决策或教育应用中。在本文中，我们展示了创建一个集成了RAG系统的专用ChatGPT模型的过程，该模型根据KDIGO 2023慢性肾病指南进行了量身定制。这个例子展示了其在提供专业、准确的医疗建议方面的潜力，标志着向更可靠、更高效的肾脏病学实践迈进了一步。

关键词：

大型语言模型（LLMs）；肾脏病学；慢性肾病；人工智能；检索增强生成（RAG）

1.引言

大型语言模型（LLMs）是一种复杂的人工智能（AI）类型，专门设计用于理解和生成类似人类的语言，因此也被称为聊天机器人。这些模型，如生成式预训练transformer（GPT）系列，在大量的文本数据集上进行训练，并能生成通常与人类写作难以区分的文本。它们可以回答问题、撰写文章、生成创意内容，甚至编写代码，这些都是基于它们从训练数据中学习到的模式。LLMs的能力不断增强，使它们成为AI领域中一个关键且具有变革性的技术[1]。ChatGPT是由OpenAI开发的著名的生成式LLM，于2022年末发布[2]。最新版本GPT-4在文本和图像分析方面具有先进的能力，统称为GPT-4视觉[3]。与ChatGPT一起，当前广泛使用的LLMs还包括Google的Bard AI[4]和Microsoft的Bing Chat[5]。这些技术进步使它们能够被采用并实施于各个领域，包括商业、学术机构和医疗保健领域[1]。

在医疗保健领域内，AI的发展正在重塑传统实践[6]。像AI驱动的LLMs这样的工具在提升医疗保健的多个方面具有重大潜力，包括患者管理、医学研究和教育方法[7-11]。例如，一些研究者已经展示了它们可以提供定制化的医疗指导[12]，分发教育资源[7]，并提高医学培训的质量[7,13,14]。这些工具还可以支持临床决策[15-17]，帮助识别紧急医疗情况[18]，并以理解和同情心回应患者询问[19-21]。广泛的研究已经表明，ChatGPT，特别是其最新版本GPT-4，在各种标准化测试中表现出色。这包括美国医学执照考试[22-25]；不同国家的医学执照考试[26-30]；以及与特定领域相关的考试，如精神病学[31]、护理[32]、牙科[33]、病理学[34]、药学[35]、泌尿科[36]、胃肠病学[37]、寄生虫学[38]和眼科学[39]。此外，还有证据表明ChatGPT能够创建出院总结和手术报告[40,41]，记录患者现病史[42]，并改进知情同意书的文档过程[43]，尽管其有效性需要进一步改进。在我们肾脏病学研究的特定范围内，我们已经探讨了在创新个性化患者护理、肾脏病学重症监护和肾脏移植管理[44]以及肾病患者饮食指导[45,46]和回答肾脏病学相关问题[47]等领域使用聊天机器人的情况。

尽管有这些进步，LLMs面临着显著的挑战。一个主要的担忧是它们倾向于产生幻觉——即事实错误或不相关的输出[48,49]。例如，这些聊天机器人生成的参考文献不可靠[50-57]。我们对610个与肾脏病学相关的参考文献的分析显示，只有62%的ChatGPT引用是存在的。同时，31%是完全虚构的，7%是部分或不完整的[58]。我们还比较了ChatGPT、Bing Chat和Bard AI在肾脏病学文献搜索中的相关性，准确率分别只有38%、30%和3%[59]。在文献搜索过程中出现幻觉，加上在回应肾脏病学询问[47]和正确识别饮食中的草酸、钾和磷[45,46]方面的次优准确性，损害了LLM输出的可靠性和可信度，对于其实际应用的担忧显著增加。在医疗决策等关键领域，这种不准确性的影响显著加剧，突显了对更可靠、更精确模型的迫切需求。

为了解决这些挑战，已经开发了各种策略。其中一种策略是提示工程，比如多次尝试或思维链提示技术[60-64]。这种方法涉及构建输入提示，鼓励模型在得出最终答案之前将问题分解为中间步骤或推理序列。通过明确要求模型生成逐步解释或“思维过程”，思维链提示帮助模型更有效地解决多步骤推理问题，可能产生更准确和可解释的答案[65-67]。尽管这种方法在几个背景下已经证明是有益的，但它并非没有局限性。像可扩展性和嵌入偏见的风险这样的问题构成了重大挑战，需要仔细的提示工程来保持模型的适应性，同时保护其效率。另一种增强LLMs能力的策略是检索增强生成（RAG）技术[68]。RAG方法的主要优势在于它允许LLM访问大量外部信息数据库，有效地扩展了其知识范围，超出了其训练数据中可用的内容。这可以显著提高模型的性能，特别是在生成需要特定事实信息或最新知识的响应时。

本综述旨在探索将集成RAG的LLMs应用于肾脏病学的潜在应用。本综述还提供了对RAG优势和劣势的分析。这些观察对于评估复杂AI模型在医疗保健领域的潜力以推动显著进步至关重要，因为在这些领域中，精确性和现代知识都至关重要，从而重新定义了AI在关键领域的部署标准。

2.什么是RAG系统？

RAG方法是一种用于自然语言处理和机器学习的方法，它结合了基于检索和生成模型的优点，以提高生成文本的质量[68,69]。这种方法在诸如问答、文档摘要和对话代理等任务中特别有用。在动态的医疗领域，RAG系统独特的实时访问外部医学数据库的能力允许LLM基于最新研究、临床指南和药物信息来做出响应[70,71]。

为了生成更准确和上下文相关的响应，RAG方法结合了两个组件的优势，包括检索和生成组件。前一个组件负责从提供给LLMs的大型数据库或知识源中获取相关信息或文档。检索通常基于输入查询或上下文，旨在找到最可能包含生成准确响应所需信息的 content。后一个组件将输入提示以及从检索组件获取的文档或信息一起生成响应。生成组件使用检索文档提供的信息来通知其响应，使其更准确、信息更丰富且上下文更相关。

RAG方法在模型需要提供可能未包含在其训练集中的信息或信息不断更新的场景中特别有益。通过将响应基于事实数据，RAG方法有效地减少了不准确或幻觉的发生。然而，RAG的成功取决于外部数据源的质量和时效性，并且整合这些源引入了额外的技术复杂性。补充这些方法的是微调过程，它涉及将预训练模型适应特定任务或领域。这增强了模型处理某些类型的查询或内容的能力，从而提高了其在特定领域的效率和特异性。虽然这种方法提高了模型在特定领域的性能，但它也带来了在某些数据集中过拟合的风险，可能限制了其更广泛的应用并增加了对训练资源的需求。

3.当前关于在医疗领域应用RAG的研究

最近的一项研究实验性地开发了一个专注于肝脏疾病的LLM模型，名为LiVersa，它结合了RAG方法与美国肝脏疾病研究协会的30项指南。这种整合旨在增强LiVersa的功能。在这项研究中，LiVersa准确地回答了所有与乙型肝炎病毒治疗和肝细胞癌监测相关的10个问题。然而，其中三个案例的解释并不完全准确[72]。另一项研究引入了Almanac，这是一个通过RAG功能增强的LLM框架，它专门与医疗指南和治疗建议相结合[73]。这个框架的有效性是通过一个包含130个临床场景的新数据集进行评估的。在准确性方面，Almanac在各个医学专业上的表现平均比ChatGPT高出18%。最显著的改进是在心脏病学领域，Almanac的准确率为91%，而ChatGPT的准确率为69%[73]。此外，他们通过使用一个包含314个临床问题、跨越九个医学专业的新数据集，将Almanac的表现与传统的LLMs（ChatGPT-4 [2023年5月24日版本]，BingChat [2023年6月28日]，和Bard AI [2023年6月28日]）进行了比较。与标准LLMs相比，Almanac在准确性、全面性、用户满意度和对对抗性输入的韧性方面显示出显著的提升[74]。最近的一项研究引入了一个名为RECTIFIER（RAG-Enabled Clinical Trial Infrastructure for Inclusion Exclusion Review）的RAG系统，评估其在临床试验筛查中与专家临床医生相比的效能[75]。比较结果显示，RECTIFIER的响应与专家临床医生的响应之间的高度一致，RECTIFIER的准确率从98%到100%，研究人员的准确率从92%到100%。值得注意的是，RECTIFIER在识别“有症状的心力衰竭”的纳入标准方面表现优于研究人员，准确率为98%，而研究人员的准确率为92%。在确定合格性的方面，RECTIFIER展现了92%的灵敏度和94%的特异性，而研究人员的灵敏度为90%，特异性为84%。这些发现表明，将RAG系统整合到基于GPT-4的解决方案中，可以显著提高临床试验筛查的效率和成本效益[75]。

RAG的优势在于其能够访问当前信息并调整相关性。通过利用最新的数据，提供过时或错误信息的可能性大大降低。然而，这种方法也带来了一些挑战。RAG响应的有效性在很大程度上取决于它使用的数据源的质量和时效性。将RAG添加到LLMs中还引入了额外的复杂性层次，这可能会复杂化实施和持续管理。此外，还存在检索错误的风险。如果检索系统出现故障或获取了错误信息，可能会导致它生成的输出不准确。

4.RAG在肾脏病学中的潜在应用

RAG集成在肾脏病学中也非常有价值，因为在肾脏病学中，了解最新的发展至关重要。这种从外部来源集成的当前、经过验证的数据显著降低了LLMs提供过时或错误信息的可能性。

4.1. 集成最新研究和指南

RAG方法具有独特的功能，能够将肾脏病学相关来源的最新发现动态地集成到模型的输出中。这包括来自肾脏病学期刊的新研究、最新临床试验的结果或治疗指南的任何更新。通过这样做，RAG方法确保LLMs不仅是最新的，而且在肾脏病学领域也是高度相关和准确的。例如，考虑一个肾脏科专家或内科医生正在寻求关于多囊肾病（PKD）最新管理策略的信息的场景。在这种情况下，RAG可以主动搜索、检索并整合来自最新指南和治疗协议的信息，例如KDIGO 2023年发布的关于常染色体显性多囊肾病（ADPKD）的临床实践指南和PubMed数据库中发表的研究。这个过程不仅涉及访问这些信息，而且还涉及以连贯且直接适用于手头查询的方式综合这些信息。

通过利用RAG，医生因此可以获得不仅当前而且与他们的具体询问直接相关的信息。这种方法在像肾脏病学这样的领域尤其有价值，因为研究和治疗协议的进步可以对患者护理产生重大影响。RAG提供最新知识的能力帮助医疗专业人员保持了解并做出有根据的决策。

4.2. 基于案例的学习和讨论

在教育环境中使用RAG可以显著增强学习过程，通过将详细和现实生活中的案例研究纳入讲座、讨论或互动学习模块。这种RAG的应用在复杂且动态的领域如医学中特别有用。例如，教育医学生关于慢性肾病（CKD）中复杂电解质失衡的主题。RAG方法可以用来访问和引用与这个主题相关的具体、现实世界的案例报告或临床场景。通过这样做，它可以为学生提供实用的、具体例证，说明他们正在学习的理论概念。这不仅有助于更深入地理解主题内容，而且帮助学生欣赏他们知识的现实世界影响和应用。

此外，RAG检索最新研究和报告的能力确保了教育内容不仅富含实用示例，而且是最新的。这在医学教育中尤其重要，因为在医学教育中，了解最新的研究和临床实践至关重要。通过整合最新的案例研究和场景，RAG可以帮助创建一个更具吸引力和信息丰富的教育体验，为学生准备好面对他们医疗职业生涯中的挑战。这种方法可以扩展到其他复杂的医学主题，使学习更加互动、相关和基于证据。

4.3. 多学科方法

在需要多学科视角的情况下，RAG尤其有价值，因为它可以借鉴广泛的医学学科来提供更全面的理解。这种能力对于治疗涉及多个医疗领域的疾病至关重要。例如，考虑一位患有糖尿病肾病的患者。这种状况处于糖尿病和肾脏健康的十字路口，需要从几个医学专业获得微妙的了解。RAG系统可以有效整合来自内分泌学的相关信息，关注糖尿病管理策略；来自心脏病学的信息，解决与该状况相关的心血管风险；以及来自肾脏病学的信息，提供保护肾功能的见解。通过整合这些多样化信息，RAG系统可以极大地帮助医疗专业人员制定全面和多层次的治疗计划。这种方法确保了考虑患者状况的所有方面，从而实现更有效和全面的患者护理。这种集成方法不仅对糖尿病肾病有益，而且对任何涉及多个身体系统或需要多个专业协作进行最佳患者管理的复杂医疗状况都有益。RAG能够将来自不同医学领域的见解无缝地融合成一个连贯的整体，增强了其在规划和实施有效治疗策略中的实用性。

5.为RAG创建一个CKD特定的知识库

为了说明创建一个定制ChatGPT模型的RAG策略的过程，我们将使用肾脏病学领域作为参考，特别是关注CKD，因为CKD在肾脏病学遭遇中很常见（图1）。这个例子将用来展示定制ChatGPT模型到特定医学专业，并整合一个专业知识库的步骤和考虑因素。目标是增强模型的响应，提供精确、专业的知识，在这种情况下，围绕CKD，并遵循KDIGO 2023年临床实践指南的见解[76]。以下是这个过程的详细分解步骤。

图1. 使用检索增强生成（RAG）策略在肾脏病学中创建定制ChatGPT模型的过程。

5.1. 创建一个专注于CKD的检索系统

这个过程涉及仔细选择知识来源、整合指南，并定期更新以确保准确性和相关性。首先，需要仔细选择一个信息丰富的CKD综合数据库。这个数据库应从一系列可靠来源获取信息，如同行评审的学术期刊、临床试验报告和权威的肾脏病学教科书。重点是纳入KDIGO 2023年CKD指南[76]，这些指南在领域内因其时效性和权威性而受到认可。

接下来，必须直接将这些KDIGO 2023指南整合到所选的数据库中，通过创建一个定制的ChatGPT模型（图2）。这个过程涉及导航到“我的GPTs”并选择“创建一个GPT”。然后，我们有机会通过输入名称、描述和指令，以及上传我们希望嵌入模型的知识库来定制/配置我们的GPT。我们可以选择限制对模型的访问，通过选择以下选项之一：“仅限我”、“拥有链接的任何人都可访问”或“所有人都可以访问”。一旦定制完成，GPT将可在“我的GPTs”下访问，它将使用嵌入的数据库产生响应。

这种整合涵盖了CKD的详细方面，包括诊断、分期、管理和治疗协议。这样的整合确保了模型的响应与最新的和被接受的临床实践保持一致。虽然ChatGPT根据其在训练期间获得的知识内部运作，但RAG通过将外部信息动态地整合到生成过程中，更进一步。RAG中的检索组件理论上可以增强ChatGPT，通过为其提供访问更广泛的当前信息和在训练过程中未涵盖的具体数据。

图2. 通过检索增强生成（RAG）方法定制GPT-4以创建一个特定的CKD知识库

5.2. 开发一个专注于CKD的检索系统

专门为CKD定制的RAG系统被特别配置为准确识别和响应与CKD相关的查询。它擅长掌握CKD的复杂性，包括其各个阶段、经常伴随的并发症以及可用的多种治疗方法。此外，该系统针对速度和相关性进行了微调，确保在处理查询时能够快速且高效地访问全面CKD数据库中的相关信息。这种优化确保了针对CKD具体情况的快速和相关的响应。此外，建立一个数据库的持续更新系统至关重要。这涉及定期审查并包括新的研究结果、更新的医学指南以及肾脏病学中的新兴治疗方法。保持数据库的更新确保了信息既保持最新又具有权威性，使其成为模型知识库的可靠基础。

5.3. 与定制的GPT-4模型集成

将定制的GPT-4模型与CKD检索系统集成涉及建立强大且安全的应用程序编程接口（API）连接。首先，它专注于创建一个坚固的连接，允许定制ChatGPT模型与CKD检索系统之间无缝的数据流动。这个连接必须安全，以保护敏感的医疗信息并确保数据完整性。其次，定制ChatGPT模型经过微调，以调和深入的CKD信息与其固有的自然语言处理能力。这种微调对于确保模型不仅提供准确且富含CKD特定信息的响应，而且在用户查询的上下文中保持清晰和适当至关重要。

通过这种集成，模型能够提供不仅事实正确而且针对查询特定语境的响应，无论是患者的询问、医疗专业人士的详细问题还是教育场景。这确保了模型的输出对各种用户都高度相关、可理解且有用，这些用户包括医疗从业者、学生以及寻求有关CKD信息的患者。

5.4. 对CKD查询的定制响应

将定制的GPT-4模型与专门的CKD RAG系统集成，显著提高了处理与CKD相关的查询的能力。这种集成利用了复杂算法，确保ChatGPT模型精确识别与CKD相关的查询的上下文和具体细节，从而产生高度相关和定制的响应。这个过程在多个层面上运作，包括上下文理解、响应的相关性、获取最新信息以及动态信息整合。

通过这种集成的方法，ChatGPT模型成为提供准确、及时和高度具体的CKD相关查询响应的强大工具。这对于寻求快速可靠信息的医疗专业人士、寻求理解自己状况的解释的患者以及需要肾脏病学领域最新数据的研究人员尤其有价值。

5.5. 在CKD场景中进行严格的测试

系统在各种CKD情况下进行全面的测试。这些测试涵盖了一系列患者病史、CKD的不同阶段以及治疗计划的复杂性。这种广泛的测试对于确认模型的可复制性和适应各种临床条件的能力至关重要。从这些严格的测试中获得的反馈对于系统的持续改进至关重要。它有助于提高信息检索的精确性，并增强ChatGPT模型与CKD数据库协同工作的有效性。这种持续改进的过程确保了系统在处理CKD管理复杂需求时保持可靠和有效。

5.6. 定期系统监控和更新

系统在提供准确和相关的CKD信息方面的性能持续受到监控。这包括评估响应的准确性、提供的信息的相关性以及检索的速度。此外，CKD数据库定期更新最新研究、指南和治疗协议，确保模型的响应保持最新和权威。

5.7. 医疗专业人员参与和反馈

医疗专业人员被培训如何有效地使用定制ChatGPT模型来查询CKD。这包括理解其能力、局限性，以及为了获得最佳结果如何措辞查询。建立一个反馈循环，持续根据实际用户体验和医疗专业人员的建议改进系统。

6.GPT-4带有和没有RAG系统生成的响应示例

使用一个简单的查询：“列出有助于减缓CKD和终末期肾病（ESKD）进展的药物治疗”，来评估GPT-4生成的响应，无论是否采用RAG方法，其有效性。这个测试旨在比较两种方法（RAG和普通GPT-4）下提供的信息的质量和准确性（图3和4）。

使用普通的GPT-4来解决减缓CKD进展到ESKD的治疗方法时，响应倾向于提供广泛的概述，缺乏对最新KDIGO指南的深入遵循。然而，基于RAG系统的定制GPT-4模型提供的响应更加具体、详细和细致。经核实，这些响应与KDIGO 2023 CKD指南的紧密对齐，准确反映了肾脏病学领域内的当前研究和临床实践。ChatGPT的建议包括为CKD和2型糖尿病患者提供SGLT-2抑制剂和GLP-1受体激动剂。然而，ChatGPT没有提到一些可能为特定原因引起的CKD患者提供减缓CKD进展的方法的靶向药物干预，例如ADPKD患者的tolvaptan。为了提高其精确性，需要将额外的资源（例如ADPKD指南）纳入其参考数据库。这将使ChatGPT能够访问更广泛的文件，为具有特定状况的CKD患者生成更精确的建议。

重要的是，在标准的ChatGPT中使用一系列提示或探索不同的提示技术，例如思维链方法和确定特定CKD指南的使用，也可以导致与RAG系统更一致的响应。本综述旨在展示一种替代策略，即RAG系统，以增强LLM及其应用的有效性，包括在CKD背景下的应用，以展示其用途。这种方法在响应需要依赖特定或特定文件时具有优势、效率和便捷性。因此，基于KDIGO 2023 CKD指南，专门为肾脏病学，特别是CKD定制ChatGPT模型是一个广泛而细致的过程。它涉及建立一个专业知识库、开发一个专门针对肾脏病的检索系统，并将这些与ChatGPT模型整合。这个过程还包括微调模型以生成精确的响应，进行彻底的测试以确保可靠性，持续更新系统以获取最新信息，并与医疗专业人员保持互动以获取反馈和验证。这一发展结果为管理CKD提供了专业和准确的医疗指导。因此，它成为医疗提供者宝贵的资源，增强了他们为CKD患者提供知情和最新护理的能力。值得注意的是，ChatGPT模型仅作为展示RAG方法用途的一个实例。需要进行更多的研究来确认其在肾脏病学应用中的可靠性和提高其有效性。

图3. 普通GPT-4对有关减缓CKD进展至ESKD的药物治疗问题的响应

图4. 带有检索增强生成（RAG）系统的定制GPT-4对有关减缓CKD进展至ESKD的药物治疗问题的响应

7.肾脏病学中LLM与RAG系统未来研究的背景

在肾脏病学中LLM与RAG系统的未来研究建议涉及几个有前景的途径。这些途径可以显著提高肾脏病学研究的深度和广度，临床决策支持、患者教育和个性化医疗。未来的研究可能会涉及将RAG增强的LLM部署到临床环境中作为决策支持工具。它们在协助实时患者护理决策方面的有效性可以与传统的决策过程进行评估。关键指标可能包括治疗时间效率的提高、诊断的准确性以及患者满意度水平。研究可能会探索将LLM与RAG系统无缝整合到电子健康记录（EHR）平台中，这对于使临床医生能够实时、根据上下文提供决策支持至关重要。例如，通过利用最新的研究成果、当前的指南和患者特定数据，这些模型可以帮助识别人类难以察觉的微妙模式或罕见情况，从而提高复杂肾脏疾病的诊断准确性，并为患有CKD或AKI等肾脏疾病的患者量身定制治疗计划。未来的研究可能会探索使用LLM与RAG系统自动执行系统回顾和元分析的过程。这可以显著加快新研究成果的整合，确保肾脏病学实践保持领先地位。此外，将专注于肾脏病的RAG系统与其他医学领域相结合，可以提供一个更全面的病人护理模型。例如，将肾脏病学与心血管数据相结合，可能更好地预测肾脏患者的患心脏病风险。研究可能会探讨此类整合在改善共病症管理方面的结果。将基因组学、蛋白质组学和其他组学技术的见解与LLM和RAG系统相结合，也可能导致对肾脏疾病的更全面理解，并在精准医疗和新的治疗靶点方面取得突破。使用RAG增强的LLM开发的自适应学习模块可以为医疗专业人员提供个性化的教育路径。这些模块可以使用实时数据模拟患者场景，根据学习者的响应进行调整并提供基于最新临床指南的即时反馈。为了减少错误信息的风险，未来的研究可能会开发针对医疗数据细微之处的高级事实核查算法。这些算法在生成患者建议之前可以交叉参考多个权威数据库，确保提供的信息具有更高的准确性。带有RAG系统的LLM也可以用于为患有肾脏疾病的患者提供个性化的、易于理解的教材和支持。此外，研究可能会探讨建立国际联盟，以标准化肾脏病学中AI应用的标准。这些网络可以促进最佳实践的共享、创建多样化和全面的数据集，以及开发在不同人群和医疗系统中通用的AI模型。这包括根据影响不同人群肾脏疾病患病率和治疗结果的遗传、环境和经济社会因素定制模型。由于LLM与RAG系统依赖于大量数据，未来的研究必须解决伦理和隐私问题，确保患者数据被负责任和安全地使用。因此，肾脏病学中AI的伦理含义研究需要解决患者数据的同意过程、AI训练中的偏见以及AI决策过程的透明度。监管研究可能会专注于制定AI问责制和遵守医疗保健法规（如健康保险便携性和责任法案HIPAA）的框架。

8.结论

将LLM与RAG系统相结合在肾脏病学领域是一个巨大的进步。它有可能改变我们在这一专业领域内如何照顾和教育患者。然而，一个主要挑战是确保它们提供的信息准确可靠。为了使这些模型更适合在肾脏病学中的应用，使用详细提示技术、谨慎应用RAG以及微调模型等策略都是重要的。随着我们进入这个新阶段，组建包括AI专家、肾脏病专家和伦理学家在内的团队至关重要。目标是改进AI，使其不仅匹配医疗专业人员的技能，还能为医疗专业人员提供更多帮助。实现这一点既复杂又非常重要。它需要对准确度、创新和道德实践的持续承诺。通过持续的研究、改进和对患者福祉的关注，我们正在接近一个未来，在这个未来中，AI将在医疗保健中发挥变革性的作用，从而带来更好的患者结果和更有效、知识渊博的医疗保健系统。

作者贡献：

概念化，J.M., C.T., S.S., O.A.G.V. 和 W.C.; 方法学，J.M., C.T. 和 W.C.; 验证，J.M., C.T. 和 W.C.; 调查，J.M., C.T. 和 W.C.; 资源，J.M., C.T. 和 W.C.; 数据整理，J.M., C.T. 和 W.C.; 撰写—原始草稿准备，J.M., C.T., S.S., O.A.G.V. 和 W.C.; 撰写—审阅和编辑，J.M., C.T., S.S., O.A.G.V. 和 W.C.; 视觉化，J.M. 和 W.C.; 监督，C.T. 和 W.C.; 项目管理，C.T. 和 W.C.; 所有作者都已阅读并同意发表的稿件版本。

资金：

本研究未获得外部资金。

机构审查委员会声明：

不适用。

知情同意声明：

不适用。

数据可用性声明：

可用性声明可在原文发表、报告和引用的预印本中找到。

利益冲突声明：

作者声明无利益冲突。

缩写

ADPKD：常染色体显性多囊肾病；AI：人工智能；CKD：慢性肾病；EHRs：电子健康记录；ESKD：终末期肾病；GPT：生成式预训练transformer；HIPAA：健康保险便携性和责任法案；LLMs：大型语言模型；PKD：多囊肾病；RAG：检索增强生成。