Leveraging AI via speech-to-text and LLM integration for improved healthcare decision-making in primary care

Amidst the pressing need in healthcare, particularly among general practitioners, to alleviate workload during free hours and streamline documentation processes, the research delves into recent AI advancements in healthcare, facilitating a comparison with similar existing solutions leveraging AI and automatic speech recognition (ASR) in the healthcare sector. Focused on speech technology, specifically ASR working alongside a Large Language Model (LLM), we propose a comprehensive framework for implementing software aimed at supporting diagnosis in general practice settings. The framework comprises three key components: simple ASR, decision support, and automated prescription email generation. Results include a qualitative analysis of decision support system output and a quantitative analysis of Concatenated minimum-permutation Word Error Rates (cp-WER) in experimental settings. By automating tasks and reducing administrative burdens, this solution aims to strengthen medic-patient relationships and potentially improve diagnostic outcomes.

In considerazione della pressante necessità di alleggerire il carico di lavoro dei medici di medicina generale durante le ore libere e di snellire i processi di documentazione, la ricerca analizza i recenti progressi dell'IA nel settore sanitario, facilitando il confronto con soluzioni analoghe già esistenti che sfruttano l'IA e il riconoscimento automatico del parlato (ASR) nel settore sanitario. Concentrandosi sulla tecnologia vocale, in particolare sull'ASR e sui modelli di linguaggio di grandi dimensioni (LLM), si propone un quadro completo per l'implementazione di un software di supporto alla diagnosi in medicina generale. La struttura comprende tre componenti chiave: semplice ASR, supporto decisionale e generazione automatica di e-mail di prescrizione medica. I risultati includono un'analisi qualitativa dell'output del sistema di supporto decisionale e un'analisi quantitativa del tasso di errore di parola minimo concatenato (cp-WER) in contesti sperimentali. Automatizzando i compiti e riducendo gli oneri amministrativi, questa soluzione mira a rafforzare il rapporto medico-paziente e potenzialmente a migliorare i risultati diagnostici.