自动语音识别在正畸临床记录中的转录准确性

准确的临床记录是牙科实践的基础。自动语音识别（ASR）能够在电子健康记录中将口语临床语言转换为书面文本；然而，ASR在临床牙科自然语言处理中的准确性仍不确定。本研究旨在以正畸临床记录作为实验模型，探讨ASR系统的转录准确性。具体而言，我们使用了4种商业ASR系统（Heidi Health、DigitalTCO、Dragon Medical One、Dragon Professional Anywhere）、5种应用程序编程接口（Amazon、Google、Speechmatics、Whisper、GPT4oTranscribe），以及一个将GPT4oTranscribe与GPT4o大语言模型（LLM）耦合用于生成式纠错的两阶段流程（GPT4oTranscribeCorrected）。对正畸诊断和治疗计划总结（n=200；10个主题领域；43,408词；6小时音频）进行叙述和录音以供分析。主要结局是领域词错误率（DWER），其针对医学系统命名法临床术语（SNOMED-CT）数据库研究临床术语转录错误。次要结局包括非领域WER（N-DWER）、词汇准确性（面向召回的字词评估替代研究[ROUGE]评分）、语义相似性（来自变换器的双向编码器表示[BERT]和双向自回归变换器[BART]评分）、幻觉（转录文本未出现在口语输入中）以及定性错误分析。GPT4oTranscribeCorrected转录最准确（DWER=3.5%；WER=3.7%），与GPT4oTranscribe相比DWER降低54.9%。Heidi Health是表现最好的商业系统（DWER=6.2%；WER=5.4%），Dragon Professional Anywhere最差（WER=33.9%）。除GPT4oTranscribeCorrected外，所有系统对技术词汇的准确性较低（DWER>N-DWER；P<0.001）。ROUGE、BERT和BART评分在各系统间存在显著差异（P<0.001）。基于事后两两比较，GPT4oTranscribeCorrected表现最佳，Dragon Professional Anywhere在词汇和语义错误方面始终最差。除Whisper（n=57）和DigitalTCO（n=1）外，未出现幻觉。在各系统中，背景噪声增加了DWER和WER（P<0.001）。重要的是，所有系统均出现临床显著错误，范围为2%至66%（分别为GPT4oTranscribeCorrected干净条件和Dragon Medical One背景噪声）。叙述者口音变异在干净条件下无影响（P=0.65），在背景噪声下有小影响（P=0.001）。ASR系统可实现个位数转录错误率，尤其是与基于LLM的纠错耦合时，但临床显著错误仍然存在。使用当前ASR系统时，临床记录的验证至关重要。