1. Phân tích Cấu trúc Prompt
Prompt này được thiết kế để yêu cầu một so sánh chi tiết và có chuyên môn cao giữa hai loại thuốc. Cấu trúc của prompt bao gồm các thành phần cố định và các biến số, cho phép người dùng tùy chỉnh yêu cầu của mình.
- Mệnh đề mở đầu: “So sánh khả năng đáp ứng và nguy cơ tác dụng phụ của thuốc A…” – Đây là câu lệnh chính, định hướng cho mô hình thực hiện một hành động so sánh cụ thể.
- Biến số:
- `[TÊN_THUỐC_A]`: Xác định tên của loại thuốc đầu tiên cần so sánh.
- `[TÊN_THUỐC_B]`: Xác định tên của loại thuốc thứ hai cần so sánh.
- `[GIỚI_TÍNH_BỆNH_NHÂN]`: Chỉ định giới tính của nhóm bệnh nhân mục tiêu.
- `[TÊN_BỆNH]`: Xác định tình trạng bệnh lý mà bệnh nhân đang mắc phải.
- `[ĐẶC_ĐIỂM_BỆNH_NHÂN_CỤ_THỂ]`: Cho phép người dùng bổ sung các yếu tố cụ thể khác của bệnh nhân (ví dụ: độ tuổi, các bệnh đi kèm, giai đoạn bệnh, v.v.) để làm cho phân tích sâu sắc hơn.
- Yêu cầu về dữ liệu: “Đánh giá dựa trên các dữ liệu lâm sàng, di truyền và dược lý đã biết.” – Đặt ra tiêu chuẩn cho nguồn thông tin mà mô hình nên dựa vào, đảm bảo tính khoa học và đáng tin cậy.
- Mệnh đề kết luận: “Đề xuất lựa chọn tối ưu.” – Hướng mô hình đến việc đưa ra một khuyến nghị cuối cùng, thể hiện sự tổng hợp và đánh giá.
2. Ý nghĩa & Cách hoạt động
Prompt này hoạt động bằng cách cung cấp đầy đủ ngữ cảnh và các tham số cần thiết cho một mô hình ngôn ngữ lớn (LLM) để thực hiện một tác vụ phức tạp liên quan đến y khoa và dược học. LLM sẽ sử dụng các biến số được cung cấp để tra cứu và tổng hợp thông tin từ kho kiến thức khổng lồ của nó, bao gồm các bài báo khoa học y khoa, cơ sở dữ liệu thuốc, hướng dẫn lâm sàng, và các nghiên cứu liên quan.
- “Khả năng đáp ứng” (efficacy/responsiveness): Mô hình sẽ tìm kiếm thông tin về hiệu quả của mỗi loại thuốc trong việc điều trị `[TÊN_BỆNH]` ở bệnh nhân có các đặc điểm đã cho, bao gồm tỷ lệ thành công, thời gian điều trị, mức độ cải thiện triệu chứng, v.v.
- “Nguy cơ tác dụng phụ” (side effect profile): Mô hình sẽ phân tích các tác dụng không mong muốn có thể xảy ra với mỗi loại thuốc, tần suất xuất hiện, mức độ nghiêm trọng, và các yếu tố nguy cơ liên quan.
- “Dữ liệu lâm sàng, di truyền và dược lý”: Việc đề cập đến các loại dữ liệu này yêu cầu mô hình không chỉ đưa ra thông tin tổng quát mà còn cố gắng tích hợp các bằng chứng khoa học, có thể bao gồm cả các nghiên cứu về dược động học, dược lực học, và các biến thể di truyền có thể ảnh hưởng đến phản ứng với thuốc.
- “Đề xuất lựa chọn tối ưu”: Dựa trên toàn bộ phân tích về hiệu quả và tác dụng phụ, cùng với các yếu tố đặc thù của bệnh nhân, mô hình sẽ đưa ra một khuyến nghị về loại thuốc nào có khả năng mang lại lợi ích cao nhất với rủi ro thấp nhất trong trường hợp cụ thể này.
3. Ví dụ Minh họa
Ví dụ 1:
So sánh khả năng đáp ứng và nguy cơ tác dụng phụ của thuốc A Metformin và thuốc B Gliclazide ở bệnh nhân nữ với tình trạng Đái tháo đường type 2, có đặc điểm béo phì, chưa có biến chứng thận. Đánh giá dựa trên các dữ liệu lâm sàng, di truyền và dược lý đã biết. Đề xuất lựa chọn tối ưu.
Ví dụ 2:
So sánh khả năng đáp ứng và nguy cơ tác dụng phụ của thuốc A Ibuprofen và thuốc B Aspirin ở bệnh nhân nam với tình trạng Đau khớp do Viêm khớp dạng thấp, có đặc điểm tiền sử loét dạ dày và đang sử dụng thuốc chống đông máu. Đánh giá dựa trên các dữ liệu lâm sàng, di truyền và dược lý đã biết. Đề xuất lựa chọn tối ưu.
👉 Tóm lại
Prompt template này là một công cụ mạnh mẽ để yêu cầu LLM thực hiện các phân tích y khoa chuyên sâu. Bằng cách cung cấp các biến số rõ ràng và yêu cầu dựa trên bằng chứng khoa học, prompt cho phép người dùng thu thập thông tin so sánh chi tiết về hiệu quả, tác dụng phụ của thuốc, và nhận được một đề xuất lựa chọn tối ưu cho một trường hợp bệnh nhân cụ thể. Đây là một cách tiếp cận hiệu quả để tận dụng AI trong việc hỗ trợ đưa ra quyết định y tế hoặc thu thập kiến thức chuyên môn.
