Digital Doktor Retrieval-Augmented Generation av VGR Riktlinjer
dc.contributor.author | Emanuelsson, Alice | |
dc.contributor.author | Persson, Adam | |
dc.contributor.department | Chalmers tekniska högskola / Institutionen för data och informationsteknik | sv |
dc.contributor.department | Chalmers University of Technology / Department of Computer Science and Engineering | en |
dc.contributor.examiner | Smallbone, Nicholas | |
dc.contributor.supervisor | Sistek, Sakib | |
dc.contributor.supervisor | Rawshani, Araz | |
dc.date.accessioned | 2025-09-25T07:59:17Z | |
dc.date.issued | 2025 | |
dc.date.submitted | ||
dc.description.abstract | Idag har Large Language Models (LLM) blivit en naturlig del i vardagen för många, då tillgängligheten och träffsäkerhet ökat markant de senaste åren. Det blir då en naturlig utveckling att skapa möjligheter för att använda LLM:s som stödverktyg inom vården. Detta examensarbete görs i samarbete med Sahlgrenska Universitets Sjukhus och syftar till att utveckla Retrieval-Augmented Generation baserat på Västra Götalandsregionens medicinska riktlinjer. Med hjälp av OpenAIs GPT API och riktlinjerna för regionen, skapas ett program med chatt funktionalitet som levererar svar på medicinska frågor baserat på aktuella riktlinjer, samt tydligt källhänvisar till dessa. Projekt avser att visa på potentialen av dessa program. Rapporten redovisar hur arbetet genomfördes och användbarheten av programmet inom vården. | |
dc.identifier.coursecode | LMTX38 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12380/310527 | |
dc.setspec.uppsok | Technology | |
dc.subject | RAG | |
dc.subject | LLM | |
dc.subject | OpenAI | |
dc.subject | Azure | |
dc.subject | python | |
dc.subject | vårdriktlinjer | |
dc.title | Digital Doktor Retrieval-Augmented Generation av VGR Riktlinjer | |
dc.type.degree | Examensarbete på kandidatnivå | sv |
dc.type.degree | Bachelor Thesis | en |
dc.type.uppsok | M2 | |
local.programme | Datateknik 180 hp (högskoleingenjör) |