کمیسیون‌های تومور محفل‌های چندرشته‌ای حیاتی هستند که متخصصان سلامت در آن‌ها استراتژی‌های درمانی شخصی‌سازی‌شده را از طریق بررسی همزمان داده‌های رادیولوژیک و آسیب‌شناسی تدوین می‌کنند. بحث‌های مؤثر در این جلسات به خلاصه‌های مختصر و informative نیاز دارد که جزئیات بالینی ضروری را بدون صرف زمان اضافی از سوی پزشکان در بر بگیرد.
تیم تحقیقاتی دانشگاه استنفورد نخست گردش‌کار دستی مبتنی بر هوش مصنوعی را برای تولید خلاصه‌های زنده بیماران پیاده‌سازی کرد. سپس این فرآیند را به‌صورت سیستماتیک خودکار سازی تا بار کاری پزشکان کاهش یابد و دقت حفظ شود.
این پژوهش چندین رویکرد خلاصه‌سازی خودکار پرونده (automated chart summarization) را با خلاصه‌های مرجع پزشکان مقایسه کرد. ارزیابی‌ها نشان داد کدام روش‌ها نزدیک‌ترین تطابق را با مستندات بالینی انسانی در ثبت اطلاعات مرتبط بیمار دارند.
محققان به‌طور خاص بررسی کردند که آیا مدل‌های زبانی بزرگ (Large Language Models) می‌توانند به‌عنوان داور برای ارزیابی دقت واقعی (factual accuracy) عمل کنند. آن‌ها روش‌شناسی جدید LLM-as-judge را برای نمره‌دهی مبتنی بر واقعیت آزمایش کردند.
پس از ارزیابی‌های دقیق، تیم سیستم بهینه‌شده را در گردش‌کار بالینی تولید کمیسیون تومور قفسه سینه استنفورد مستقر کرد. نکته حیاتی این است که پایش مداوم پس از استقرار برای ردیابی عملکرد سیستم و شناسایی خطاها یا انحرافات احتمالی پیاده‌سازی شد. این نظارت مستمر تضمین می‌کند ابزار با تکامل عمل بالینی و تغییر جمعیت بیماران، قابلیت اطمینان خود را حفظ کند.
این پژوهش مطالعه موردی قابل‌توجهی در ادغام موفق ابزارهای پشتیبان تصمیم‌گیری مبتنی بر هوش مصنوعی در عملکرد بالینی روزمره محسوب می‌شود. محققان با مستندسازی خط لوله توسعه کامل از استقرار اولیه تا ارزیابی و پایش مداوم، چارچوبی تکرارپذیر برای مؤسسات سلامت فراهم کرده‌اند که مایل به خودکارسازی وظایف مستندسازی اداری مشابه هستند. اعتبارسنجی استراتژی‌های ارزیابی LLM-as-judge رویکردی عملی برای تیم‌هایی ارائه می‌دهد که منابع کافی برای بررسی تخصصی گسترده انسانی در طول توسعه و اصلاح سیستم ندارند.
گفتگو