Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
Review
. 2025 Jun;72(6):1000-1014.
doi: 10.1007/s12630-025-02980-w. Epub 2025 Jun 9.

Large language models in perioperative medicine-applications and future prospects: a narrative review

Arnaud Romeo Mbadjeu Hondjeu  1   2   3   4 , Zi Ying Zhao  5   6 , Luka Newton  5 , Anass Ajenkar  5 , Emily Hladkowicz  6   7 , Karim Ladha  8 , Duminda N Wijeysundera  8 , Daniel I McIsaac  5   6   7   9
Affiliations
Review

Large language models in perioperative medicine-applications and future prospects: a narrative review

Arnaud Romeo Mbadjeu Hondjeu et al. Can J Anaesth. 2025 Jun.

Abstract
in English, French

Purpose: Large language models (LLMs) are a subset of artificial intelligence (AI) and linguistics designed to help computers understand and analyze human language. Clinical applications of LLMs have recently been recognised for their potential enhanced analytic capacity. Availability and performance of LLMs are expected to increase substantially over time with a significant impact on patient care and health care provider workflow. Despite increasing recognition of LLMs, insights on the utilities, associated benefits and limitations are scarce among perioperative clinicians. In this narrative review, we delve into the functionalities and prospects of existing LLMs and their clinical application in perioperative medicine. Furthermore, we summarize challenges and constraints that must be addressed to fully realize the potential of LLMs.

Source: We searched MEDLINE, Google Scholar, and PubMed® databases for articles referencing LLMs in perioperative care.

Principal findings: We found that in the perioperative setting (from surgical diagnosis to discharge postoperatively), LLMs have the potential to improve the efficiency and accuracy of health care delivery by extracting and summarizing clinical data, making recommendations on the basis of these findings, as well as addressing patient queries. Moreover, LLMs can be used for clinical decision-making support, surveillance tools, predictive modelling, and enhancement of medical research and education.

Conclusions: The integration of LLMs into perioperative medicine presents a significant opportunity to enhance patient care, clinical decision-making, and operational efficiency. These models can streamline processes, provide personalized patient education, and offer robust decision support. Nevertheless, their clinical implementation requires addressing several key challenges, including managing hallucinations, ensuring data security, and mitigating inherent biases. If these challenges are met, LLMs can revolutionize perioperative practice, improving both patient outcomes and clinician workflow.

RéSUMé: OBJECTIF: Les grands modèles de langage (LLM) sont à la croisée des chemins de l’intelligence artificielle (IA) et de la linguistique et sont conçus pour aider les ordinateurs à comprendre et analyser le langage humain. Les applications cliniques des LLM ont récemment été reconnues pour leur capacité analytique potentiellement améliorée. La disponibilité et les performances des LLM devraient augmenter considérablement au fil du temps, ce qui aura un impact significatif sur les soins à la patientèle et le flux de travail des prestataires de soins de santé. Malgré la reconnaissance croissante des LLM, les équipes cliniques périopératoires ont peu d’informations sur leurs utilités, ainsi que sur les avantages et limites qui y sont associés. Dans ce compte rendu narratif, nous nous penchons sur les fonctionnalités et les perspectives des LLM existants et leur application clinique en médecine périopératoire. Nous résumons également les défis et les contraintes qui doivent être abordés pour réaliser pleinement le potentiel des LLM.

Sources: Nous avons recherché des articles faisant référence à des LLM en soins périopératoires dans les bases de données MEDLINE, Google Scholar et PubMed®.

Constatations principales: Nous avons constaté que dans le cadre périopératoire (du diagnostic chirurgical au congé postopératoire), les LLM ont le potentiel d’améliorer l’efficacité et la précision de la prestation des soins de santé en extrayant et en résumant les données cliniques, en formulant des recommandations sur la base de ces résultats, ainsi qu’en répondant aux questions des patients et patientes. De plus, les LLM peuvent être utilisés pour l’aide à la prise de décision clinique, les outils de surveillance, la modélisation prédictive et l’amélioration de la recherche médicale et de l’éducation.

Conclusion: L’intégration des LLM dans la médecine périopératoire représente une opportunité majeure d’améliorer les soins à la patientèle, la prise de décision clinique et l’efficacité opérationnelle. Ces modèles peuvent rationaliser les processus, fournir une éducation personnalisée à la patientèle et offrir une aide à la décision solide. Néanmoins, leur mise en œuvre clinique nécessite de relever plusieurs défis clés, notamment la prise en charge des hallucinations, la sécurité des données et l’atténuation des préjugés inhérents. Si ces défis sont relevés, les LLM pourraient révolutionner la pratique périopératoire, en améliorant à la fois les devenirs pour la patientèle et le flux de travail des équipes cliniques.

Keywords: ChatGPT; artificial intelligence; generative AI; health care; large language models; machine learning applications; natural language generation; natural language processing; perioperative medicine.

PubMed Disclaimer

Conflict of interest statement

The authors declare no conflicts of interest related to the content of this article.

Figures

Fig. 1
Fig. 1
Timeline and key milestones in the evolution of natural language processing LLM = large language model
Fig. 2
Fig. 2
Evolution of the size of large language models
Fig. 3
Fig. 3
Clinical applications of large language models in perioperative medicine
Fig. 4
Fig. 4
Key limitations of large language models in perioperative medicine
See this image and copyright information in PMC

Similar articles

See all similar articles

Cited by

References

    1. Bellman RE. Artificial Intelligence: Can Computers Think? San Francisco: Boyd & Fraser Publising Company; 1978.
    1. Feuerriegel S, Hartmann J, Janiesch C, Zschech P. Generative AI. Bus Inf Syst Eng 2024; 66: 111–26. 10.1007/s12599-023-00834-7
    1. Chowdhary KR. Natural language processing. In: Fundamentals of Artificial Intelligence. New Delhi: Springer; 2020: 603–49.
    1. Devlin J, Chang MW, Lee K, Toutanova K. Bert: pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:181004805 (Preprint). 2019. 10.18653/v1/N19-1423
    1. Grocott M, Edwards M, Mythen M, Aronson S. Peri‐operative care pathways: re-engineering care to achieve the 'triple aim'. Anaesthesia 2019; 74: 90–9. 10.1111/anae.14513 - PubMed

LinkOut - more resources