LegközelebbKövetkező útmutató
ChatGPT gyógyszerészeknek
Alkalmazások
Alkalmazási ÚTMUTATÓ
Az olyan nagy nyelvi modellek, mint a GPT-4, elfogadható differenciáldiagnosztikai listákat állíthatnak elő az esetleírásokból, és a közzétett tanulmányokban gyakran tartalmazzák a helyes diagnózist.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Ezek nem hitelesített diagnosztikai eszközök. Legbiztonságosabb felhasználásuk strukturált második vélemény ötletbörzeként, amelyet egy klinikus ellenőrzi a pácienssel, és azok az orvosok, akik ismerik erősségeiket és meghibásodási módjaikat, a legtöbbet hozzák ki belőlük.
A bizonyítékok nagy része esetmatricákból származik. Egy 2023-as JAMA kutatási levelében Kanjee és munkatársai 70 nehéz eseten tesztelték a GPT-4-t a New England Journal of Medicine klinikopatológiai konferenciáiról. A végső diagnózis az esetek körülbelül 64 százalékában a modell differenciálművében jelent meg, és körülbelül 39 százalékban a legjobb diagnózis volt. A Goh és munkatársai által a JAMA Network Open 2024-ben közzétett randomizált vizsgálata 50 orvosnak adott a GPT-4 plusz szokásos erőforrásokat, vagy csak a szokásos erőforrásokat a strukturált diagnosztikai esetekre. A GPT-4 elérése nem javította jelentősen az orvosok diagnosztikai érvelési pontszámait. Az egyedül dolgozó GPT-4 azonban lényegesen magasabb pontszámot ért el, mint a csak szokásos erőforrásokat használó orvosok. Az egyik értelmezés szerint az orvosok nem tudták megfelelően használni az eszközt, vagy nem bíztak benne, amikor nem értett egyet velük. A kutatási rendszereket, mint például a Google AMIE-jét, szintén tesztelték diagnosztikai párbeszéd és differenciálgenerálás terén, és erős eredményeket értek el ellenőrzött vizsgálatokban. Ezeket az eredményeket figyelmesen kell olvasni. A közzétett esetsorozatok szerepelhetnek a modell betanítási adataiban. A matricák már kitisztítva érkeznek, a releváns leleteket kiválasztva és összesítve, míg a valódi betegek hiányos, ellentmondásos és kimondatlan információkat hoznak. A „helyes diagnózis valahol a listában” pontozása hosszú listákat jutalmaz, ami további vizsgálatokat tehet szükségessé. Az általános tévhit az, hogy a benchmark pontossága egyenlő az ágy melletti pontossággal. Nem. Az ismert hibamódok közé tartozik a magabiztos, de téves érvelés, a kitalált hivatkozások vagy laboratóriumi küszöbértékek, a felhasználó által megjelölt diagnózisokhoz való rögzítés, a gyakori tankönyvbemutatók túlsúlyozása és az időkritikus feltételek hiánya, amikor a leírás elhagyja az életjeleket. Az adatvédelem egy külön kérdés. Az azonosítható betegadatok beírása egy fogyasztói chatbotba üzlettársi szerződés nélkül sértheti a HIPAA-t, ezért a klinikusoknak olyan eszközöket kell használniuk, amelyeket a szervezetük jóváhagyott.
Egy kórházi beteg beírja a láz, bőrkiütés, eozinofília és egy új görcsoldó összefoglalóját az egészségügyi rendszere jóváhagyott mesterséges intelligencia eszközébe, és kihagyhatatlan diagnózisokat kér. DRESS megjelenik a listán, és áttekinti a gyógyszeres kezelés idővonalát.
Egy rezidens megkérdezi a modellt, hogy mely eredmények különböztetnék meg legjobban az akut nehézlégzésre vonatkozó három diagnózisát, majd a választ egy célzott vizsgálat és tesztek megtervezésére használja, nem pedig a diagnózisra.
Egy vírusos betegségre gyanakodó alapellátó orvos arra kéri a modellt, hogy érveljen vezető diagnózisa ellen, és sorolja fel, mi hiányzik neki. Ez a horgonyzás szándékos ellenőrzése.
Egy klinikus két különböző rangsorolt listát kap, miután kétszer feltette ugyanazt a kérdést, kissé eltérő megfogalmazással, és ezt jelnek veszi, hogy a modell sorrendje nem valószínűségi becslés.
A diagnosztikai mesterséges intelligencia az általános chatbotokról az EHR-ekbe és bizonyítékplatformokba épített eszközök felé mozdul el, ahol láthatják a strukturált adatokat és hivatkozhatnak forrásokra. Ez csökkentheti bizonyos hibák számát, de növeli annak kockázatát, hogy a klinikusok elhalasztják a magabiztos javaslatot. A Goh-próba rámutat a nyitott kérdésre: hogyan kell együtt dolgozniuk a klinikusoknak és a modelleknek, nem csak arra, hogy a modell mennyire pontos egyedül. A matrica-benchmarkokhoz képest még mindig kevés a valós betegekkel végzett prospektív tanulmányok és a valós eredmények. Amíg több nem létezik, a védhető álláspont az, hogy ezek az eszközök szélesíthetik a különbséget és azonnali újragondolást tesznek lehetővé. A diagnózis továbbra is a klinikus tulajdonosa.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Az olyan nagy nyelvi modellek, mint a GPT-4, elfogadható differenciáldiagnosztikai listákat állíthatnak elő az esetleírásokból, és a közzétett tanulmányokban gyakran tartalmazzák a helyes diagnózist. Ezek nem hitelesített diagnosztikai eszközök. Legbiztonságosabb felhasználásuk strukturált második vélemény ötletbörzeként, amelyet egy klinikus ellenőrzi a pácienssel, és azok az orvosok, akik ismerik erősségeiket és meghibásodási módjaikat, a legtöbbet hozzák ki belőlük.
A végső diagnózis az esetek körülbelül 64 százalékában a differenciáldiagnózis volt, és körülbelül 39 százalékban a legmagasabb diagnózis volt.
A GPT-4-vel rendelkező orvosok nem teljesítették jelentősen a szokásos erőforrásokkal rendelkező orvosokat, de a modell önmagában magasabb pontszámot ért el. Ez rámutat arra, hogyan használják az emberek az eszközt.
Az előre szervezett leletek és a képzési adatok esetleges szennyeződése egyaránt megkönnyíti a matricák elkészítését, mint a rendetlen valós találkozásokat.
A modellek hajlamosak egyetérteni a nekik adott kerettel, így a diagnózisra való utalás a különbséget a felé húzza.
Valószínűleg egy hosszabb lista tartalmazza a választ, de a gyakorlatban a hosszú eltérések többlet és szükségtelen feldolgozásokhoz vezethetnek.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
ChatGPT gyógyszerészeknek
Alkalmazások