Los botes de chat impulsados por la inteligencia artificial se están volviendo muy buenos para diagnosticar algunas enfermedades, incluso cuando son complicadas. Pero, ¿cómo lo hacen los botes de chat al guiar el tratamiento y la atención después del diagnóstico? Por ejemplo, ¿cuánto tiempo antes de la cirugía debe un paciente dejar de tomar hojas de sangre? ¿Debería cambiar el protocolo de tratamiento de un paciente si tiene una reacción negativa a medicamentos similares en el pasado? Dichas preguntas no tienen la respuesta correcta o incorrecta al libro de texto: depende de que los médicos usen su juicio.
Jonathan H. Chen, MD, PhD, profesor asistente de medicina, y un equipo de investigadores están detectando si los botes de chat, un modelo de lenguaje grande o LLM, tan controvertido. Los barcos funcionan mejor.
Respuestas, esto muestra, sí y sí. El equipo de investigación experimentó sobre cómo un chatboat hizo una variedad de cruzadas clínicas. Un bote de chat realiza mejores actuaciones que solo podrían acceder a la búsqueda de Internet y las referencias médicas, pero permanecieron con muchas regiones y entidades en los Estados Unidos, equipados con médicos, barcos de chat.
Chen dijo: “Durante años, he dicho, cuando conjuntamente, la computadora humana más funcionará mejor que nadie”. “Creo que este estudio nos reta a pensar de manera más crítica y preguntarnos: ‘¿Qué es una buena computadora? ¿Cuál es el beneficio de una persona?’ Es posible que necesitemos volver a considerar las capacidades en las que usamos estas habilidades y combinarlas y para qué trabajos reclutamos.
Un estudio que apareció es el detalle de estos resultados Medicamento El 5 de febrero, la Universidad de Harvard es profesor asistente, MD, Chen y Adam Roadman Co -senior autor. Los estudiosos de los documentales son Ethan Goh, MD, y Robert Gello, MD, coeficiente.
Prometido por bots de chat
En octubre de 2024, Chen y Goh lideraron un equipo en el que se realizó un estudio, publicado Abrir red abiertaExaminó cómo se desempeñó Chatboat cuando se diagnosticó con enfermedades y descubrió que su precisión era más que médicos, incluso si estaba usando un bote de chat. El documento existente cava en los hebra de la medicina y examina el desempeño de las botas y terapeutas de chat en preguntas que entran en una categoría llamada “razonamiento de gestión clínica”.
CowHew describe tal diferencia: solo imagine que está utilizando la aplicación MAP en su teléfono para guiarlo a un destino en particular. El uso de LLM para diagnosticar una enfermedad es como usar un mapa para identificar la ubicación correcta. ¿Cómo se obtiene? Hay parte del razonamiento de la administración: ¿va y viene debido al tráfico? ¿Quédate en el curso, parachoques? ¿O espera y espero que se limpien las carreteras?
En un contexto médico, estas decisiones pueden ser difíciles. El médico dice que el médico descubrió accidentalmente que el hospital ingresado en la parte superior de los pulmones del pulmón es una gran escala generalizada. ¿Cuáles serán los próximos pasos? El Doctor (o Boat de chat) debe admitir que en términos de estadísticas, los pulmones superiores de los pulmones tienen más probabilidades de propagarse por todo el cuerpo en un nodo grande. El médico puede tomar inmediatamente una biopsia a gran escala, configurar el procedimiento de imagen posterior a la fecha u ordenar para tratar de obtener más información.
Comenzando con las preferencias conocidas del paciente, determine qué enfoque del paciente es mejor adecuado. ¿Están recuperados para someterse a un procedimiento invasor? ¿La historia del paciente refleja la falta de cumplimiento de las citas? ¿El sistema de salud del hospital es confiable al organizar citas de seguimiento? ¿Qué opinas sobre las referencias? Chen dijo que es muy importante considerar este tipo de factores.
El equipo diseñó un ensayo para estudiar el rendimiento del razonamiento de gestión clínica en tres grupos: 46 médicos con arranque de chat solitario, soporte de arranque de chat y 46 médicos con solo búsqueda en Internet y referencias médicas. Seleccionaron cinco casos identificados de pacientes y les dieron botas de chat y médicos, todos dieron una respuesta por escrito a lo que harían en todos los casos, por qué y lo que entendieron al tomar una decisión.
Además, los investigadores aprovecharon a un grupo de médicos certificados de la Junta para crear un robo que sería elegible para una decisión o decisión médica que se evaluaría adecuadamente. Después de eso, las decisiones se puntuaron contra el ramark.
Debido a la sorpresa del equipo, Chatboat superó a los médicos que solo tenían acceso a Internet y referencias médicas, chocando con más artículos en la rúbrica que los médicos. Pero los médicos que fueron hechos con una bota de chat y solo en chat.
¿El futuro de los médicos de botas de chat?
Lo único que promueve la ayuda del bote de chat al médico es debate. ¿Los médicos de LLM se ven obligados a pensar más en este caso? ¿O LLM está proporcionando orientación de que los médicos no pensaron en sí mismo? Chen dijo que era la dirección de la búsqueda futura.
Los resultados positivos de la pareja con barcos de chat para botes de chat y los médicos exigen una pregunta popular: ¿están los médicos de IA en camino?
“Este es probablemente un punto a favor de la IA”, dijo Chen. Pero en lugar de reemplazar a los médicos, los resultados muestran que el Dr. Chattas bienvenido a la bienvenida. “Esto no significa que los pacientes deben abandonar el médico y ir directamente a los botes de chat”, dijo. “Hay mucha buena información, pero también tiene mala información. Todos tenemos que desarrollar las habilidades que tenemos para comprender lo que es confiable y no bien. Esto es más importante que nunca”.
Investigadores del Sistema de Salud VA Palo Alto, Beth -israeli Deconis Medical Center, Universidad de Harvard, Universidad de Minnesota, Universidad de Virginia, Microsoft y César desempeñaron un papel vital en el trabajo.
El estudio fue financiado por la Fundación Gordon y Betty Moore, el Centro de Investigación de Excelencia Clínica de Stanford y VA Advance Fellowship at Medical Information.
El Departamento de Medicina de Stanford también apoyó el trabajo.
