Компјутерските алатки за поддршка на медицинските одлуки напредуваа со текот на времето, најчесто служејќи како ресурси за ограничени апликации. Алатките за машинско учење за автономно толкување на клинички случаи, исто така, постепено се подобруваа со текот на времето.
Истражувачи на Универзитетот Харвард директно го спротивставија големиот јазичен модел o1 на OpenAI со стотици лекари со различно ниво на обука и искуство за различни клинички случаи, од објавени вињети на пациенти до проценки на сосема нови пациенти од итна помош, како и клинички задачи, вклучувајќи дијагноза и планирање на клинички третман.
Во различни сценарија и апликации, големиот јазичен модел ги надмина и човечките лекари и постарите модели, што укажува на неговата потенцијална корисност за клиничка нега.
Севкупно, наодите покажуваат дека LLM сега покажуваат значителни перформанси во диференцијалната дијагноза, дијагностичкото клиничко расудување и логичкото расудување во управувањето, надминувајќи ги и претходните генерации модели, па дури и човечките клиничари во повеќе домени.
Истите овие подобрувања во перформансите се евидентни и во обезбедувањето второ мислење во реални, неструктурирани медицински случаи во одделот за итни случаи, каде што медицинскиот персонал мора да дејствува брзо со ограничени и често недостасувачки информации.
„Наодите сугерираат дека LLM ги засени повеќето мерки за клиничка проценка, мотивирајќи ја итна потреба од студии за интеракција човек-компјутер и проспективни клинички испитувања за ригорозно да се процени потенцијалот на системите со вештачка интелигенција за подобрување на клиничката пракса и исходите кај пациентите“, заклучуваат истражувачите во студија објавена во списанието Science.
(Vidi.hr)
