Artificial intelligence in rehabilitation: comparing OpenAI ChatGPT recommendations to evidence-based meta-analyses
Notice bibliographique
Résumé
Background: ChatGPT, short for Chat Generative Pre-Trained Transformer, is a language model developed by OpenAI that is capable of generating human-like text responses to various prompts.In the field of rehabilitation, ChatGPT has the potential to be a valuable resource for patients and clinicians alike.In light of the open, easy access to this tool, its application in rehabilitation should be considered and evaluated.Aims: This study aimed to test the feasibility of using the OpenAI ChatGPT tool to generate clinical recommendations in rehabilitation and compare its findings with recent meta-analyses. Material and methods:The selection of rehabilitation areas was based on a report on the global estimates of the need for rehabilitation, with the top three disorders being musculoskeletal disorders, neurological disorders, and chronic respiratory diseases.The authors evaluated the responses of ChatGPT to clinical questions in these areas against the existing evidence on rehabilitation interventions from systematic reviews and meta-analyses in the Cochrane Library database.Results: The findings of the study indicate that the AI's recommendations align with the current scientific knowledge on rehabilitation interventions, as demonstrated through a comparison with the Cochrane Library database.Conclusions: Using AI language models like ChatGPT can help identify effective rehabilitation methods for common conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,178 | 0,614 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,016 | 0,030 |
| Bibliométrie | 0,024 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,007 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».