Evaluating the Precision of ChatGPT Artificial Intelligence in Emergency Differential Diagnosis
Notice bibliographique
Résumé
Introduction: artificial intelligence (AI) is the study and development of intelligent machines that can carry out tasks that would typically require human intelligence. AI seeks to give machines the ability to think, problem-solve, sense their surroundings, and comprehend human speech. By enhancing and optimising processes, this technology is predicted to completely transform a number of industries. Artificial intelligence is tipped to be the next technological breakthrough that will shape our future. Objective: This study focused on evaluating the precision of ChatGPT artificial intelligence in emergency differential diagnosis. Methods: This was a comparison study, conducted from August to September 2023, evaluating the ability of both the Monica ChatGPT and the emergency medicine textbooks to provide differential diagnoses for frequently occurring complaints. Twelve symptoms common to adult patients were included in the list of chief complaints. To gauge the accuracy of the ChatGPT’s answers, the researcher employed ChatGPT®-4 queries. Results: The total number of differential diagnoses captured by the two resources was 431. The ChatGPT captured a total of 272 differential diagnoses; however, 59 of these were not included in the list of the chief complaints. Conclusion: The study concludes that AI can be helpful in some situations, such as primary care diagnosis and patient triage, although in most cases it is not a better diagnostic tool. Therefore, AI and human diagnosis can be used concurrently in the health sector.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».