Exploring ChatGPT's potential in the context of colon cancer patient education: proof-of-concept study (Preprint)
Notice bibliographique
Résumé
Background:ChatGPT is a large language model capable of generating human-like conversation.It has demonstrated promise as a tool for medical education for both professionals and patients.Previous research in medical oncology and colon cancer showed a glimpse of its application on topics like colonoscopy, colorectal surgery, and guideline-based treatment.Objective: To evaluate ChatGPT's performance as a source of patient medical education for colon cancer Methods: A set of twenty non-expert questions were prepared and fed to ChatGPT three times.Later, generated responses were evaluated by two doctors for accuracy, simplicity (0-10), and consistency (0,1).Mean, median and standard deviation were calculated for both accuracy and simplicity scores along with the Intraclass Correlation Coefficient and confidence interval for inter-rater agreement assessment.For consistency, rate, cohen's kappa, standard error, and confidence interval were calculated.Results: Accuracy: Mean = 8.4,Median = 8.5, SD = 1.7.ICC: Avg.measures for absolute agreement = 0.7 (95% CI 0.25 to 0.88), for consistency = 0.74 (95% CI 0.34 to 0.9).Simplicity: Mean = 8.55, Median = 9, SD = 1.69.ICC: Avg.measures for absolute agreement = 0.65 (95% CI 0.12 to 0.86), for consistency = 0.72 (95% CI 0.28 to 0.89).Consistency: rate = 67.5%,Cohen's Kappa: 0.66 (SE = 0.18, 95% CI 0.31 to 1.0). Conclusions:In this study, we assessed ChatGPT's capabilities of answering patients' questions about colon cancer.Findings showed significant and promising results of answers' accuracy, simplicity, and consistency in multiple trials.However, there is room for improvement.As ChatGPT continues to gain popularity among users, research studies on the impact of this technology on patient outcomes are needed urgently to guide clinical application.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».