The Role of Artificial Intelligence in Patient Education: A Bladder Cancer Consultation with ChatGPT
Notice bibliographique
Résumé
Objectives: ChatGPT is a large language model that is able to generate human-like text. The aim of this study was to evaluate ChatGPT as a potential supplement to urological clinical practice by exploring its capacity, efficacy and accuracy when delivering information on frequently asked questions from patients with bladder cancer. Methods: We proposed 10 hypothetical questions to ChatGPT to simulate a doctor–patient consultation for patients recently diagnosed with bladder cancer. The responses were then assessed using two predefined scales of accuracy and completeness by Specialist Urologists. Results: ChatGPT provided coherent answers that were concise and easily comprehensible. Overall, mean accuracy scores for the 10 questions ranged from 3.7 to 6.0, with a median of 5.0. Mean completeness scores ranged from 1.3 to 2.3, with a median of 1.8. ChatGPT was also cognizant of its own limitations and recommended all patients should adhere closely to medical advice dispensed by their healthcare provider. Conclusions: This study provides further insight into the role of ChatGPT as an adjunct consultation tool for answering frequently asked questions from patients with bladder cancer diagnosis. Whilst it was able to provide information in a concise and coherent manner, there were concerns regarding the completeness of information conveyed. Further development and research into this rapidly evolving tool are required to ascertain the potential impacts of AI models such as ChatGPT in urology and the broader healthcare landscape.
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 | 0,000 |
| 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 ».