The use of a ChatGPT‐4‐based chatbot in teledermatology: A retrospective exploratory study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Integration of artificial intelligence in healthcare, particularly ChatGPT, is transforming medical diagnostics and may benefit teledermatology. This exploratory study compared image description and differential diagnosis generation by a ChatGPT-4 based chatbot with human teledermatologists. PATIENTS AND METHODS: This retrospective study compared 154 teledermatology consultations (December 2023-February 2024) with ChatGPT-4's performance in image descriptions and diagnoses. Diagnostic concordance was classified as "Top1" (exact match with the teledermatologist's diagnoses), "Top3" (correct diagnosis within one the top three diagnoses), and "Partial" (similar but not identical diagnoses). Image descriptions were rated and compared for quality parameters (location, color, size, morphology, and surrounding area), and accuracy (Yes, No, and Partial). RESULTS: Out of 154 cases, ChatGPT-4 achieved a Top1 diagnostic concordance in 108 (70.8%), Top3 concordance in 137 (87.7%), partial concordance in four (2.6%), and was discordant in 15 (9.7%) cases. The quality of ChatGPT-4's image descriptions significantly surpassed teledermatologists in all five parameters. ChatGPT-4's descriptions were accurate in 130 (84.4%), partially accurate in 22 (14.3%), and inaccurate in two (1.3%) cases. CONCLUSIONS: The preliminary findings of this study indicate that ChatGPT-4 demonstrates potential in generating accurate image descriptions and differential diagnoses. These results highlight the promise of integrating artificial intelligence into asynchronous teledermatology workflows.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».