Einsatz eines ChatGPT‐4‐basierten Chatbots in der Teledermatologie: Eine retrospektive explorative Studie
Notice bibliographique
Résumé
Zusammenfassung Hintergrund und Zielsetzung Die Integration von künstlicher Intelligenz, insbesondere ChatGPT, in das Gesundheitswesen verändert die medizinische Diagnostik und kann für die Teledermatologie vorteilhaft sein. Die vorliegende explorative Studie verglich die von einem ChatGPT‐4‐basierten Chatbot erstellte Bildbeschreibung und Differentialdiagnose mit jener menschlicher Teledermatologen (TDs). Patienten und Methoden In dieser retrospektiven Studie wurden 154 teledermatologische Konsultationen (Dezember 2023 ‐ Februar 2024) mit der Leistung von ChatGPT‐4 bei Bildbeschreibungen und Diagnosen verglichen. Die diagnostische Übereinstimmung wurde als „Top1“ (exakte Übereinstimmung mit den Diagnosen der TDs), „Top3“ (korrekte Diagnose innerhalb einer der drei Top‐Diagnosen) oder „Partiell“ (ähnliche, aber nicht identische Diagnosen) klassifiziert. Die Bildbeschreibungen wurden nach Qualitätsparametern (Lage, Farbe, Größe, Morphologie und Umgebung) und nach Genauigkeit (Ja, Nein und Partiell) bewertet und verglichen. Ergebnisse Von 154 Fällen erreichte ChatGPT‐4 in 108 (70,8%) eine Top1‐Diagnoseübereinstimmung, in 137 (87,7%) eine Top3‐Übereinstimmung, in vier (2,6%) eine partielle Übereinstimmung und in 15 (9,7%) Fällen keine Diagnoseübereinstimmung. Die Qualität der Bildbeschreibungen von ChatGPT‐4 übertraf die der TDs bei allen fünf Parametern deutlich. Die Beschreibungen von ChatGPT‐4 waren in 130 (84,4%) Fällen korrekt, in 22 (14,3%) Fällen partiell korrekt und in zwei (1,3%) Fällen nicht korrekt. Schlussfolgerungen Die vorläufigen Ergebnisse dieser Studie zeigen, dass ChatGPT‐4 das Potenzial zur Generierung korrekter Bildbeschreibung und Differentialdiagnosis hat und wie vielversprechend die Integration von künstlicher Intelligenz in asynchrone Teledermatologie‐Workflows ist.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».