Accuracy and reproducibility of <scp>ChatGPT</scp> responses to real‐world drug information questions
Notice bibliographique
Résumé
Abstract Introduction The expanding use of Chat Generative Pre‐Trained Transformer (ChatGPT, OpenAI, San Francisco, CA) for drug information may enhance access to information. However, it is crucial to assess the accuracy and reproducibility of ChatGPT responses to drug information questions, examining its utility and limitations in clinical decision‐making. Objective To evaluate the accuracy and reproducibility of ChatGPT‐3.5 and ChatGPT‐4 in responding to clinician drug information questions compared with a commonly accepted resource, Lexicomp®(Wolters Kluwer Health, Philadelphia, PA). Methods A serial cross‐sectional study was conducted on ChatGPT from March 5 to 12, 2024 in the United States. ChatGPT‐3.5 is a free, artificial intelligence (AI) chatbot trained up to January 2022; ChatGPT‐4 is a paid‐subscription AI chatbot with internet access and more data. For trial 1 (day 0) we input 30 real‐world questions (10 drug information categories) into both ChatGPT‐3.5 and ChatGPT‐4. For trial 2 (day 1) and 3 (day 7), 10 randomly selected questions were re‐input into ChatGPT. The primary outcome evaluated the accuracy of ChatGPT‐3.5 responses versus (vs.) Lexicomp® using a 4‐point Likert scale. Secondary outcomes included assessing the accuracy of ChatGPT‐4 responses vs. Lexicomp, comparing the accuracy of both ChatGPT versions' responses, and comparing reproducibility of ChatGPT responses over time. Cohen's Kappa and Cochran's Q assessed reproducibility. Results ChatGPT‐3.5 demonstrated 30% accuracy (9/30), while ChatGPT‐4 had 40% (12/30) accuracy ( p = 0.51). Neither ChatGPT versions accurately answered all the questions in any category. ChatGPT‐3.5's agreement between trials 1 vs. 2, 1 vs. 3, and 2 vs. 3 had fair ( k = 0.21), moderate (k = 0.41), and substantial agreement ( k = 0.62), respectively. ChatGPT‐4 trials 1 vs. 2, 1 vs. 3, and 2 vs. 3 had fair ( k = 0.23), substantial ( k = 0.80), and fair agreement (0.40). The accuracy of ChatGPT‐3.5 vs. ChatGPT‐4 for the 10 questions across the three trials was 30%, 20%, and 10% ( p = 0.78), and 60%, 40%, and 50% ( p = 0.82). Conclusions Both ChatGPT versions demonstrated limited accuracy and reproducibility in answering drug information questions, suggesting that health care professionals should exercise caution when using ChatGPT for drug information.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,055 | 0,203 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».