Comparing traditional and AI-enhanced strategies for developing patient decision aids: a multiple case study
Notice bibliographique
Résumé
OBJECTIVES: Our objective was to develop and test prompts designed to generate balanced, evidence-based information from artificial intelligence (AI) for the development of patient decision aid (DA) content. We compared the outputs of this AI-enhanced strategy with those produced by an experienced human team using a traditional development approach. METHODS: We conducted a comparative, mixed-methods, multiple-case study, with each case being a DA. Eight DAs were randomly selected from the Ottawa Inventory, stratified by author type (commercial, academic, public institution, professional association). We then followed a systematic process involving two researchers working independently. One researcher described the topics of the selected DAs and extracted their content by listing the available options with their benefits and harms. The other researcher-blind to the DA-used the topic description to generate AI-enhanced DA content by iteratively refining the prompt structures based on the International Patient Decision Aids Standards until the generated content stabilised. Quantitative analyses compared the number of options, benefits and harms generated by the traditional and AI-enhanced strategies, while qualitative analyses examined the differences in content. RESULTS: The selected DAs targeted different populations (older adults, women, the general population, children) and were produced in Canada, the UK, the USA or Australia. One type of DA (n=6) focused on a specific option (eg, whether to get vaccinated against COVID-19), the other (n=2) focused on improving an outcome (eg, treating attention-deficit/hyperactivity disorder symptoms). For option-focused DAs, 66% of the benefits/harms were generated by the AI-enhanced strategy only and 6.2% by the traditional strategy only. For outcome-focused DAs, 47% of the options were generated by the AI-enhanced strategy only, and 4% by the traditional strategy only. An evidence search confirmed that the options generated only by the AI-enhanced strategy were indeed beneficial, ruling out hallucinations. However, the AI-enhanced strategy did not suggest optimal combinations. Qualitative analysis showed that AI-enhanced content was generally richer. CONCLUSIONS: This study provides practical guidance on leveraging AI to improve the efficiency of DA development and improve their quality.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Qualitatif | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Autre devis | low |
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».