Patients and Caregivers Leveraging AI to Improve Their Health Care Journey: Case Study and Lessons Learned
Notice bibliographique
Résumé
Unlabelled: Artificial intelligence (AI) is increasingly integrated into everyday life. Yet in health care, patients and families are challenged to understand how AI may be helpful. As a result, real-world patient stories remain scarce. Generative AI can serve as a learning partner to help patients interpret complex medical information, prepare for appointments, and navigate care decisions. A case study is presented from the perspective of a caregiver and a clinician colleague, describing how one family used generative AI (ChatGPT; OpenAI) to better understand test results, possible diagnoses and treatments, prepare for visits, and summarize and share information with an extended care team. This paper also shares tips and lessons learned with others navigating similar health care challenges. A first-hand account of family interactions with ChatGPT is described during a period between diagnostic imaging and surgical consultation. Real-world use of AI by a caregiver is showcased, including strategies used to understand and summarize health record data, querying AI using medical documents, and resulting actions taken by the family. Using the case study as a springboard, the authors provide a separate section to share lessons learned for patients and caregivers in their use of AI. The family reported benefits of AI, including the ability to comprehend health information by translating medical records into patient-friendly language; to emotionally process and prepare for visits; to research diagnoses and treatments; to streamline communication with care teams by using concise patient summaries; and to feel more empowered to take timely, informed action. Generative AI can serve as a valuable companion tool for patients and caregivers navigating complex medical information. By translating results, providing education about diagnoses and treatment options, and helping prepare for visits, AI may reduce care delivery delays and raise family confidence in decision-making. However, limitations exist, and patients and caregivers need to validate AI output to ensure accuracy and privacy.
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 | 0,001 | 0,001 |
| 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 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 ».