သတင်း

ကြီးကျယ်သောဘာသာစကားပုံစံ (LLM) သည် ချက်ခြင်းစကားလုံးများကိုအခြေခံ၍ ဆွဲဆောင်မှုရှိသောဆောင်းပါးများရေးသားနိုင်သည်၊ ပရော်ဖက်ရှင်နယ်ကျွမ်းကျင်မှုစာမေးပွဲများကိုဖြေဆိုနိုင်ကာ၊ စိတ်ရှည်လက်ရှည်ဖော်ရွေပြီး စာနာတတ်သည့်အချက်အလက်များကို ရေးသားနိုင်သည်။ သို့သော်လည်း၊ LLM တွင် စိတ်ကူးယဉ်ဆန်ဆန်၊ ထိလွယ်ရှလွယ်နှင့် မမှန်ကန်သည့်အချက်များအပြင်၊ ၎င်းတို့၏ဖန်တီးမှုနှင့်အသုံးပြုမှုတွင် ခွဲခြားဆက်ဆံနိုင်သည့် “လူ့တန်ဖိုးများ” ပါ၀င်သော AI မော်ဒယ်များကဲ့သို့သော အခြားမဖြေရှင်းရသေးသည့် ပြဿနာများသည် တဖြည်းဖြည်းအာရုံစိုက်လာကာ LLM သည် အကြောင်းအရာကို မဖန်တီးတော့ဘဲ အန္တရာယ်ရှိသော ရလဒ်များကို ဖယ်ရှားပစ်မည်ဆိုလျှင်ပင် “LLM တန်ဖိုးများ” သည် လူသားတန်ဖိုးများမှ ဆက်လက်တည်ရှိနေနိုင်သည်။

မရေမတွက်နိုင်သော ဥပမာများသည် AI မော်ဒယ်များကို လေ့ကျင့်သင်ကြားရာတွင် အသုံးပြုသည့် ဒေတာသည် တစ်ဦးချင်းနှင့် လူမှုရေးဆိုင်ရာ တန်ဖိုးများကို ကုဒ်လုပ်နည်း၊ မော်ဒယ်အတွင်း ခိုင်မာစေနိုင်သည်။ ဤနမူနာများတွင် ရင်ဘတ်ဓာတ်မှန်များ အလိုအလျောက် အဓိပ္ပာယ်ပြန်ဆိုခြင်း၊ အရေပြားရောဂါများ အမျိုးအစားခွဲခြင်းနှင့် ဆေးဘက်ဆိုင်ရာ အရင်းအမြစ်ခွဲဝေခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ဆုံးဖြတ်ချက်ချခြင်း အပါအဝင် အပလီကေးရှင်းများစွာ ပါဝင်ပါသည်။ ကျွန်ုပ်တို့၏ ဂျာနယ်တွင် မကြာသေးမီက ဆောင်းပါးတစ်ခုတွင် ဖော်ပြထားသည့်အတိုင်း ဘက်လိုက်မှုရှိသော လေ့ကျင့်ရေးဒေတာသည် လူ့အဖွဲ့အစည်းအတွင်း ရှိနေသည့် တန်ဖိုးများနှင့် ဘက်လိုက်မှုများကို ချဲ့ထွင်ဖော်ပြနိုင်စေပါသည်။ ဆန့်ကျင်ဘက် အနေဖြင့် ဘက်လိုက်မှု လျှော့ချရန် AI ကို အသုံးပြုနိုင်ကြောင်း သုတေသနပြုချက်များအရ သိရသည်။ ဥပမာအားဖြင့်၊ သုတေသီများသည် ဒူးဆစ်အတွင်းပိုင်းရှိ ပြင်းထန်မှုညွှန်းကိန်းများ (ဓာတ်မှန်ဗေဒပညာရှင်မှ အဆင့်သတ်မှတ်) ဖြင့် လွဲချော်ခဲ့သော ဒူးဆစ်ဓာတ်မှန်ရုပ်ရှင်များတွင် နက်ရှိုင်းသောသင်ယူမှုပုံစံများကို အသုံးချကာ ဒူးဆစ်အတွင်းမှ လူဖြူလူနာများကြား မရှင်းပြနိုင်သော နာကျင်မှုကွာခြားချက်များကို လျှော့ချပေးသည်။

အထူးသဖြင့် လေ့ကျင့်ရေးအချက်အလက်များအရ AI မော်ဒယ်များတွင် ဘက်လိုက်မှုကို ပိုမိုသိရှိနားလည်လာကြသော်လည်း၊ လူသားတန်ဖိုးများ၏ အခြားဝင်ပေါက်အချက်များစွာသည် AI မော်ဒယ်များ၏ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးချမှုလုပ်ငန်းစဉ်များတွင် လုံလောက်သောအာရုံစိုက်မှုမရရှိကြပါ။ ဆေးဘက်ဆိုင်ရာ AI သည် မကြာသေးမီက အထင်ကြီးလောက်သော ရလဒ်များကို ရရှိခဲ့သော်လည်း အတိုင်းအတာတစ်ခုအထိ၊ ၎င်းသည် လူသားတန်ဖိုးများနှင့် ၎င်းတို့၏ အပြန်အလှန်ဆက်သွယ်မှုကို အတိအလင်း ထည့်သွင်းထားခြင်း မရှိသည့်အပြင် ဖြစ်နိုင်ခြေရှိသော ကျိုးကြောင်းဆင်ခြင်မှုနှင့် ၎င်းကို စံနမူနာယူထားခြင်းမရှိပေ။

ဤစိတ္တဇသဘောတရားများကို ခိုင်မာစေရန်အတွက် သင်သည် ၎င်း၏အသက်၏ 3rd ရာခိုင်နှုန်းအောက်ရှိသော အသက် 8 နှစ်အရွယ်ကလေးငယ်အတွက် ပြန်လည်ပေါင်းစပ်လူ့ကြီးထွားဟော်မုန်းကို ညွှန်းပေးရန် လိုအပ်သော endocrinologist တစ်ဦးဖြစ်ကြောင်း စိတ်ကူးကြည့်ပါ။ ယောက်ျားလေး၏ လူသားကြီးထွားဟော်မုန်းအဆင့်သည် 2 ng/mL အောက်တွင် (ရည်ညွှန်းတန်ဖိုး၊ > 10 ng/mL၊ အမေရိကန်ပြင်ပနိုင်ငံများစွာအတွက် ရည်ညွှန်းတန်ဖိုးသည် > 7 ng/mL) ရှိပြီး သူ၏လူ့ကြီးထွားဟော်မုန်း coding gene သည် ရှားပါးသော inactivation mutations များကို တွေ့ရှိခဲ့သည်။ လူ့ကြီးထွားဟော်မုန်းကုထုံးကို ဤဆေးဘက်ဆိုင်ရာအခြေအနေတွင် သိသာထင်ရှားပြီး ငြင်းခုံစရာမရှိဟု ကျွန်ုပ်တို့ယုံကြည်ပါသည်။

အောက်ပါအခြေအနေများတွင် လူ့ကြီးထွားဟော်မုန်းကုထုံးကို အသုံးချခြင်းသည် အငြင်းပွားဖွယ်ရာများကို ဖြစ်စေနိုင်သည်- အသက် 14 နှစ်အရွယ် ယောက်ျားလေးတစ်ဦး၏ အရပ်သည် ၎င်း၏ရွယ်တူရွယ်တူများ၏ 10 ရာခိုင်နှုန်းတွင် အမြဲရှိနေပြီး၊ လှုံ့ဆော်ပြီးနောက် လူ့ကြီးထွားဟော်မုန်း၏ အထွတ်အထိပ်မှာ 8 ng/mL ဖြစ်သည်။ အရပ်အမောင်းကို ထိခိုက်စေနိုင်သော အပြောင်းအလဲများ သို့မဟုတ် အရပ်တိုခြင်း၏ အခြားလူသိများသော အကြောင်းရင်းများ မရှိဘဲ ၎င်း၏အရိုးအသက်သည် 15 နှစ်ဖြစ်သည် (ဆိုလိုသည်မှာ ဖွံ့ဖြိုးမှုနှောင့်နှေးမှုမရှိ)။ အထီးကျန် ကြီးထွားဟော်မုန်း ချို့တဲ့မှုကို ရှာဖွေဖော်ထုတ်ရာတွင် အသုံးပြုသည့် လူ့ကြီးထွားဟော်မုန်း အဆင့်များနှင့် ပတ်သက်သော လေ့လာမှု ဒါဇင်များစွာကို အခြေခံ၍ ကျွမ်းကျင်သူများက သတ်မှတ်သည့် အတိုင်းအတာတန်ဖိုးများ ကွဲပြားမှုများကြောင့် အငြင်းပွားမှု၏ တစ်စိတ်တစ်ပိုင်းသာ ဖြစ်သည်။ အနည်းဆုံးအငြင်းပွားမှုများသည် လူနာများ၊ လူနာမိဘများ၊ ကျန်းမာရေးစောင့်ရှောက်မှုကျွမ်းကျင်သူများ၊ ဆေးဝါးကုမ္ပဏီများနှင့် ငွေပေးချေသူများ၏ရှုထောင့်မှ လူသားကြီးထွားဟော်မုန်းကုထုံးကို အသုံးပြုခြင်း၏ စွန့်စားရကျိုးနပ်မှုမှ ဖြစ်ပေါ်လာပါသည်။ ကလေးအထူးကု endocrinologists များသည် အရွယ်ရောက်ပြီးသူ၏ခန္ဓာကိုယ်အရွယ်အစားနှင့်နှိုင်းယှဉ်ပါက ကြီးထွားဟော်မုန်း၏နေ့စဥ် ၂ နှစ်ကြာထိုးခြင်း၏ရှားပါးဆိုးကျိုးများကို ချိန်ဆနိုင်သည်။ ယောက်ျားလေးတွေက သူတို့ရဲ့ အရပ်ဟာ ၂ စင်တီမီတာသာ တိုးလာရင်တောင် ကြီးထွားဟော်မုန်း ထိုးသွင်းဖို့ ထိုက်တန်ပေမယ့် ငွေပေးသူနဲ့ ဆေးဝါးကုမ္ပဏီက မတူကွဲပြားတဲ့ အမြင်တွေ ရှိနေနိုင်တယ်လို့ ယောက်ျားလေးတွေက ယုံကြည်ကြပါတယ်။

ကျွန်ုပ်တို့သည် creatinine အခြေခံ eGFR ကို နမူနာအဖြစ်ယူသည်၊ ယင်းသည် နာတာရှည်ကျောက်ကပ်ရောဂါကို ရှာဖွေဖော်ထုတ်ရန်နှင့် အဆင့်သတ်မှတ်ရန်၊ ကျောက်ကပ်အစားထိုးခြင်း သို့မဟုတ် လှူဒါန်းမှုအခြေအနေများသတ်မှတ်ခြင်းနှင့် ဆေးဝါးအများအပြားအတွက် လျှော့ချရေးဆိုင်ရာ စံနှုန်းများနှင့် တားမြစ်ချက်များကို ဆုံးဖြတ်ခြင်းအတွက် တွင်ကျယ်စွာအသုံးပြုသည့် ကျောက်ကပ်ဆိုင်ရာအညွှန်းကိန်းတစ်ခုဖြစ်သည်။ EGFR သည် ရည်ညွှန်းစံတစ်ခုဖြစ်သည့် တိုင်းတာထားသော glomerular filtration rate (mGFR) ကို ခန့်မှန်းရန်အသုံးပြုသည့် ရိုးရှင်းသောဆုတ်ယုတ်မှုညီမျှခြင်းတစ်ခုဖြစ်ပြီး အကဲဖြတ်သည့်နည်းလမ်းမှာ အတော်လေးခက်ခဲပါသည်။ ဤဆုတ်ယုတ်မှုညီမျှခြင်းအား AI မော်ဒယ်ဟု မယူဆနိုင်သော်လည်း ၎င်းသည် လူ့တန်ဖိုးများနှင့် ဖြစ်နိုင်ခြေရှိသော ကျိုးကြောင်းဆင်ခြင်ခြင်းဆိုင်ရာ အခြေခံမူများစွာကို သရုပ်ဖော်ထားသည်။

eGFR ကိုထည့်သွင်းရန် လူသားတန်ဖိုးများအတွက် ပထမဆုံးဝင်ရောက်သည့်အချက်မှာ သင့်လျော်သောညီမျှခြင်းများအတွက် ဒေတာကိုရွေးချယ်သည့်အခါဖြစ်သည်။ eGFR ဖော်မြူလာကို ဒီဇိုင်းရေးဆွဲရာတွင် အသုံးပြုသည့် မူလတန်းစီသည် အများအားဖြင့် အဖြူအမည်း ပါဝင်သူများဖြင့် ဖွဲ့စည်းထားပြီး အခြားလူမျိုးစုများစွာအတွက် ယင်း၏အသုံးချနိုင်မှုမှာ ရှင်းရှင်းလင်းလင်းမရှိပေ။ ဤဖော်မြူလာတွင် လူသားတန်ဖိုးများအတွက် နောက်ဆက်တွဲအချက်များ ပါဝင်သည်- ကျောက်ကပ်လုပ်ဆောင်ချက်ကို အကဲဖြတ်ရန် အဓိကရည်ရွယ်ချက်အဖြစ် mGFR တိကျမှုကို ရွေးချယ်ခြင်း၊ လက်ခံနိုင်သော တိကျမှုအဆင့်က အဘယ်နည်း၊ တိကျမှုကို တိုင်းတာနည်းနှင့် eGFR ကို စတင်အသုံးပြုခြင်း (ဥပမာ - ကျောက်ကပ်အစားထိုးကုသခြင်း သို့မဟုတ် ဆေးဝါးကုသခြင်းဆိုင်ရာ အခြေအနေများကို သတ်မှတ်ခြင်းကဲ့သို့သော) ချမှတ်ခြင်းကဲ့သို့သော ကုသမှုဆိုင်ရာ ဆုံးဖြတ်ချက်ချမှတ်ခြင်းအတွက် တံခါးပေါက်အဖြစ် အသုံးပြုခြင်း။ နောက်ဆုံးတွင်၊ ထည့်သွင်းမှုပုံစံ၏ အကြောင်းအရာကို ရွေးချယ်သည့်အခါ၊ လူ့တန်ဖိုးများသည်လည်း ဤဖော်မြူလာကို ထည့်သွင်းမည်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ 2021 ခုနှစ်မတိုင်မီတွင် လူနာ၏အသက်၊ ကျား၊ မနှင့် မျိုးနွယ်အပေါ်အခြေခံ၍ eGFR ဖော်မြူလာရှိ creatinine ပမာဏကို ချိန်ညှိရန် လမ်းညွှန်ချက်များက အကြံပြုထားသည်။ လူမျိုးအပေါ်အခြေခံသည့် ပြုပြင်ပြောင်းလဲမှုသည် mGFR ဖော်မြူလာ၏တိကျမှုကို တိုးတက်စေရန်ရည်ရွယ်သော်လည်း၊ 2020 တွင်၊ အဓိကဆေးရုံများသည် လူမျိုးရေးအခြေခံ eGFR အသုံးပြုမှုကို မေးခွန်းထုတ်ခဲ့ပြီး လူနာ၏ အစားထိုးကုသမှုအတွက် အရည်အချင်းပြည့်မီမှုကို နှောင့်နှေးစေခြင်းနှင့် ဇီဝဗေဒဆိုင်ရာ အယူအဆအဖြစ် ကွန်ကရစ်လူမျိုးကို နှောင့်နှေးစေခြင်းစသည့် အကြောင်းရင်းများကို ကိုးကားပြီး လူမျိုးရေးအခြေခံ eGFR အသုံးပြုမှုကို မေးခွန်းထုတ်လာသည်။ လူမျိုးရေးအရ eGFR မော်ဒယ်များကို ဒီဇိုင်းဆွဲခြင်းသည် တိကျမှုနှင့် လက်တွေ့ရလဒ်များအပေါ်တွင် လေးနက်ပြီး ကွဲပြားသော သက်ရောက်မှုများ ရှိနိုင်ကြောင်း သုတေသနပြုချက်များအရ သိရသည်။ ထို့ကြောင့်၊ တိကျမှုကို အာရုံစိုက်ခြင်း သို့မဟုတ် ရလဒ်များ၏ အစိတ်အပိုင်းတစ်ခုအပေါ် အာရုံစိုက်ခြင်းသည် တန်ဖိုးဖြတ်ချက်များကို ထင်ဟပ်စေပြီး ပွင့်လင်းမြင်သာသော ဆုံးဖြတ်ချက်ချခြင်းကို ဖုံးကွယ်ထားနိုင်သည်။ နောက်ဆုံးတွင် အမျိုးသားအဆင့် လုပ်ငန်းအဖွဲ့သည် လူမျိုးရေးစွမ်းဆောင်ရည်နှင့် တရားမျှတမှုဆိုင်ရာ ပြဿနာများကို ဟန်ချက်ညီစေရန် ထည့်သွင်းမစဉ်းစားဘဲ ပြန်လည်ထည့်သွင်းထားသည့် ဖော်မြူလာအသစ်ကို အဆိုပြုခဲ့သည်။ ဤဥပမာသည် ရိုးရှင်းသော လက်တွေ့ဖော်မြူလာတစ်ခုပင်လျှင် လူ့တန်ဖိုးများထဲသို့ ဝင်ခွင့်အချက်များစွာရှိသည်ကို သရုပ်ဖော်သည်။

ခန့်မှန်းညွှန်းကိန်းအနည်းငယ်မျှသာရှိသော လက်တွေ့ဖော်မြူလာများနှင့် နှိုင်းယှဉ်ပါက၊ LLM သည် ကန့်သတ်ဘောင်များ (မော်ဒယ်အလေးများ) ဘီလီယံနှင့် ရာနှင့်ချီရှိနိုင်ပြီး နားလည်ရခက်ခဲစေသည်။ “နားလည်ရခက်” ဟုဆိုရသည့် အကြောင်းရင်းမှာ LLM အများစုတွင် မေးခွန်းမေးမြန်းခြင်းမှတစ်ဆင့် တုံ့ပြန်မှုများကို ထုတ်ယူခြင်း၏ တိကျသောနည်းလမ်းကို ပုံဖော်၍မရသောကြောင့်ဖြစ်သည်။ GPT-4 အတွက် ကန့်သတ်ချက်များ အရေအတွက်ကို မကြေညာသေးပါ။ ၎င်း၏ယခင် GPT-3 တွင် ကန့်သတ်ဘောင် ၁၇၅ ဘီလီယံရှိသည်။ ပိုများသော ကွန်ပြူတာ စက်ဝန်းများ ပါဝင်သော သေးငယ်သော မော်ဒယ်များ (ဥပမာ LLaMA [Large Language Model Meta AI] မော်ဒယ်စီးရီးများ) သို့မဟုတ် လူသားတို့၏ တုံ့ပြန်ချက်အပေါ် အခြေခံ၍ ကောင်းမွန်စွာ ချိန်ညှိထားသော မော်ဒယ်များသည် ပိုကြီးသော မော်ဒယ်များထက် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်နိုင်သောကြောင့် ပိုမိုသော ကန့်သတ်ချက်များသည် ပိုမိုအားကောင်းသော စွမ်းရည်များကို မဆိုလိုပါ။ ဥပမာအားဖြင့်၊ လူသားအကဲဖြတ်သူများ၏အဆိုအရ InstrumentGPT မော်ဒယ် (1.3 ဘီလီယံပါရာမီတာများပါသည့် မော်ဒယ်) သည် မော်ဒယ်အထွက်ရလဒ်များကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ရာတွင် GPT-3 ထက် သာလွန်သည်။

GPT-4 ၏ လေ့ကျင့်ရေးအသေးစိတ်အချက်အလက်များကို ထုတ်ဖော်ပြောကြားခြင်းမရှိသေးသော်လည်း GPT-3၊ InstrumentGPT နှင့် အခြားသော open-source LLM များအပါအဝင် ယခင်မျိုးဆက်မော်ဒယ်များ၏ အသေးစိတ်အချက်အလက်များကို ထုတ်ဖော်ပြောကြားထားသည်။ ယနေ့ခေတ်တွင် AI မော်ဒယ်များစွာသည် မော်ဒယ်ကတ်များဖြင့် လာပါသည်။ GPT-4 ၏ အကဲဖြတ်မှုနှင့် လုံခြုံရေးဒေတာကို မော်ဒယ်ဖန်တီးမှုကုမ္ပဏီ OpenAI မှ ပံ့ပိုးပေးသည့် အလားတူစနစ်ကတ်တွင် ထုတ်ဝေထားသည်။ LLM ဖန်တီးခြင်းကို အကြမ်းဖျင်းအားဖြင့် အဆင့်နှစ်ဆင့် ခွဲခြားနိုင်သည်- ကနဦး လေ့ကျင့်ရေးအကြိုအဆင့်နှင့် မော်ဒယ်ရလဒ်များကို အကောင်းဆုံးဖြစ်အောင် ချိန်ညှိခြင်းအဆင့်။ လေ့ကျင့်ရေးအကြိုအဆင့်တွင်၊ မော်ဒယ်သည် နောက်စကားလုံးကို ခန့်မှန်းရန် လေ့ကျင့်ရန် မူရင်းအင်တာနက်စာသား အပါအဝင် ကြီးမားသော ကော်ပိုရိတ်တစ်ခုကို ပေးထားသည်။ ရိုးရှင်းသည်ဟုထင်ရသော ဤ “အလိုအလျောက် ပြီးစီးမှု” လုပ်ငန်းစဉ်သည် အားကောင်းသည့် အခြေခံပုံစံကို ထုတ်ပေးသည်၊ သို့သော် ၎င်းသည် အန္တရာယ်ရှိသော အပြုအမူကို ဖြစ်ပေါ်စေနိုင်သည်။ လူ့တန်ဖိုးများသည် GPT-4 အတွက် အကြိုလေ့ကျင့်ရေးဒေတာကို ရွေးချယ်ခြင်းနှင့် လေ့ကျင့်ရေးအကြိုဒေတာမှ ညစ်ညမ်းသောအကြောင်းအရာကဲ့သို့သော မသင့်လျော်သောအကြောင်းအရာများကို ဖယ်ရှားရန် ဆုံးဖြတ်ခြင်းအပါအဝင် လေ့ကျင့်ရေးအကြိုအဆင့်သို့ ရောက်ရှိမည်ဖြစ်သည်။ ဤကြိုးပမ်းမှုများကြားမှ၊ အခြေခံမော်ဒယ်သည် အသုံးမဝင်သလို အန္တရာယ်ရှိသော ရလဒ်များပါ၀င်နေနိုင်သေးသည်။ ချိန်ညှိခြင်း၏ နောက်အဆင့်တွင် အသုံးဝင်ပြီး အန္တရာယ်ကင်းသော အပြုအမူများစွာ ထွက်ပေါ်လာမည်ဖြစ်သည်။

ကောင်းစွာချိန်ညှိခြင်းအဆင့်တွင်၊ လူသားများ၏ အကြံပြုချက်အပေါ် အခြေခံ၍ ကြီးကြပ်မှု ချိန်ညှိခြင်းနှင့် အားဖြည့်သင်ကြားမှုမှတစ်ဆင့် ဘာသာစကားပုံစံများ၏ အမူအကျင့်များသည် မကြာခဏ ပြောင်းလဲလေ့ရှိသည်။ ကြီးကြပ်မှု ဒဏ်ငွေညှိခြင်းအဆင့်တွင်၊ ငှားရမ်းထားသော ကန်ထရိုက်တာဝန်ထမ်းများသည် အချက်ပြစကားလုံးများအတွက် တုံ့ပြန်ပုံနမူနာများကို ရေးသားပြီး မော်ဒယ်ကို တိုက်ရိုက်လေ့ကျင့်ပေးမည်ဖြစ်သည်။ လူသား၏တုံ့ပြန်ချက်အပေါ်အခြေခံ၍ အားဖြည့်သင်ကြားမှုအဆင့်တွင်၊ လူသားအကဲဖြတ်သူများသည် မော်ဒယ်ရလဒ်ရလဒ်များကို ထည့်သွင်းသည့်အကြောင်းအရာနမူနာများအဖြစ် စီခွဲမည်ဖြစ်သည်။ ထို့နောက် “ဆုပေးသည့်ပုံစံ” ကိုလေ့လာရန် အထက်ဖော်ပြပါ နှိုင်းယှဉ်မှုရလဒ်များကို အသုံးချပြီး အားဖြည့်သင်ကြားမှုမှတစ်ဆင့် မော်ဒယ်ကို ပိုမိုတိုးတက်ကောင်းမွန်အောင် လုပ်ဆောင်ပါ။ အံ့ဩစရာကောင်းလောက်အောင် အဆင့်နိမ့်လူသားတွေရဲ့ ပါဝင်ပတ်သက်မှုက ဒီမော်ဒယ်ကြီးတွေကို ကောင်းကောင်းညှိပေးနိုင်ပါတယ်။ ဥပမာအားဖြင့်၊ InstrumentGPT မော်ဒယ်သည် လူစုလူဝေး အရင်းအမြစ်ရှာဖွေရေး ဝဘ်ဆိုက်များမှ ခေါ်ယူထားသော ကန်ထရိုက်တာ ၄၀ ခန့်ရှိသော အဖွဲ့တစ်ဖွဲ့ကို အသုံးပြုကာ မတူညီသော လူဦးရေအုပ်စုများ၏ နှစ်သက်မှုများကို အာရုံခံစားနိုင်သော မှတ်ချက်ပေးသူအုပ်စုကို ရွေးချယ်ရန်အတွက် ရည်ရွယ်သော စိစစ်စမ်းသပ်မှုတစ်ခုကို အောင်မြင်ခဲ့သည်။

ဤလွန်ကဲသောဥပမာနှစ်ခုအနေဖြင့်၊ ရိုးရှင်းသောလက်တွေ့ဖော်မြူလာ [eGFR] နှင့် အစွမ်းထက်သော LLM [GPT-4]၊ သရုပ်ပြပါ၊ လူသား၏ဆုံးဖြတ်ချက်ချခြင်းနှင့် လူသားတန်ဖိုးများသည် မော်ဒယ်အထွက်ရလဒ်များကိုပုံဖော်ရာတွင် မရှိမဖြစ်အခန်းကဏ္ဍမှပါဝင်ပါသည်။ ဤ AI မော်ဒယ်များသည် ၎င်းတို့၏ ကွဲပြားသော လူနာနှင့် သမားတော်များ၏ တန်ဖိုးများကို ဖမ်းယူနိုင်ပါသလား။ ဆေးပညာတွင် AI အသုံးချမှုကို လူသိရှင်ကြား မည်သို့လမ်းညွှန်မည်နည်း။ အောက်တွင်ဖော်ပြထားသည့်အတိုင်း၊ ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်ခွဲခြမ်းစိတ်ဖြာမှုကို ပြန်လည်ဆန်းစစ်ခြင်းသည် ဤပြဿနာများအတွက် အခြေခံကျသော အဖြေကို ပေးနိုင်ပါသည်။

ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်ခွဲခြမ်းစိတ်ဖြာခြင်းသည် ဆေးခန်းများစွာနှင့် မရင်းနှီးသော်လည်း၊ ဖြစ်နိုင်ခြေရှိသော အကြောင်းပြချက် (ဆုံးဖြတ်ချက်ချခြင်းနှင့် သက်ဆိုင်သည့် မရေရာသော ရလဒ်များအတွက်၊ ပုံ 1 တွင်ပြသထားသည့် အငြင်းပွားဖွယ် လက်တွေ့အခြေအနေတွင် လူသားကြီးထွားဟော်မုန်းကို စီမံခန့်ခွဲခြင်းရှိ၊ မရှိ) နှင့် ထည့်သွင်းစဉ်းစားသည့်အချက်များ (ဤရလဒ်များနှင့်တွဲဖက်ထားသော ပုဂ္ဂလတန်ဖိုးများအတွက် အမြင့် 2 စင်တီမီတာကဲ့သို့သော အမျိုးသားတန်ဖိုးများ)၊ ဥပမာ- 2 cm ၏တန်ဖိုး၊ ရှုပ်ထွေးသော ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်များအတွက် စနစ်တကျ ဖြေရှင်းနည်းများ။ ဆုံးဖြတ်ချက်ခွဲခြမ်းစိတ်ဖြာမှုတွင်၊ ဆေးခန်းများသည် ရလဒ်တစ်ခုစီနှင့်ဆက်စပ်သော ဖြစ်နိုင်ခြေရှိသော ဆုံးဖြတ်ချက်များနှင့် ဖြစ်နိုင်ခြေအားလုံးကို ဦးစွာဆုံးဖြတ်ရမည်ဖြစ်ပြီး၊ ထို့နောက် အသင့်လျော်ဆုံးရွေးချယ်မှုကို ရွေးချယ်ရန်အတွက် ရလဒ်တစ်ခုစီနှင့်ဆက်စပ်နေသော လူနာ (သို့မဟုတ် အခြားပါတီ) အသုံးဝင်မှုကို ပေါင်းစပ်ထည့်သွင်းရပါမည်။ ထို့ကြောင့်၊ ဆုံးဖြတ်ချက်ခွဲခြမ်းစိတ်ဖြာမှု၏တရားဝင်မှုသည် ရလဒ်ဆက်တင်သည် ကျယ်ကျယ်ပြန့်ပြန့်ရှိမရှိအပြင် အသုံးဝင်မှုတိုင်းတာခြင်းနှင့် ဖြစ်နိုင်ခြေ၏ခန့်မှန်းခြေသည် တိကျမှုရှိမရှိပေါ်တွင်မူတည်သည်။ အကောင်းဆုံးအားဖြင့်၊ ဤချဉ်းကပ်မှုသည် ဆုံးဖြတ်ချက်များသည် သက်သေအထောက်အထားကို အခြေခံပြီး လူနာများ၏ နှစ်သက်မှုများနှင့် လိုက်လျောညီထွေဖြစ်စေကြောင်း သေချာစေကာ၊ ထို့ကြောင့် ဦးတည်ချက်ဒေတာနှင့် ကိုယ်ရေးကိုယ်တာတန်ဖိုးများကြား ကွာဟချက်ကို ကျဉ်းမြောင်းစေပါသည်။ ဤနည်းလမ်းကို ဆေးဘက်ဆိုင်ရာနယ်ပယ်တွင် လွန်ခဲ့သည့်ဆယ်စုနှစ်များစွာက စတင်မိတ်ဆက်ခဲ့ပြီး အထွေထွေလူထုအား အူမကြီးကင်ဆာစစ်ဆေးခြင်းအတွက် အကြံပြုချက်များပေးခြင်းကဲ့သို့သော လူနာတစ်ဦးချင်းစီ၏ ဆုံးဖြတ်ချက်ချခြင်းနှင့် လူဦးရေကျန်းမာရေးအကဲဖြတ်ခြင်းအတွက် အသုံးချခဲ့သည်။

ဆေးဘက်ဆိုင်ရာ ဆုံးဖြတ်ချက်ခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးဝင်မှုရရှိရန် အမျိုးမျိုးသောနည်းလမ်းများကို တီထွင်ခဲ့သည်။ သမားရိုးကျနည်းလမ်းအများစုသည် လူနာတစ်ဦးစီထံမှ တိုက်ရိုက်တန်ဖိုးရှိသည်။ အရိုးရှင်းဆုံးနည်းလမ်းမှာ ဒစ်ဂျစ်တယ်စကေးမှ ရလဒ်တစ်ခုအတွက် လူနာများ၏ နှစ်သက်ရာအဆင့်ကို အကဲဖြတ်သည့် အဆင့်သတ်မှတ်ချက် (ဥပမာ 1 မှ 10 အထိ)၊ အပြင်းထန်ဆုံး ကျန်းမာရေးရလဒ်များ (ဥပမာ ပြီးပြည့်စုံသော ကျန်းမာရေးနှင့် သေဆုံးခြင်းကဲ့သို့) အဆုံးနှစ်ဖက်တွင်ရှိသော အရိုးရှင်းဆုံးနည်းလမ်းကို အသုံးပြုခြင်းဖြစ်သည်။ Time exchange method သည် နောက်ထပ် အသုံးများသော နည်းလမ်းဖြစ်သည်။ ဤနည်းလမ်းဖြင့် လူနာများသည် ကျန်းမာရေးချို့တဲ့သည့်ကာလတစ်ခုအတွက် လဲလှယ်သုံးစွဲလိုသည့် ကျန်းမာရေးအချိန်မည်မျှကို ဆုံးဖြတ်ချက်ချရန် လိုအပ်ပါသည်။ စံလောင်းကစားနည်းသည် အသုံးဝင်မှုကို ဆုံးဖြတ်ရန်အတွက် နောက်ထပ်အသုံးများသောနည်းလမ်းဖြစ်သည်။ ဤနည်းလမ်းတွင် လူနာများအား ၎င်းတို့နှစ်သက်သော ရွေးချယ်မှုနှစ်ခုထဲမှ မည်သည်တို့ကို မေးမြန်းသည်- တိကျသောဖြစ်နိုင်ခြေ (p) (t) ဖြင့် ပုံမှန်ကျန်းမာရေးတွင် နှစ်ပေါင်းများစွာ နေထိုင်ပြီး 1-p ဖြစ်နိုင်ခြေရှိသော သေဆုံးမှုအန္တရာယ်ကို ခံယူပါ။ ကျန်းမာရေးအခြေအနေအရ နှစ်ပေါင်းများစွာ အသက်ရှင်နေထိုင်ဖို့ သေချာပါစေ။ လူနာများ၏ တုံ့ပြန်မှုအပေါ် အခြေခံ၍ အသုံးဝင်မှုကို တွက်ချက်နိုင်စေရန် ကွဲပြားသော p-တန်ဖိုးများဖြင့် လူနာများကို အကြိမ်များစွာ မေးမြန်းပါ။
လူနာတစ်ဦးချင်းစီ၏ စိတ်ကြိုက်ရွေးချယ်မှုများကို ဖော်ထုတ်ရန် အသုံးပြုသည့်နည်းလမ်းများအပြင် လူနာများအတွက် အသုံးဝင်မှုရရှိရန် နည်းလမ်းများကိုလည်း တီထွင်ခဲ့သည်။ အထူးသဖြင့် အုပ်စုဖွဲ့ဆွေးနွေးခြင်း (လူနာများအား သီးခြားအတွေ့အကြုံများကို ဆွေးနွေးရန်) စုစည်းပေးခြင်းဖြင့် ၎င်းတို့၏ အမြင်များကို နားလည်ရန် ကူညီပေးနိုင်ပါသည်။ အဖွဲ့လိုက် အသုံးဝင်မှုကို ထိရောက်စွာ စုစည်းနိုင်စေရန်အတွက် အမျိုးမျိုးသော ဖွဲ့စည်းတည်ဆောက်ထားသော အုပ်စုဆွေးနွေးမှုနည်းစနစ်များကို အဆိုပြုထားပါသည်။
လက်တွေ့တွင်၊ ဆေးခန်းရောဂါရှာဖွေခြင်းနှင့် ကုသခြင်းလုပ်ငန်းစဉ်တွင် အသုံးဝင်ပုံကို တိုက်ရိုက်မိတ်ဆက်ခြင်းသည် အချိန်ကုန်လွန်သည်။ အဖြေတစ်ခုအနေဖြင့် လူဦးရေအဆင့်တွင် အသုံးဝင်မှုရမှတ်များရရှိရန် စစ်တမ်းမေးခွန်းလွှာများကို ကျပန်းရွေးချယ်ထားသော လူဦးရေများထံ ဖြန့်ဝေလေ့ရှိပါသည်။ အချို့သော ဥပမာများတွင် EuroQol 5-ဖက်မြင်မေးခွန်းလွှာ၊ 6-ဖက်မြင် အသုံးဝင်သော အလေးချိန်တိုပုံစံ၊ Health Utility Index နှင့် Cancer Specific European Cancer Research and Treatment Organization of Life Questionnaire Core 30 tool တို့ ပါဝင်ပါသည်။