Scientific Reports· 2026Q1
YZM Destekli Meme Kanseri Notları İçin Hasta Anlayışını Artıran Araç
A mixed-methods evaluation of a language model-powered breast cancer note augmentation tool for patients
- 9atıf
- Q1SCImago
- 2026yıl
Kısa özet
Basitleştirilmiş metin, tanımlar, SSS'ler ve çıkarımlar ile klinik notları zenginleştiren bir YZM (GPT-4) kullanan hasta odaklı araç, kontrol grubuna kıyasla katılımcıların güvenini %29 ve anlama puanlarını %17 artırdı (n=200).
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hasta odaklı YZM aracı, klinik notları basitleştirir, terimleri tanımlar, SSS'ler sağlar ve temel bilgileri çıkarır.
- Zenginleştirilmiş notlar, katılımcıların güvenini %29 artırdı (2.83'e karşı 2.18, p<0.001).
- Anlama puanları, zenginleştirilmiş notlarla %17 iyileşti (0.63'e karşı 0.54, p<0.001).
- Nitel geri bildirimler, YZM endişelerinin yanı sıra kullanım kolaylığını ve daha iyi anlamayı vurguladı.
- Klinik uzmanların hata analizi, çoğunlukla varsayılan bağlamla ilgili küçük hatalar olduğunu gösterdi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Large language models (LLMs) have the potential to make clinical notes more understandable to patients, but tools must be tested with patients pre-deployment. We developed a patient-facing tool that uses an LLM (GPT-4-031) to generate “augmentations” to notes: simplified note text, defined medical terminology, frequently asked questions, extracted key information, and to-do items. We evaluated the tool with 200 healthy female participants and 8 notes. Compared to control, participants with access to augmentations had greater self-reported confidence (2.83 ± 0.05 augmentations, 2.18 ± 0.07 control, p<0.001) and scored higher on comprehension questions (0.63 ± 0.02 augmentations, 0.54 ± 0.04 control, p<0.001). We conducted interviews with 7 participants with a history of breast cancer and their own notes who described ease of use and perceived improvements in note understanding, but also reported concerns around LLMs. Three clinicians conducted an error analysis and found most errors to be minor and related to assumed context.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sağlık Bilişimi
Health InformaticsMedicine