दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

स्वास्थ्य सेवा में उपयोगकर्ता की समझ और विश्वास पर स्पष्टीकरण सामग्री और प्रारूप के प्रभाव की खोज

Created by
  • Haebom

लेखक

एंटोनियो रागो, बेन्स पाल्फी, पुरिन सुकपनिचनंत, हैनिबल नबली, काव्येश विवेक, ओल्गा कोस्टोपोलू, जेम्स किन्रोस, फ्रांसेस्का टोनी

रूपरेखा

यह शोधपत्र चिकित्सा क्षेत्र में एआई उपकरणों की व्याख्यात्मकता का अन्वेषण करता है, उदाहरण के तौर पर कैंसर जोखिम पूर्वानुमान उपकरण, क्यूकैंसर का उपयोग करते हुए। आम लोगों (मरीजों) और मेडिकल छात्रों (स्वास्थ्य सेवा कर्मियों) के साथ दो व्याख्या विधियों: SHAP और ऑक्लूज़न-1, का उपयोग करके, चार्ट (SC, OC) और टेक्स्ट (OT) प्रारूपों में प्रयोग किए गए। परिणामों से पता चला कि ऑक्लूज़न-1 में SHAP की तुलना में व्यक्तिपरक समझ और विश्वसनीयता अधिक थी, लेकिन यह टेक्स्ट प्रारूप (OT) के प्रति प्राथमिकता के कारण था। दूसरे शब्दों में, व्याख्या के प्रारूप का उपयोगकर्ता की समझ और विश्वास पर सामग्री की तुलना में अधिक प्रभाव पड़ा।

Takeaways, Limitations

Takeaways:
चिकित्सा एआई उपकरणों की व्याख्यात्मकता को बढ़ाने के लिए, हम इस बात पर जोर देते हैं कि न केवल स्पष्टीकरण की विषय-वस्तु बल्कि उसका स्वरूप भी महत्वपूर्ण है।
विशेष रूप से, यह सुझाव देता है कि संक्षिप्त विवरण पाठ प्रारूप में उपलब्ध कराए जाने पर प्रभावी हो सकते हैं।
यह एक ऐसे विवरण प्रारूप को चुनने के महत्व को दर्शाता है जो उपयोगकर्ता समूह (रोगियों, स्वास्थ्य कार्यकर्ताओं) की विशेषताओं को ध्यान में रखता हो।
Limitations:
चूंकि प्रायोगिक विषय आम जनता और मेडिकल छात्रों तक ही सीमित थे, इसलिए वे वास्तविक चिकित्सा परिवेश में विविध हितधारकों को प्रतिबिंबित नहीं कर सकते।
समझ और विश्वसनीयता के व्यक्तिपरक उपायों पर निर्भर रहने से वस्तुनिष्ठ मूल्यांकन में कमी आ सकती है।
चूंकि ये परिणाम क्यूकैंसर नामक एक विशिष्ट उपकरण के अध्ययन से हैं, इसलिए इन्हें अन्य चिकित्सा एआई उपकरणों पर लागू नहीं किया जा सकता।
केवल पाठ और चार्ट प्रारूपों की तुलना से आगे, प्रारूपों की व्यापक श्रृंखला पर अधिक शोध की आवश्यकता है।
👍