ਖ਼ਬਰਾਂ

ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ (LLM) ਤੁਰੰਤ ਸ਼ਬਦਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰੇਰਕ ਲੇਖ ਲਿਖ ਸਕਦਾ ਹੈ, ਪੇਸ਼ੇਵਰ ਮੁਹਾਰਤ ਪ੍ਰੀਖਿਆਵਾਂ ਪਾਸ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਮਰੀਜ਼ ਦੇ ਅਨੁਕੂਲ ਅਤੇ ਹਮਦਰਦੀ ਵਾਲੀ ਜਾਣਕਾਰੀ ਲਿਖ ਸਕਦਾ ਹੈ। ਹਾਲਾਂਕਿ, LLM ਵਿੱਚ ਗਲਪ, ਨਾਜ਼ੁਕਤਾ ਅਤੇ ਗਲਤ ਤੱਥਾਂ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਜੋਖਮਾਂ ਤੋਂ ਇਲਾਵਾ, ਹੋਰ ਅਣਸੁਲਝੇ ਮੁੱਦੇ ਹੌਲੀ-ਹੌਲੀ ਫੋਕਸ ਬਣ ਰਹੇ ਹਨ, ਜਿਵੇਂ ਕਿ AI ਮਾਡਲ ਜਿਨ੍ਹਾਂ ਦੀ ਸਿਰਜਣਾ ਅਤੇ ਵਰਤੋਂ ਵਿੱਚ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਵਿਤਕਰੇ ਵਾਲੇ "ਮਨੁੱਖੀ ਮੁੱਲ" ਹੁੰਦੇ ਹਨ, ਅਤੇ ਭਾਵੇਂ LLM ਹੁਣ ਸਮੱਗਰੀ ਨੂੰ ਨਹੀਂ ਬਣਾਉਂਦਾ ਅਤੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦੇਹ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ, "LLM ਮੁੱਲ" ਅਜੇ ਵੀ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਤੋਂ ਭਟਕ ਸਕਦੇ ਹਨ।

ਅਣਗਿਣਤ ਉਦਾਹਰਣਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਕਿਵੇਂ AI ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਡੇਟਾ ਵਿਅਕਤੀਗਤ ਅਤੇ ਸਮਾਜਿਕ ਮੁੱਲਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦਾ ਹੈ, ਜੋ ਮਾਡਲ ਦੇ ਅੰਦਰ ਮਜ਼ਬੂਤ ​​ਹੋ ਸਕਦੇ ਹਨ। ਇਹਨਾਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕਾਰਜ ਸ਼ਾਮਲ ਹਨ, ਜਿਸ ਵਿੱਚ ਛਾਤੀ ਦੇ ਐਕਸ-ਰੇ ਦੀ ਆਟੋਮੈਟਿਕ ਵਿਆਖਿਆ, ਚਮੜੀ ਦੇ ਰੋਗਾਂ ਦਾ ਵਰਗੀਕਰਨ, ਅਤੇ ਡਾਕਟਰੀ ਸਰੋਤ ਵੰਡ ਸੰਬੰਧੀ ਐਲਗੋਰਿਦਮਿਕ ਫੈਸਲਾ ਲੈਣਾ ਸ਼ਾਮਲ ਹੈ। ਜਿਵੇਂ ਕਿ ਸਾਡੇ ਜਰਨਲ ਦੇ ਇੱਕ ਤਾਜ਼ਾ ਲੇਖ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਪੱਖਪਾਤੀ ਸਿਖਲਾਈ ਡੇਟਾ ਸਮਾਜ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲਾਂ ਅਤੇ ਪੱਖਪਾਤਾਂ ਨੂੰ ਵਧਾ ਅਤੇ ਪ੍ਰਗਟ ਕਰ ਸਕਦਾ ਹੈ। ਇਸਦੇ ਉਲਟ, ਖੋਜ ਨੇ ਇਹ ਵੀ ਦਿਖਾਇਆ ਹੈ ਕਿ AI ਦੀ ਵਰਤੋਂ ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਗੋਡਿਆਂ ਦੇ ਐਕਸ-ਰੇ ਫਿਲਮਾਂ 'ਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਅਤੇ ਗੋਡਿਆਂ ਦੇ ਜੋੜ ਦੇ ਅੰਦਰ ਮਿਆਰੀ ਗੰਭੀਰਤਾ ਸੂਚਕਾਂ (ਰੇਡੀਓਲੋਜਿਸਟਾਂ ਦੁਆਰਾ ਗ੍ਰੇਡ ਕੀਤੇ ਗਏ) ਦੁਆਰਾ ਖੁੰਝੇ ਹੋਏ ਕਾਰਕਾਂ ਦੀ ਖੋਜ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਕਾਲੇ ਅਤੇ ਚਿੱਟੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਅਣਜਾਣ ਦਰਦ ਦੇ ਅੰਤਰ ਨੂੰ ਘਟਾਇਆ ਗਿਆ।

ਹਾਲਾਂਕਿ ਜ਼ਿਆਦਾ ਤੋਂ ਜ਼ਿਆਦਾ ਲੋਕ AI ਮਾਡਲਾਂ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਮਹਿਸੂਸ ਕਰ ਰਹੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, AI ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਤੈਨਾਤੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਦੇ ਕਈ ਹੋਰ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂਆਂ 'ਤੇ ਲੋੜੀਂਦਾ ਧਿਆਨ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਮੈਡੀਕਲ AI ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਹਨ, ਪਰ ਬਹੁਤ ਹੱਦ ਤੱਕ, ਇਸਨੇ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਅਤੇ ਜੋਖਮ ਮੁਲਾਂਕਣ ਅਤੇ ਸੰਭਾਵੀ ਤਰਕ ਨਾਲ ਉਹਨਾਂ ਦੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਵਿਚਾਰ ਨਹੀਂ ਕੀਤਾ ਹੈ, ਅਤੇ ਨਾ ਹੀ ਇਸਦਾ ਮਾਡਲ ਬਣਾਇਆ ਗਿਆ ਹੈ।

ਇਹਨਾਂ ਸੰਖੇਪ ਧਾਰਨਾਵਾਂ ਨੂੰ ਠੋਸ ਰੂਪ ਦੇਣ ਲਈ, ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਇੱਕ ਐਂਡੋਕਰੀਨੋਲੋਜਿਸਟ ਹੋ ਜਿਸਨੂੰ ਇੱਕ 8 ਸਾਲ ਦੇ ਮੁੰਡੇ ਲਈ ਰੀਕੌਂਬੀਨੈਂਟ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਲਿਖਣ ਦੀ ਲੋੜ ਹੈ ਜੋ ਆਪਣੀ ਉਮਰ ਦੇ ਤੀਜੇ ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ ਘੱਟ ਹੈ। ਮੁੰਡੇ ਦਾ ਉਤੇਜਿਤ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਪੱਧਰ 2 ng/mL ਤੋਂ ਘੱਟ ਹੈ (ਸੰਦਰਭ ਮੁੱਲ,>10 ng/mL, ਸੰਯੁਕਤ ਰਾਜ ਤੋਂ ਬਾਹਰ ਬਹੁਤ ਸਾਰੇ ਦੇਸ਼ਾਂ ਲਈ ਸੰਦਰਭ ਮੁੱਲ ਹੈ>7 ng/mL), ਅਤੇ ਉਸਦੇ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਕੋਡਿੰਗ ਜੀਨ ਨੇ ਦੁਰਲੱਭ ਅਕਿਰਿਆਸ਼ੀਲਤਾ ਪਰਿਵਰਤਨ ਦਾ ਪਤਾ ਲਗਾਇਆ ਹੈ। ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਇਸ ਕਲੀਨਿਕਲ ਸੈਟਿੰਗ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਥੈਰੇਪੀ ਦੀ ਵਰਤੋਂ ਸਪੱਸ਼ਟ ਅਤੇ ਨਿਰਵਿਵਾਦ ਹੈ।

ਹੇਠ ਲਿਖੇ ਹਾਲਾਤਾਂ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਥੈਰੇਪੀ ਦੀ ਵਰਤੋਂ ਵਿਵਾਦ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ: ਇੱਕ 14 ਸਾਲ ਦੇ ਮੁੰਡੇ ਦੀ ਉਚਾਈ ਹਮੇਸ਼ਾ ਉਸਦੇ ਸਾਥੀਆਂ ਦੇ 10ਵੇਂ ਪ੍ਰਤੀਸ਼ਤ ਵਿੱਚ ਰਹੀ ਹੈ, ਅਤੇ ਉਤੇਜਨਾ ਤੋਂ ਬਾਅਦ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਦੀ ਸਿਖਰ 8 ng/mL ਹੈ। ਕੋਈ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਕਾਰਜਸ਼ੀਲ ਪਰਿਵਰਤਨ ਨਹੀਂ ਹੈ ਜੋ ਉਚਾਈ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਨਾ ਹੀ ਛੋਟੇ ਕੱਦ ਦੇ ਹੋਰ ਜਾਣੇ-ਪਛਾਣੇ ਕਾਰਨ, ਅਤੇ ਉਸਦੀ ਹੱਡੀ ਦੀ ਉਮਰ 15 ਸਾਲ ਹੈ (ਭਾਵ ਕੋਈ ਵਿਕਾਸ ਸੰਬੰਧੀ ਦੇਰੀ ਨਹੀਂ)। ਵਿਵਾਦ ਦਾ ਸਿਰਫ਼ ਇੱਕ ਹਿੱਸਾ ਵੱਖਰੇ ਵਿਕਾਸ ਹਾਰਮੋਨ ਦੀ ਘਾਟ ਦਾ ਨਿਦਾਨ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਦੇ ਪੱਧਰਾਂ ਦੇ ਦਰਜਨਾਂ ਅਧਿਐਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਹਿਰਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲਾਂ ਵਿੱਚ ਅੰਤਰ ਦੇ ਕਾਰਨ ਹੈ। ਘੱਟੋ ਘੱਟ ਓਨਾ ਹੀ ਵਿਵਾਦ ਮਰੀਜ਼ਾਂ, ਮਰੀਜ਼ ਮਾਪਿਆਂ, ਸਿਹਤ ਸੰਭਾਲ ਪੇਸ਼ੇਵਰਾਂ, ਫਾਰਮਾਸਿਊਟੀਕਲ ਕੰਪਨੀਆਂ ਅਤੇ ਭੁਗਤਾਨ ਕਰਨ ਵਾਲਿਆਂ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਥੈਰੇਪੀ ਦੀ ਵਰਤੋਂ ਦੇ ਜੋਖਮ ਲਾਭ ਸੰਤੁਲਨ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ। ਬਾਲ ਰੋਗ ਵਿਗਿਆਨੀ 2 ਸਾਲਾਂ ਲਈ ਵਿਕਾਸ ਹਾਰਮੋਨ ਦੇ ਰੋਜ਼ਾਨਾ ਟੀਕਿਆਂ ਦੇ ਦੁਰਲੱਭ ਮਾੜੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਤੋਲ ਸਕਦੇ ਹਨ ਜਿਸ ਨਾਲ ਮੌਜੂਦਾ ਦੇ ਮੁਕਾਬਲੇ ਬਾਲਗ ਸਰੀਰ ਦੇ ਆਕਾਰ ਵਿੱਚ ਕੋਈ ਜਾਂ ਸਿਰਫ਼ ਘੱਟੋ-ਘੱਟ ਵਾਧਾ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਮੁੰਡੇ ਇਹ ਮੰਨ ਸਕਦੇ ਹਨ ਕਿ ਭਾਵੇਂ ਉਨ੍ਹਾਂ ਦੀ ਉਚਾਈ ਸਿਰਫ਼ 2 ਸੈਂਟੀਮੀਟਰ ਹੀ ਵਧ ਜਾਵੇ, ਇਹ ਗ੍ਰੋਥ ਹਾਰਮੋਨ ਦਾ ਟੀਕਾ ਲਗਾਉਣ ਦੇ ਯੋਗ ਹੈ, ਪਰ ਭੁਗਤਾਨ ਕਰਨ ਵਾਲੇ ਅਤੇ ਫਾਰਮਾਸਿਊਟੀਕਲ ਕੰਪਨੀ ਦੇ ਵਿਚਾਰ ਵੱਖੋ-ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।

ਅਸੀਂ ਇੱਕ ਉਦਾਹਰਣ ਵਜੋਂ ਕਰੀਏਟੀਨਾਈਨ ਅਧਾਰਤ eGFR ਲੈਂਦੇ ਹਾਂ, ਜੋ ਕਿ ਪੁਰਾਣੀ ਗੁਰਦੇ ਦੀ ਬਿਮਾਰੀ ਦਾ ਨਿਦਾਨ ਅਤੇ ਸਟੇਜਿੰਗ, ਗੁਰਦੇ ਟ੍ਰਾਂਸਪਲਾਂਟ ਜਾਂ ਦਾਨ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨਿਰਧਾਰਤ ਕਰਨ, ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਨੁਸਖ਼ੇ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਲਈ ਕਟੌਤੀ ਦੇ ਮਾਪਦੰਡ ਅਤੇ ਨਿਰੋਧ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਗੁਰਦੇ ਫੰਕਸ਼ਨ ਸੂਚਕ ਹੈ। EGFR ਇੱਕ ਸਧਾਰਨ ਰਿਗਰੈਸ਼ਨ ਸਮੀਕਰਨ ਹੈ ਜੋ ਮਾਪਿਆ ਗਿਆ ਗਲੋਮੇਰੂਲਰ ਫਿਲਟਰੇਸ਼ਨ ਰੇਟ (mGFR) ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਸੰਦਰਭ ਮਿਆਰ ਹੈ, ਪਰ ਮੁਲਾਂਕਣ ਵਿਧੀ ਮੁਕਾਬਲਤਨ ਮੁਸ਼ਕਲ ਹੈ। ਇਸ ਰਿਗਰੈਸ਼ਨ ਸਮੀਕਰਨ ਨੂੰ AI ਮਾਡਲ ਨਹੀਂ ਮੰਨਿਆ ਜਾ ਸਕਦਾ, ਪਰ ਇਹ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਅਤੇ ਸੰਭਾਵੀ ਤਰਕ ਬਾਰੇ ਬਹੁਤ ਸਾਰੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

eGFR ਵਿੱਚ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਦਾ ਪਹਿਲਾ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂ ਫਿਟਿੰਗ ਸਮੀਕਰਨਾਂ ਲਈ ਡੇਟਾ ਦੀ ਚੋਣ ਕਰਨਾ ਹੁੰਦਾ ਹੈ। eGFR ਫਾਰਮੂਲਾ ਡਿਜ਼ਾਈਨ ਕਰਨ ਲਈ ਵਰਤੀ ਗਈ ਮੂਲ ਕਤਾਰ ਜ਼ਿਆਦਾਤਰ ਕਾਲੇ ਅਤੇ ਚਿੱਟੇ ਭਾਗੀਦਾਰਾਂ ਤੋਂ ਬਣੀ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਕਈ ਹੋਰ ਨਸਲੀ ਸਮੂਹਾਂ ਲਈ ਇਸਦੀ ਲਾਗੂ ਹੋਣ ਦੀ ਯੋਗਤਾ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ। ਇਸ ਫਾਰਮੂਲੇ ਵਿੱਚ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਲਈ ਬਾਅਦ ਵਾਲੇ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂਆਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: ਗੁਰਦੇ ਦੇ ਕਾਰਜ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ mGFR ਸ਼ੁੱਧਤਾ ਨੂੰ ਮੁੱਖ ਉਦੇਸ਼ ਵਜੋਂ ਚੁਣਨਾ, ਸ਼ੁੱਧਤਾ ਦਾ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਪੱਧਰ ਕੀ ਹੈ, ਸ਼ੁੱਧਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਣਾ ਹੈ, ਅਤੇ ਕਲੀਨਿਕਲ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਚਾਲੂ ਕਰਨ ਲਈ eGFR ਨੂੰ ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਜੋਂ ਵਰਤਣਾ (ਜਿਵੇਂ ਕਿ ਗੁਰਦੇ ਟ੍ਰਾਂਸਪਲਾਂਟੇਸ਼ਨ ਲਈ ਸਥਿਤੀਆਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਜਾਂ ਦਵਾਈ ਲਿਖਣਾ)। ਅੰਤ ਵਿੱਚ, ਇਨਪੁਟ ਮਾਡਲ ਦੀ ਸਮੱਗਰੀ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ, ਮਨੁੱਖੀ ਮੁੱਲ ਵੀ ਇਸ ਫਾਰਮੂਲੇ ਵਿੱਚ ਦਾਖਲ ਹੋਣਗੇ।

ਉਦਾਹਰਨ ਲਈ, 2021 ਤੋਂ ਪਹਿਲਾਂ, ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਮਰੀਜ਼ ਦੀ ਉਮਰ, ਲਿੰਗ ਅਤੇ ਨਸਲ (ਸਿਰਫ਼ ਕਾਲੇ ਜਾਂ ਗੈਰ-ਕਾਲੇ ਵਿਅਕਤੀਆਂ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ) ​​ਦੇ ਆਧਾਰ 'ਤੇ eGFR ਫਾਰਮੂਲੇ ਵਿੱਚ ਕ੍ਰੀਏਟੀਨਾਈਨ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਐਡਜਸਟ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਨਸਲ ਦੇ ਆਧਾਰ 'ਤੇ ਐਡਜਸਟਮੈਂਟ ਦਾ ਉਦੇਸ਼ mGFR ਫਾਰਮੂਲੇ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣਾ ਹੈ, ਪਰ 2020 ਵਿੱਚ, ਵੱਡੇ ਹਸਪਤਾਲਾਂ ਨੇ ਨਸਲ ਅਧਾਰਤ eGFR ਦੀ ਵਰਤੋਂ 'ਤੇ ਸਵਾਲ ਉਠਾਉਣੇ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੇ, ਜਿਸ ਵਿੱਚ ਟ੍ਰਾਂਸਪਲਾਂਟੇਸ਼ਨ ਲਈ ਮਰੀਜ਼ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਦੇਰੀ ਕਰਨ ਅਤੇ ਨਸਲ ਨੂੰ ਇੱਕ ਜੈਵਿਕ ਸੰਕਲਪ ਵਜੋਂ ਠੋਸ ਬਣਾਉਣ ਵਰਗੇ ਕਾਰਨਾਂ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ। ਖੋਜ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਨਸਲ ਦੇ ਰੂਪ ਵਿੱਚ eGFR ਮਾਡਲਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਨਾਲ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕਲੀਨਿਕਲ ਨਤੀਜਿਆਂ 'ਤੇ ਡੂੰਘਾ ਅਤੇ ਵੱਖੋ-ਵੱਖਰਾ ਪ੍ਰਭਾਵ ਪੈ ਸਕਦਾ ਹੈ; ਇਸ ਲਈ, ਚੋਣਵੇਂ ਤੌਰ 'ਤੇ ਸ਼ੁੱਧਤਾ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਜਾਂ ਨਤੀਜਿਆਂ ਦੇ ਇੱਕ ਹਿੱਸੇ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਨਾ ਮੁੱਲ ਨਿਰਣੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਫੈਸਲੇ ਲੈਣ ਨੂੰ ਢੱਕ ਸਕਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਰਾਸ਼ਟਰੀ ਕਾਰਜ ਸਮੂਹ ਨੇ ਇੱਕ ਨਵਾਂ ਫਾਰਮੂਲਾ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਜੋ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਨਿਰਪੱਖਤਾ ਦੇ ਮੁੱਦਿਆਂ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨ ਲਈ ਨਸਲ 'ਤੇ ਵਿਚਾਰ ਕੀਤੇ ਬਿਨਾਂ ਦੁਬਾਰਾ ਫਿੱਟ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹ ਉਦਾਹਰਣ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ ਸਧਾਰਨ ਕਲੀਨਿਕਲ ਫਾਰਮੂਲੇ ਵਿੱਚ ਵੀ ਮਨੁੱਖੀ ਮੁੱਲਾਂ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਪ੍ਰਵੇਸ਼ ਬਿੰਦੂ ਹੁੰਦੇ ਹਨ।

ਥੋੜ੍ਹੇ ਜਿਹੇ ਭਵਿੱਖਬਾਣੀ ਸੂਚਕਾਂ ਵਾਲੇ ਕਲੀਨਿਕਲ ਫਾਰਮੂਲਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, LLM ਵਿੱਚ ਅਰਬਾਂ ਤੋਂ ਸੈਂਕੜੇ ਅਰਬਾਂ ਪੈਰਾਮੀਟਰ (ਮਾਡਲ ਵਜ਼ਨ) ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਇਸਨੂੰ ਸਮਝਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ "ਸਮਝਣਾ ਮੁਸ਼ਕਲ" ਕਹਿਣ ਦਾ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਜ਼ਿਆਦਾਤਰ LLM ਵਿੱਚ, ਸਵਾਲਾਂ ਰਾਹੀਂ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਦੇ ਸਹੀ ਤਰੀਕੇ ਨੂੰ ਮੈਪ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। GPT-4 ਲਈ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ ਅਜੇ ਐਲਾਨ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ; ਇਸਦੇ ਪੂਰਵਗਾਮੀ GPT-3 ਵਿੱਚ 175 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਸਨ। ਹੋਰ ਪੈਰਾਮੀਟਰਾਂ ਦਾ ਮਤਲਬ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ​​ਸਮਰੱਥਾਵਾਂ ਨਹੀਂ ਹਨ, ਕਿਉਂਕਿ ਛੋਟੇ ਮਾਡਲ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਵਧੇਰੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਚੱਕਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ LLaMA [ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਮੈਟਾ AI] ਮਾਡਲ ਲੜੀ) ਜਾਂ ਮਨੁੱਖੀ ਫੀਡਬੈਕ ਦੇ ਅਧਾਰ ਤੇ ਬਾਰੀਕ ਟਿਊਨ ਕੀਤੇ ਗਏ ਮਾਡਲ ਵੱਡੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਗੇ। ਉਦਾਹਰਨ ਲਈ, ਮਨੁੱਖੀ ਮੁਲਾਂਕਣਕਾਰਾਂ ਦੇ ਅਨੁਸਾਰ, InstrumentGPT ਮਾਡਲ (1.3 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲਾ ਇੱਕ ਮਾਡਲ) ਮਾਡਲ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ GPT-3 ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

GPT-4 ਦੇ ਖਾਸ ਸਿਖਲਾਈ ਵੇਰਵਿਆਂ ਦਾ ਅਜੇ ਖੁਲਾਸਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ GPT-3, InstrumentGPT, ਅਤੇ ਕਈ ਹੋਰ ਓਪਨ-ਸੋਰਸ LLM ਸਮੇਤ ਪਿਛਲੀ ਪੀੜ੍ਹੀ ਦੇ ਮਾਡਲਾਂ ਦੇ ਵੇਰਵਿਆਂ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਅੱਜਕੱਲ੍ਹ, ਬਹੁਤ ਸਾਰੇ AI ਮਾਡਲ ਮਾਡਲ ਕਾਰਡਾਂ ਦੇ ਨਾਲ ਆਉਂਦੇ ਹਨ; GPT-4 ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਸੁਰੱਖਿਆ ਡੇਟਾ ਮਾਡਲ ਨਿਰਮਾਣ ਕੰਪਨੀ OpenAI ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਇੱਕ ਸਮਾਨ ਸਿਸਟਮ ਕਾਰਡ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। LLM ਦੀ ਸਿਰਜਣਾ ਨੂੰ ਮੋਟੇ ਤੌਰ 'ਤੇ ਦੋ ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ: ਸ਼ੁਰੂਆਤੀ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਪੜਾਅ ਅਤੇ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਦੇ ਉਦੇਸ਼ ਨਾਲ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਪੜਾਅ। ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਪੜਾਅ ਵਿੱਚ, ਮਾਡਲ ਨੂੰ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਮੂਲ ਇੰਟਰਨੈਟ ਟੈਕਸਟ ਸਮੇਤ ਇੱਕ ਵੱਡਾ ਸੰਗ੍ਰਹਿ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਸਧਾਰਨ "ਆਟੋਮੈਟਿਕ ਸੰਪੂਰਨਤਾ" ਪ੍ਰਕਿਰਿਆ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬੁਨਿਆਦੀ ਮਾਡਲ ਪੈਦਾ ਕਰਦੀ ਹੈ, ਪਰ ਇਹ ਨੁਕਸਾਨਦੇਹ ਵਿਵਹਾਰ ਵੱਲ ਵੀ ਲੈ ਜਾ ਸਕਦੀ ਹੈ। ਮਨੁੱਖੀ ਮੁੱਲ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਪੜਾਅ ਵਿੱਚ ਦਾਖਲ ਹੋਣਗੇ, ਜਿਸ ਵਿੱਚ GPT-4 ਲਈ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀ ਚੋਣ ਕਰਨਾ ਅਤੇ ਪ੍ਰੀ-ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਤੋਂ ਅਸ਼ਲੀਲ ਸਮੱਗਰੀ ਵਰਗੀ ਅਣਉਚਿਤ ਸਮੱਗਰੀ ਨੂੰ ਹਟਾਉਣ ਦਾ ਫੈਸਲਾ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਹਨਾਂ ਯਤਨਾਂ ਦੇ ਬਾਵਜੂਦ, ਬੁਨਿਆਦੀ ਮਾਡਲ ਅਜੇ ਵੀ ਨਾ ਤਾਂ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਨਾ ਹੀ ਨੁਕਸਾਨਦੇਹ ਆਉਟਪੁੱਟ ਨਤੀਜੇ ਰੱਖਣ ਦੇ ਸਮਰੱਥ ਹੋ ਸਕਦਾ ਹੈ। ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੇ ਅਗਲੇ ਪੜਾਅ ਵਿੱਚ, ਬਹੁਤ ਸਾਰੇ ਲਾਭਦਾਇਕ ਅਤੇ ਨੁਕਸਾਨਦੇਹ ਵਿਵਹਾਰ ਉਭਰ ਕੇ ਸਾਹਮਣੇ ਆਉਣਗੇ।

ਫਾਈਨ-ਟਿਊਨਿੰਗ ਪੜਾਅ ਵਿੱਚ, ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਅਕਸਰ ਮਨੁੱਖੀ ਫੀਡਬੈਕ ਦੇ ਅਧਾਰ ਤੇ ਨਿਗਰਾਨੀ ਕੀਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਅਤੇ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੁਆਰਾ ਡੂੰਘਾਈ ਨਾਲ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ। ਨਿਗਰਾਨੀ ਕੀਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਪੜਾਅ ਵਿੱਚ, ਕਿਰਾਏ 'ਤੇ ਰੱਖੇ ਠੇਕੇਦਾਰ ਕਰਮਚਾਰੀ ਤੁਰੰਤ ਸ਼ਬਦਾਂ ਲਈ ਜਵਾਬ ਉਦਾਹਰਣਾਂ ਲਿਖਣਗੇ ਅਤੇ ਮਾਡਲ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣਗੇ। ਮਨੁੱਖੀ ਫੀਡਬੈਕ ਦੇ ਅਧਾਰ ਤੇ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਪੜਾਅ ਵਿੱਚ, ਮਨੁੱਖੀ ਮੁਲਾਂਕਣਕਾਰ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਨੂੰ ਇਨਪੁਟ ਸਮੱਗਰੀ ਉਦਾਹਰਣਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਛਾਂਟਣਗੇ। ਫਿਰ "ਇਨਾਮ ਮਾਡਲ" ਸਿੱਖਣ ਲਈ ਉਪਰੋਕਤ ਤੁਲਨਾ ਨਤੀਜਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰੋ ਅਤੇ ਰੀਨਫੋਰਸਮੈਂਟ ਲਰਨਿੰਗ ਦੁਆਰਾ ਮਾਡਲ ਨੂੰ ਹੋਰ ਬਿਹਤਰ ਬਣਾਓ। ਹੈਰਾਨੀਜਨਕ ਘੱਟ-ਪੱਧਰੀ ਮਨੁੱਖੀ ਸ਼ਮੂਲੀਅਤ ਇਹਨਾਂ ਵੱਡੇ ਮਾਡਲਾਂ ਨੂੰ ਵਧੀਆ ਬਣਾ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੰਸਟ੍ਰੂਮੈਂਟਜੀਪੀਟੀ ਮਾਡਲ ਨੇ ਭੀੜ-ਸੋਰਸਿੰਗ ਵੈੱਬਸਾਈਟਾਂ ਤੋਂ ਭਰਤੀ ਕੀਤੇ ਲਗਭਗ 40 ਠੇਕੇਦਾਰ ਕਰਮਚਾਰੀਆਂ ਦੀ ਇੱਕ ਟੀਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ ਟੈਸਟ ਪਾਸ ਕੀਤਾ ਜਿਸਦਾ ਉਦੇਸ਼ ਐਨੋਟੇਟਰਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਦੀ ਚੋਣ ਕਰਨਾ ਸੀ ਜੋ ਵੱਖ-ਵੱਖ ਆਬਾਦੀ ਸਮੂਹਾਂ ਦੀਆਂ ਤਰਜੀਹਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹਨ।

ਜਿਵੇਂ ਕਿ ਇਹ ਦੋ ਅਤਿਅੰਤ ਉਦਾਹਰਣਾਂ, ਅਰਥਾਤ ਸਧਾਰਨ ਕਲੀਨਿਕਲ ਫਾਰਮੂਲਾ [eGFR] ਅਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ LLM [GPT-4], ਦਰਸਾਉਂਦੀਆਂ ਹਨ, ਮਨੁੱਖੀ ਫੈਸਲਾ ਲੈਣ ਅਤੇ ਮਨੁੱਖੀ ਮੁੱਲ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਨੂੰ ਆਕਾਰ ਦੇਣ ਵਿੱਚ ਇੱਕ ਲਾਜ਼ਮੀ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ। ਕੀ ਇਹ AI ਮਾਡਲ ਆਪਣੇ ਵਿਭਿੰਨ ਮਰੀਜ਼ ਅਤੇ ਡਾਕਟਰੀ ਮੁੱਲਾਂ ਨੂੰ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹਨ? ਦਵਾਈ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਜਨਤਕ ਤੌਰ 'ਤੇ ਕਿਵੇਂ ਮਾਰਗਦਰਸ਼ਨ ਕਰਨਾ ਹੈ? ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਡਾਕਟਰੀ ਫੈਸਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਮੁੜ ਜਾਂਚ ਇਹਨਾਂ ਮੁੱਦਿਆਂ ਦਾ ਇੱਕ ਸਿਧਾਂਤਕ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ।

ਡਾਕਟਰੀ ਫੈਸਲੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਬਹੁਤ ਸਾਰੇ ਡਾਕਟਰਾਂ ਲਈ ਜਾਣੂ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਸੰਭਾਵੀ ਤਰਕ (ਫੈਸਲਾ ਲੈਣ ਨਾਲ ਸਬੰਧਤ ਅਨਿਸ਼ਚਿਤ ਨਤੀਜਿਆਂ ਲਈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਵਿਵਾਦਪੂਰਨ ਕਲੀਨਿਕਲ ਦ੍ਰਿਸ਼ ਵਿੱਚ ਮਨੁੱਖੀ ਵਿਕਾਸ ਹਾਰਮੋਨ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੈ ਜਾਂ ਨਹੀਂ) ਅਤੇ ਵਿਚਾਰ ਕਾਰਕਾਂ (ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਨਾਲ ਜੁੜੇ ਵਿਅਕਤੀਗਤ ਮੁੱਲਾਂ ਲਈ, ਜਿਨ੍ਹਾਂ ਦੇ ਮੁੱਲ ਨੂੰ "ਉਪਯੋਗਤਾ" ਵਜੋਂ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਰਦ ਉਚਾਈ ਵਿੱਚ 2 ਸੈਂਟੀਮੀਟਰ ਵਾਧੇ ਦਾ ਮੁੱਲ), ਵਿੱਚ ਫਰਕ ਕਰ ਸਕਦਾ ਹੈ। ਗੁੰਝਲਦਾਰ ਡਾਕਟਰੀ ਫੈਸਲਿਆਂ ਲਈ ਯੋਜਨਾਬੱਧ ਹੱਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ। ਫੈਸਲੇ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਡਾਕਟਰਾਂ ਨੂੰ ਪਹਿਲਾਂ ਹਰੇਕ ਨਤੀਜੇ ਨਾਲ ਜੁੜੇ ਸਾਰੇ ਸੰਭਾਵੀ ਫੈਸਲਿਆਂ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਸਭ ਤੋਂ ਢੁਕਵੇਂ ਵਿਕਲਪ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਹਰੇਕ ਨਤੀਜੇ ਨਾਲ ਜੁੜੇ ਮਰੀਜ਼ (ਜਾਂ ਹੋਰ ਧਿਰ) ਉਪਯੋਗਤਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਲਈ, ਫੈਸਲੇ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵੈਧਤਾ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਕਿ ਨਤੀਜਾ ਸੈਟਿੰਗ ਵਿਆਪਕ ਹੈ, ਨਾਲ ਹੀ ਉਪਯੋਗਤਾ ਦਾ ਮਾਪ ਅਤੇ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਸਹੀ ਹੈ ਜਾਂ ਨਹੀਂ। ਆਦਰਸ਼ਕ ਤੌਰ 'ਤੇ, ਇਹ ਪਹੁੰਚ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ ਕਿ ਫੈਸਲੇ ਸਬੂਤ-ਅਧਾਰਤ ਹਨ ਅਤੇ ਮਰੀਜ਼ ਦੀਆਂ ਤਰਜੀਹਾਂ ਨਾਲ ਇਕਸਾਰ ਹਨ, ਇਸ ਤਰ੍ਹਾਂ ਉਦੇਸ਼ ਡੇਟਾ ਅਤੇ ਨਿੱਜੀ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਇਹ ਵਿਧੀ ਕਈ ਦਹਾਕੇ ਪਹਿਲਾਂ ਡਾਕਟਰੀ ਖੇਤਰ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਸੀ ਅਤੇ ਵਿਅਕਤੀਗਤ ਮਰੀਜ਼ ਫੈਸਲੇ ਲੈਣ ਅਤੇ ਆਬਾਦੀ ਸਿਹਤ ਮੁਲਾਂਕਣ 'ਤੇ ਲਾਗੂ ਕੀਤੀ ਗਈ ਸੀ, ਜਿਵੇਂ ਕਿ ਆਮ ਆਬਾਦੀ ਨੂੰ ਕੋਲੋਰੈਕਟਲ ਕੈਂਸਰ ਸਕ੍ਰੀਨਿੰਗ ਲਈ ਸਿਫ਼ਾਰਸ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਨਾ।

ਡਾਕਟਰੀ ਫੈਸਲੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਉਪਯੋਗਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕੇ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਪਰੰਪਰਾਗਤ ਤਰੀਕੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਿਅਕਤੀਗਤ ਮਰੀਜ਼ਾਂ ਤੋਂ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਸਭ ਤੋਂ ਸਰਲ ਤਰੀਕਾ ਇੱਕ ਰੇਟਿੰਗ ਸਕੇਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ, ਜਿੱਥੇ ਮਰੀਜ਼ ਇੱਕ ਡਿਜੀਟਲ ਪੈਮਾਨੇ 'ਤੇ ਇੱਕ ਖਾਸ ਨਤੀਜੇ ਲਈ ਆਪਣੀ ਪਸੰਦ ਦੇ ਪੱਧਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ 1 ਤੋਂ 10 ਤੱਕ ਦਾ ਇੱਕ ਰੇਖਿਕ ਪੈਮਾਨਾ), ਜਿਸ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਸਿਹਤ ਨਤੀਜੇ (ਜਿਵੇਂ ਕਿ ਪੂਰੀ ਸਿਹਤ ਅਤੇ ਮੌਤ) ਦੋਵਾਂ ਸਿਰਿਆਂ 'ਤੇ ਸਥਿਤ ਹੁੰਦੇ ਹਨ। ਸਮਾਂ ਵਟਾਂਦਰਾ ਵਿਧੀ ਇੱਕ ਹੋਰ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਵਿਧੀ ਹੈ। ਇਸ ਵਿਧੀ ਵਿੱਚ, ਮਰੀਜ਼ਾਂ ਨੂੰ ਇਹ ਫੈਸਲਾ ਲੈਣ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਮਾੜੀ ਸਿਹਤ ਦੀ ਮਿਆਦ ਦੇ ਬਦਲੇ ਵਿੱਚ ਕਿੰਨਾ ਸਿਹਤਮੰਦ ਸਮਾਂ ਬਿਤਾਉਣ ਲਈ ਤਿਆਰ ਹਨ। ਮਿਆਰੀ ਜੂਆ ਵਿਧੀ ਉਪਯੋਗਤਾ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤੀ ਜਾਣ ਵਾਲੀ ਵਿਧੀ ਹੈ। ਇਸ ਵਿਧੀ ਵਿੱਚ, ਮਰੀਜ਼ਾਂ ਨੂੰ ਪੁੱਛਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਉਹ ਦੋ ਵਿਕਲਪਾਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਪਸੰਦ ਕਰਦੇ ਹਨ: ਜਾਂ ਤਾਂ ਇੱਕ ਖਾਸ ਸੰਭਾਵਨਾ (p) (t) ਦੇ ਨਾਲ ਆਮ ਸਿਹਤ ਵਿੱਚ ਕੁਝ ਸਾਲ ਜੀਓ, ਅਤੇ 1-p ਸੰਭਾਵਨਾ ਨਾਲ ਮੌਤ ਦੇ ਜੋਖਮ ਨੂੰ ਸਹਿਣ ਕਰੋ; ਜਾਂ ਤਾਂ ਕਰਾਸ ਸਿਹਤ ਸਥਿਤੀਆਂ ਦੇ ਅਧੀਨ t ਸਾਲਾਂ ਲਈ ਜੀਣਾ ਯਕੀਨੀ ਬਣਾਓ। ਮਰੀਜ਼ਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ p-ਮੁੱਲਾਂ 'ਤੇ ਕਈ ਵਾਰ ਪੁੱਛੋ ਜਦੋਂ ਤੱਕ ਉਹ ਕਿਸੇ ਵੀ ਵਿਕਲਪ ਲਈ ਕੋਈ ਤਰਜੀਹ ਨਹੀਂ ਦਿਖਾਉਂਦੇ, ਤਾਂ ਜੋ ਉਪਯੋਗਤਾ ਦੀ ਗਣਨਾ ਮਰੀਜ਼ਾਂ ਦੇ ਜਵਾਬਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਕੀਤੀ ਜਾ ਸਕੇ।
ਵਿਅਕਤੀਗਤ ਮਰੀਜ਼ਾਂ ਦੀਆਂ ਤਰਜੀਹਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਤਰੀਕਿਆਂ ਤੋਂ ਇਲਾਵਾ, ਮਰੀਜ਼ਾਂ ਦੀ ਆਬਾਦੀ ਲਈ ਉਪਯੋਗਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਤਰੀਕੇ ਵੀ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਹਨ। ਖਾਸ ਤੌਰ 'ਤੇ ਫੋਕਸ ਗਰੁੱਪ ਚਰਚਾਵਾਂ (ਖਾਸ ਅਨੁਭਵਾਂ 'ਤੇ ਚਰਚਾ ਕਰਨ ਲਈ ਮਰੀਜ਼ਾਂ ਨੂੰ ਇਕੱਠੇ ਲਿਆਉਣਾ) ਉਨ੍ਹਾਂ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣਾਂ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਸਮੂਹ ਉਪਯੋਗਤਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਇਕੱਠਾ ਕਰਨ ਲਈ, ਵੱਖ-ਵੱਖ ਸੰਰਚਿਤ ਸਮੂਹ ਚਰਚਾ ਤਕਨੀਕਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਰੱਖਿਆ ਗਿਆ ਹੈ।
ਅਭਿਆਸ ਵਿੱਚ, ਕਲੀਨਿਕਲ ਨਿਦਾਨ ਅਤੇ ਇਲਾਜ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਉਪਯੋਗਤਾ ਦੀ ਸਿੱਧੀ ਸ਼ੁਰੂਆਤ ਬਹੁਤ ਸਮਾਂ ਲੈਣ ਵਾਲੀ ਹੈ। ਇੱਕ ਹੱਲ ਵਜੋਂ, ਸਰਵੇਖਣ ਪ੍ਰਸ਼ਨਾਵਲੀ ਆਮ ਤੌਰ 'ਤੇ ਆਬਾਦੀ ਪੱਧਰ 'ਤੇ ਉਪਯੋਗਤਾ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਬੇਤਰਤੀਬ ਤੌਰ 'ਤੇ ਚੁਣੀਆਂ ਗਈਆਂ ਆਬਾਦੀਆਂ ਨੂੰ ਵੰਡੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਕੁਝ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਯੂਰੋਕਿਓਲ 5-ਅਯਾਮੀ ਪ੍ਰਸ਼ਨਾਵਲੀ, 6-ਅਯਾਮੀ ਉਪਯੋਗਤਾ ਭਾਰ ਛੋਟਾ ਰੂਪ, ਸਿਹਤ ਉਪਯੋਗਤਾ ਸੂਚਕਾਂਕ, ਅਤੇ ਕੈਂਸਰ ਵਿਸ਼ੇਸ਼ ਯੂਰਪੀਅਨ ਕੈਂਸਰ ਖੋਜ ਅਤੇ ਇਲਾਜ ਸੰਗਠਨ ਜੀਵਨ ਦੀ ਗੁਣਵੱਤਾ ਪ੍ਰਸ਼ਨਾਵਲੀ ਕੋਰ 30 ਟੂਲ ਸ਼ਾਮਲ ਹਨ।