Novo istraživanje pokazalo je da ChatGPT i drugi AI modeli nisu precizniji od obične internet pretrage u procjeni simptoma.
Novo istraživanje sprovedeno na 1.300 ljudi u Ujedinjenom Kraljevstvu, pokazuje da nekoliko modela vještačke inteligencije - ChatGPT, Llama (Meta) ili Command R+ - ne daje bolje rezultate od obične internet pretrage kada se pacijent pita o svojim simptomima.
"Vlada veliko uzbuđenje zbog modela vještačke inteligencije, ali oni jednostavno nisu spremni da zamijene ljekara", istakla je Rebeka Pejn, istraživačica sa Univerziteta u Oksfordu i koautorka studije.
Učesnici istraživanja nisu bili stvarno bolesni. Učestvovali su u svojevrsnoj igri uloga: istraživači su im podijelili deset različitih skupova simptoma oko kojih u medicinskoj zajednici postoji konsenzus o pripadajućoj dijagnozi.
Samo je trećini učesnika postavljena tačna dijagnoza. To nije ništa bolje nego u grupi koja je morala da se zadovolji klasičnim pretraživanjem interneta.
Ipak, neka istraživanja su pokazala da ChatGPT i drugi modeli mogu uspješno da polože medicinske ispite: postavljeni u ulogu studenta medicine pred, na primjer, pitanjima s višestrukim izborom, sistemi vještačke inteligencije dobro se snalaze.
Međutim, ovo novo istraživanje pokazuje da se situacija mijenja kada je riječ o interakciji sa stvarnim ljudima. Oni, naime, mogu biti nedovoljno precizni u opisu svojih simptoma jer ne pružaju sve ključne elemente, navode istraživači.
Ovo istraživanje je dio velikih rasprava o potencijalnom doprinosu vještačke inteligencije u pogledu medicinskih informacija, s obzirom na to da se u mnogim zemljama, uključujući i one razvijene, često dugo čeka na pristup ljekaru.
U Francuskoj bi Visoka uprava za zdravstvo (HAS) uskoro trebalo da se oglasi o koristima direktne upotrebe AI-ja za pacijente. Krajem 2025. već je procijenila da bi ti alati mogli pomoći zdravstvenim radnicima ako se koriste razumno.
Istraživanje objavljeno sada ima određena ograničenja, poput metodologije koja se zasniva na fiktivnim scenarijima. Korišćeni modeli su, osim toga, u međuvremenu uveliko zamijenjeni efikasnijim verzijama.
Ipak, "ovo je vrlo važno istraživanje koja naglašava da chatbotovi predstavljaju stvarne medicinske rizike za širu javnost", ocijenio je za AFP Dejvid Šo, stručnjak za bioetiku sa Univerziteta u Mastrihtu u Holandiji.
Rezultati istraživanja objavljeni su u časopisu Nature Medicine.
Izvor: 021