Den diagnostiska och triagekapaciteten hos lekmän-stora språkmodellsamarbeten i Kina

Målet med denna randomiserade kontrollerade studie är att utvärdera stor språkmodellers roll i att förbättra lekmäns förmåga att självdiagnostisera och prioritera vanliga sjukdomar. De huvudsakliga frågor den syftar att besvara är:

• Hjälper användning av en LLM deltagare att göra mer exakta självdiagnoser och vårdbeslut för vanliga sjukdomar, jämfört med deras första gissning utan någon hjälp?
• Hur mycket bättre är det när människor arbetar tillsammans med en LLM, jämfört med att använda en vanlig sökmotor, använda LLM ensamt, eller hur läkare skulle besluta? Forskare kommer att jämföra deltagare som slumpmässigt tilldelades antingen LLM-gruppen (som använder DeepSeek) eller sökmotorgruppen för att se om LLM-assisterade metoden leder till bättre kliniska bedömningar.

Deltagare kommer att:

• Läsa en av 48 korta, realistiska hälsoberättelser;
• Göra en första gissning om vad som kan vara fel genom att lista upp till tre möjliga orsaker, rankade från mest till minst troliga, och välja en vårdnivå: söka omedelbar vård, träffa en läkare inom en dag, träffa en läkare inom en vecka, eller hantera hemma utan medicinsk vård.
• Använda sitt tilldelade verktyg (antingen DeepSeek eller en standard sökmotor) för att slå upp information och uppdatera sin gissning och vårdbeslut;
• Lämna in sin slutliga diagnos och vårdval efter att ha använt verktyget. Dessutom utvärderade studieteamet prestandan av fyra andra AI-modeller (GPT-4o, GPT-o1, DeepSeek-v3 och DeepSeek-r1) och 33 erfarna allmänläkare på samma berättelser.