Der Aufbruch generativer KI in der Medizin: Empathie durch Emulation

Zusammenfassung

Rasche Fortschritte in der künstlichen Intelligenz (KI) haben erhebliche Auswirkungen auf mehrere Sektoren unserer Gesellschaft, einschließlich des Gesundheitswesens. Während die konventionelle KI hauptsächlich bei der Lösung von Aufgaben im Bereich der Bilderkennung erfolgreich war und somit in gut definierten Situationen wie der Unterstützung von diagnostischer Bildgebung eine Rolle spielt, wirkt sich das Aufkommen von generativer KI auf eine der Hauptkompetenzen im professionellen Bereich aus: die Arzt-Patienten-Interaktion.

Eine Konvergenz von Natural Language Processing (NLP) und generativer KI zeigt sich in intelligenten Chatbots wie ChatGPT. Eine erste Studie, welche die Empathie und die Qualität der Antworten zwischen ChatGPT und menschlichen Ärzten im Gesundheitswesen verglichen hat, konnte zeigen, dass ChatGPT menschliche Ärzte sowohl in der Qualität als auch in der Empathie der Antworten auf medizinische Fragen übertreffen kann. Die Ergebnisse legen nahe, dass generative KI-Modelle wie ChatGPT wertvolle Ergänzungen für die medizinische Beratung sein können und somit die Patientenbindung möglicherweise verbessern und die Arbeitsbelastung von Ärztinnen und Ärzten reduzieren könnten.

Abstract

Rapid advancements in Artificial Intelligence (AI) have significantly impacted multiple sectors of our society, including healthcare. While conventional AI has been instrumental in solving mainly image recognition tasks and thereby adding in well-defined situations such as supporting diagnostic imaging, the emergence of generative AI is impacting on one of the main professional competences: doctor–patient interaction.

A convergence of natural language processing (NLP) and generative AI is exemplified by intelligent chatbots like ChatGPT. A first study that has compared the empathy and quality of responses between ChatGPT and human physicians in a healthcare setting has shown that ChatGPT can outperform human physicians in both quality and empathy of answers to medical questions. The results suggest that generative AI models like ChatGPT could serve as valuable adjuncts in medical consultations, potentially improving patient engagement and reducing clinician workload.

Was ist wichtig?

Im vergangenen Jahrzehnt hat die künstliche Intelligenz (KI) enorme Fortschritte gemacht. Maschinelles Lernen und KI-Systeme, die auf tiefen neuronalen Netzwerken basieren, haben sich durchgehend als fähig erwiesen, selbst komplexe Probleme zu lösen [1] [2]. Dies ist insbesondere im Bereich der Medizin offensichtlich, wo diagnostische Algorithmen und Werkzeuge zur Bilderkennung ihr Potenzial gezeigt haben, die Erkennung und das Management von Krankheiten über menschliche Fähigkeiten hinaus voranzubringen [3]. Das Aufkommen von generativer KI, einem Bereich des maschinellen Lernens mit der einzigartigen Fähigkeit, neuen Inhalt durch das Lernen aus großen Mengen aktuellen Wissens zu generieren, signalisiert eine tiefgreifende Verschiebung im Potenzial der KI, insbesondere im Bereich der Mensch-Maschine-Interaktion und des Gesundheitswesens.

Schlüsselwörter

ChatGPT - Arzt-Patienten-Interaktion - künstliche Intelligenz

Keywords

artificial intelligence - ChatGPT - doctor-patient interaction

Publication History

Article published online:
20 November 2023

• Literatur

• 1 Haug CJ, Drazen JM. Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. N Engl J Med 2023; 388: 1201-1208
• 2 Kulkarni S, Seneviratne N, Baig MS. et al. Artificial Intelligence in Medicine: Where Are We Now?. Acad Radiol 2020; 27: 62-70
• 3 Busnatu S, Niculescu AG, Bolocan A. et al. Clinical Applications of Artificial Intelligence-An Updated Overview. J Clin Med 2022; 11: 2265
• 4 Nune A, Iyengar KP, Manzo C. et al. Chat generative pre-trained transformer (ChatGPT): potential implications for rheumatology practice. Rheumatol Int 2023; 43: 1379-1380
• 5 Mesko B, Topol EJ. The imperative for regulatory oversight of large language models (or generative AI) in healthcare. NPJ Digit Med 2023; 6: 120
• 6 Lv Z. Generative artificial intelligence in the metaverse era. Cognitive Robotics 2023; 3: 208-217
• 7 Mondal S, Das S, Vrana VG. How to Bell the Cat? A Theoretical Review of Generative Artificial Intelligence towards Digital Disruption in All Walks of Life. Technologies 2023; 11: 44
• 8 OpenAI. GPT-4 Technical Report. 2023 Accessed October 17, 2023 at: https://cdn.openai.com/papers/gpt-4.pdf
• 9 Richter-Pechanski P, Geis NA, Kiriakou C. et al. Automatic extraction of 12 cardiovascular concepts from German discharge letters using pre-trained language models. Digit Health 2021; 7
• 10 Saito Y, Takamichi S, Iimori E. et al. ChatGPT-EDSS: Empathetic Dialogue Speech Synthesis Trained from ChatGPT-derived Context Word Embeddings. arXiv 2023;
• 11 Lentzen M, Madan S, Lage-Rupprecht V. et al. Critical assessment of transformer-based AI models for German clinical notes. JAMIA Open 2022; 5: ooac087
• 12 Devlin J, Chang MW, Lee K. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. In: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers). Minneapolis, Minnesota: Association for Computational Linguistics; 2019: 4171-4186
• 13 Zhu R, Tu X, Huang JX. Utilizing BERT for biomedical and clinical Text Mining. In: Lee KC, Roy SS, Samui P, Kumar V. Data Analytics in biomedical Engineering and Healthcare. Cambridge: Academic Press; 2021: 73-103
• 14 Radford A, Narasimhan K, Salimans T, Sutskever I. Improving language understanding by generative pre-training. 2018 Accessed October 17, 2023 at: https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf
• 15 Brown T, Mann B, Ryder N. et al. Language models are few-shot learners. In: Larochelle H, Ranzato M, Hadsell R, Balcan MF, Lin H. NIPS’20: Proceedings of the 34th International Conference on Neural Information Processing Systems. December 2020. Red Hook, NY, United States: Curran Associates Inc.; 2020: 1877-1901
• 16 Tamkin A, Brundage M, Clark J. et al. Understanding the capabilities, limitations, and societal impact of large language models. arXiv 2021;
• 17 Eloundou T, Manning S, Mishkin P. et al. GPTs are GPTs: An early look at the labor market impact potential of large language models. arXiv 2303 2023;
• 18 Sorin V, Brin D, Barash Y. et al. Large Language Models (LLMs) and Empathy – A Systematic Review. medRxiv 2023;
• 19 Ayers JW, Poliak A, Dredze M. et al. Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Intern Med 2023; 183: 589-596
• 20 Ayub I, Hamann D, Hamann CR. et al. Exploring the Potential and Limitations of Chat Generative Pre-trained Transformer (ChatGPT) in Generating Board-Style Dermatology Questions: A Qualitative Analysis. Cureus 2023; 15: e43717
• 21 Szczesniewski JJ, Tellez Fouz C, Ramos Alba A. et al. ChatGPT and most frequent urological diseases: analysing the quality of information and potential risks for patients. World J Urol 2023;
• 22 Deutsche Forschungsgemeinschaft. KI, ChatGPT und die Wissenschaften – DFG formuliert Leitlinien für Umgang mit generativen Modellen zur Text- und Bilderstellung. Accessed October 17, 2023 at: https://www.dfg.de/service/presse/pressemitteilungen/2023/pressemitteilung_nr_39/index.html