નફો:
- ઑડિઓગ્રામના મૂળભૂત ઘટકો (ડીબી એચએલ, આવર્તન, હવાનું વહન/હાડકાનું વહન, માસ્કિંગ) અને કૃત્રિમ બુદ્ધિમત્તાના સ્કેચ સાથે નહીં, કેલિબ્રેટેડ માપન વડે ચકાસીને સુનાવણીના નુકસાનના પ્રકાર અને ડિગ્રીનું અર્થઘટન કરવાની ક્ષમતા
- સ્ટ્રક્ચર્ડ ફોર્મેટમાં ઑડિઓગ્રામ ડેટા સાથે કૃત્રિમ બુદ્ધિ પ્રદાન કરવાની ક્ષમતા, સલામત પ્રારંભિક અર્થઘટન ડ્રાફ્ટ તૈયાર કરવા અને નિદાનની ભાષાને નિષ્ણાત ભાષામાં અનુવાદિત કરવાની ક્ષમતા
- પ્રોમ્પ્ટ પહેલાં સામાન્ય ઑડિઓગ્રામ અર્થઘટન મુશ્કેલીઓ (માસ્કિંગ દ્વિધા, એર-બોન ગેપ, રૂપરેખાંકન અંધત્વ) પકડવાની ક્ષમતા
ઑડિયોગ્રામ એ દસ્તાવેજ છે જેને ઑડિયોલોજિસ્ટ સૌથી વધુ જુએ છે. ઑડિઓગ્રામ એ એક આલેખ છે જે દર્દીની સુનાવણી થ્રેશોલ્ડ (તેઓ સાંભળી શકે તેવી સૌથી ઓછી ધ્વનિની તીવ્રતા)ને આવર્તન દ્વારા દર્શાવે છે: આડી અક્ષ પર આવર્તન છે (ધ્વનિની પિચ, હર્ટ્ઝમાં - હર્ટ્ઝમાં, સામાન્ય રીતે 250-8000 હર્ટ્ઝ), અને ઊભી અક્ષ પર તીવ્રતા છે (એચબીએલ સાંભળવાની તીવ્રતા, અવાજની તીવ્રતા). આલેખ ઉપરથી નીચે સુધી વાંચવામાં આવે છે: થ્રેશોલ્ડ જેટલો નીચો છે (જેટલો મોટો dB HL નંબર છે), તેટલો વધુ સાંભળવાની ખોટ. આ એકમમાં આપણે શીખીશું કે ઑડિઓગ્રામ અર્થઘટન માટે રફ ડ્રાફ્ટ જનરેટર તરીકે AI નો ઉપયોગ કેવી રીતે કરવો, પરંતુ તમારે શા માટે હંમેશા કેલિબ્રેટેડ માપન અને ક્લિનિકલ આંખ સાથે અંતિમ અર્થઘટન ચકાસવું જોઈએ.
મુખ્ય સિદ્ધાંત આ છે: AI તમને સુઘડ, વાંચી શકાય તેવી પ્રી-કોમેન્ટરી તૈયાર કરી શકે છે; જો કે, કેલિબ્રેટેડ ઉપકરણ ડેટા અને નિષ્ણાત મૂલ્યાંકન દ્વારા સાંભળવાની ખોટનો પ્રકાર અને ડિગ્રી અને માસ્કિંગની જરૂરિયાત સ્પષ્ટ થઈ જાય છે. ઑડિઓગ્રામનું "અર્થઘટન" કરવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ કહેવાને બદલે, સાચો અભિગમ એ છે કે "હું જે નંબર આપું છું તેમાંથી નિયમિત રૂપરેખા બહાર આવશે, હું તેને ચકાસીશ."
ઑડિઓગ્રામના મૂળભૂત ઘટકો
ચાલો ઓડિયોગ્રામને યોગ્ય રીતે વાંચવા માટે થોડા ખ્યાલોને સ્પષ્ટ કરીએ; કૃત્રિમ બુદ્ધિમત્તાને આપતા પહેલા તમારે તેમાંથી દરેકને તમારા પોતાના મનમાં સમજવું જોઈએ.
એરવે (HY): હેડફોન અથવા સ્પીકર્સ દ્વારા અવાજ બાહ્ય કાનમાં પ્રવેશે છે અને સમગ્ર શ્રાવ્ય માર્ગ (બાહ્ય-મધ્યમ-આંતરિક કાન) નું પરીક્ષણ કરે છે. ઑડિઓગ્રામ પર, તેને સામાન્ય રીતે જમણા કાન માટે "O" અને ડાબા કાન માટે "X" ચિહ્નિત કરવામાં આવે છે.
હાડકાનું વહન (BO): કાનની પાછળના હાડકા પર વાઇબ્રેટિંગ હેડ (બોન વાઇબ્રેટર) મૂકવામાં આવે છે; અવાજ બાહ્ય અને મધ્ય કાનને બાયપાસ કરે છે અને કોક્લીઆ (આંતરિક કાનમાં સાંભળવાનું અંગ) નું સીધું પરીક્ષણ કરે છે. તે સામાન્ય રીતે ઑડિઓગ્રામ પર "<" અને ">" સાથે ચિહ્નિત થયેલ છે.
એર-બોન ગેપ (AAC): એરવે થ્રેશોલ્ડ હાડકાના ગેપ કરતા નોંધપાત્ર રીતે ખરાબ છે. આ શ્રેણી સૂચવે છે કે બાહ્ય/મધ્યમ કાનમાંથી અવાજના પ્રસારણમાં અવરોધ છે, એટલે કે, ત્યાં એક વાહક ઘટક છે (બાહ્ય/મધ્યમ કાનમાંથી ઉદ્દભવે છે).
માસ્કિંગ: જ્યારે એક કાનની તપાસ કરતી વખતે અવાજ ખોપરીમાંથી બીજા (બિન-પરીક્ષણ) કાનમાં જાય છે, ત્યારે તેને ક્રોસ-હિયરિંગ કહેવામાં આવે છે. જો બે કાનના થ્રેશોલ્ડ વચ્ચેનો તફાવત આનું કારણ બની શકે તેટલો મોટો હોય, તો તેને "માસ્ક્ડ" કરવામાં આવે છે અને તે ચકાસાયેલ કાનમાં અવાજ દાખલ કરીને "માસ્ક" કરવામાં આવે છે જેથી થ્રેશોલ્ડ વાસ્તવમાં પરીક્ષણ કરેલ કાનની હોય.
સાવધાન: ઑડિયોગ્રામ જ્યાં જરૂરી હોય ત્યાં માસ્કિંગ કરવામાં આવતું નથી તે ખોટા કાનમાં થ્રેશોલ્ડ બતાવી શકે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ તમે જે નંબરો આપો છો તે પ્રમાણે અર્થઘટન કરે છે; તમારે ખાતરી કરવી જોઈએ અને ખાતરી કરવી જોઈએ કે માસ્કિંગ કરવામાં આવે છે કે કેમ.
સાંભળવાની ખોટનો પ્રકાર અને ડિગ્રી
ઑડિઓગ્રામ તમને બે મુખ્ય બાબતો કહે છે: નુકસાનનો પ્રકાર અને ડિગ્રી.
પ્રકાર જણાવે છે કે નુકસાન ક્યાં છે. જો હવા અને હાડકાંનું વહન એકસાથે નબળું હોય અને કોઈ અંતર ન હોય, તો સંવેદનાત્મક (આંતરિક કાન/નર્વ મૂળ) પ્રકાર ગણવામાં આવે છે. જો વાયુમાર્ગ નબળો હોય (જો ત્યાં ગેપ હોય) જ્યારે હાડકાનું વહન સામાન્યની નજીક હોય, તો વહન પ્રકાર ગણવામાં આવે છે. જો બંને સાથે હોય તો તે મિશ્ર પ્રકાર છે.
ગ્રેડ વર્ણવે છે કે ત્યાં કેટલું નુકસાન છે અને સામાન્ય રીતે સરેરાશ થ્રેશોલ્ડ (સામાન્ય, હળવા, મધ્યમ, મધ્યમ-ગંભીર, ગંભીર, ખૂબ ગંભીર) અનુસાર વર્ગીકૃત કરવામાં આવે છે. નીચેનું કોષ્ટક એક સામાન્ય માળખું પૂરું પાડે છે; જો કે, તમારી સંસ્થા દ્વારા ઉપયોગમાં લેવાતી થ્રેશોલ્ડ રેન્જ અને વર્તમાન માર્ગદર્શન પર આધાર રાખો.
ડીગ્રી
અંદાજિત થ્રેશોલ્ડ રેન્જ (dB HL)
દૈનિક જીવન પર સંભવિત અસર
સામાન્ય
≤ 20
કોઈ સ્પષ્ટ મુશ્કેલીઓ નથી
હલકો
21-40
શાંતિથી/દૂરથી બોલવામાં મુશ્કેલી
મધ્યમ
41-55
સામાન્ય રીતે બોલવામાં મુશ્કેલી
મધ્યવર્તી-અદ્યતન
56-70
મોટેથી બોલવાની જરૂર છે
આગળ
71-90
ઉપકરણ વિના વાતચીત ખૂબ મુશ્કેલ છે
ખૂબ દૂર
> 90
ઉપકરણ/ઇમ્પ્લાન્ટ મૂલ્યાંકન
કૃત્રિમ બુદ્ધિ તમને આ વર્ગીકરણની યાદ અપાવી શકે છે; પરંતુ કઈ ફ્રીક્વન્સીઝ એવરેજ છે, કેલિબ્રેશનની માન્યતા અને ટેસ્ટની વિશ્વસનીયતા (દર્દીનો સહકાર, બાળકમાં વય-યોગ્ય પદ્ધતિ) એ તમારી જવાબદારી છે.
સ્ટેપ બાય સ્ટેપ: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે સુરક્ષિત ઑડિઓગ્રામ પૂર્વ-અર્થઘટન
- ડેટાની રચના કરો. dB HL માં જમણી/ડાબી, હવા/હાડકાના વહન થ્રેશોલ્ડને અનામી રીતે, આવર્તન દ્વારા આવર્તન કોષ્ટક કરો.
- માસ્કિંગ સ્થિતિ સ્પષ્ટ કરો. જે થ્રેશોલ્ડ માસ્ક છે તે ઉમેરો; જો તે ખૂટે છે, તો "માસ્કિંગનું મૂલ્યાંકન કરવું જોઈએ" લખો.
- ભૂમિકા મર્યાદિત કરો. કૃત્રિમ બુદ્ધિમત્તાને કહો "નિદાન કરશો નહીં; હું તમને જે નંબર આપું છું તેના પ્રકાર અને ડિગ્રીની રૂપરેખા આપો, ચોક્કસ ભાષાનો ઉપયોગ કરશો નહીં."
- ડ્રાફ્ટ મેળવો અને તેની ચકાસણી કરો. તમારા પોતાના વાંચન અને ઉપકરણ ડેટા સાથે પરિણામી પ્રકાર/ડિગ્રી અર્થઘટનની તુલના કરો.
- ક્લિનિકલ સંદર્ભ સાથે સંકલિત કરો. ઇતિહાસ, ઓટોસ્કોપી, ટાઇમ્પેનોમેટ્રી અને ભાષણ પરીક્ષણો સાથે સંકલિત કરો.
- નિષ્ણાત ભાષામાં લઈ જાઓ. ડ્રાફ્ટને રિપોર્ટ/દર્દીની ભાષાને અનુરૂપ માન્ય નિવેદનમાં રૂપાંતરિત કરો.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ દર્દીનો ઓડિયોગ્રામ નબળો છે, જમણો કાન 60 ની આસપાસ છે. મારે કયા પ્રકારના નુકશાન ઉપકરણની જરૂર છે?
અપૂર્ણ અને અનસ્ટ્રક્ચર્ડ ડેટા, સીધું નિદાન અને ઉપકરણ નિર્ણય વિનંતી, કોઈ માસ્કિંગ અને અસ્થિ વહન માહિતી. AI ને ગાબડાં ભરવા માટે ફરજ પાડવામાં આવે છે.
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: સહાયક ઑડિયોલોજિસ્ટને પૂર્વ-અર્થઘટનનો મુસદ્દો તૈયાર કરે છે. નિદાન કરવું; હું જે નંબરો આપું છું તેમાંથી ફક્ત પ્રકાર અને ડિગ્રીનો ડ્રાફ્ટ કરો, "શક્ય" ભાષાનો ઉપયોગ કરો, ખૂટતા ડેટાને [કોઈ ડેટા નથી] તરીકે ચિહ્નિત કરો. 1000=30, 2000=45, 4000=50માસ્કીંગ: લાગુ. ડાબો કાન: [કોઈ ડેટા નથી].કાર્ય: જમણા કાન માટે સંભવિત પ્રકાર (રેન્જ?) અને ડિગ્રીનું સ્કેચ કરો, પુષ્ટિ માટે કયા વધારાના પરીક્ષણની જરૂર છે. જણાવો કે નિર્ણય ઑડિયોલોજિસ્ટ પર છે.
સ્ટ્રોંગ પ્રોમ્પ્ટ સ્ટ્રક્ચર્ડ ડેટા આપે છે, ભૂમિકાઓ અને સીમાઓ સેટ કરે છે, ફેબ્રિકેશન અટકાવે છે અને ચકાસણી જરૂરી છે.
ત્રણ નાના કેસો
કેસ 1 - ગેપ પકડવો. ઑડિયોલોજિસ્ટ કૃત્રિમ બુદ્ધિમત્તાને જમણા કાનમાં HY 1000 Hz = 50 dB, KY 1000 Hz = 15 dB નો ડેટા આપે છે. YZ રૂપરેખા આપે છે "એર-બોન ગેપ આશરે 35 dB, સંભવિત વાહક-પ્રકારનો ઘટક; ઓટોસ્કોપી અને ટાઇમ્પેનોમેટ્રી દ્વારા પુષ્ટિ થવી જોઈએ." નિષ્ણાત આને ઓટોસ્કોપી અને ટાઇમ્પેનોમેટ્રી સાથે જોડે છે અને દર્દીને મધ્યમ કાનના મૂલ્યાંકન માટે નિર્દેશિત કરે છે. AI એ ડ્રાફ્ટને વેગ આપ્યો, નિર્ણય નિષ્ણાત પાસે રહ્યો.
કેસ 2 - માસ્કિંગ ચેતવણી. ઑડિઓમેટ્રિસ્ટ જમણા કાન 4000 Hz = 20 dB, ડાબા કાન માટે સમાન આવર્તન = 80 dB માટે ડેટા દાખલ કરે છે અને જણાવે છે કે કોઈ માસ્કિંગ લાગુ કરવામાં આવતું નથી. AI યાદ અપાવે છે કે તફાવત સાંભળવા તરફ દોરી શકે છે, ડાબા કાનની થ્રેશોલ્ડ માસ્ક કર્યા વિના અવિશ્વસનીય છે. નિષ્ણાત માસ્કિંગ સાથે પરીક્ષણનું પુનરાવર્તન કરે છે. 60 ડીબીના તફાવતે એક છટકું દેખાડ્યું જેને અવગણી શકાયું હોત.
કેસ 3 - આભાસ નિવારણ. નિષ્ણાત ફક્ત જમણા કાનનો ડેટા દાખલ કરે છે પરંતુ કહે છે કે "બંને કાનનું અર્થઘટન કરો." AI ડાબા કાન માટે મૂલ્યો ફિટ કરે છે, જે આપવામાં આવતું નથી. જ્યારે નિષ્ણાત પ્રોમ્પ્ટ પર "મેક અપ મિસિંગ ડેટા, લખો [કોઈ ડેટા]" નિયમ ઉમેરે છે, ત્યારે AI ડાબા કાનને ખાલી છોડી દે છે. પાઠ: જો તમે મર્યાદા સેટ ન કરો, તો મોડેલ ગેપને ભરી દેશે.
નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ
ઑડિયોગ્રામ ડેટા કન્ફિગરેશન ટેમ્પલેટ નીચેના થ્રેશોલ્ડને એક અનામી કોષ્ટકમાં પ્લોટ કરો (ફ્રિકવન્સી પંક્તિ; જમણી HY, જમણી KY, ડાબી KY, ડાબી KY કૉલમ). ગુમ થયેલ કોષો [કોઈ ડેટા નથી], ફિટિંગ લખો. કાચો ડેટા: [થ્રેશોલ્ડ]
ટાઇપ-રેડ ડ્રાફ્ટ ટેમ્પલેટતમારી ભૂમિકા: પ્રી-કોમેન્ટ ડ્રાફ્ટ સહાયક. મેં આપેલા થ્રેશોલ્ડમાંથી, દરેક કાન માટે (1) હવા-હાડકામાં અંતર છે, (2) સંભવિત પ્રકાર, (3) "શક્ય" ભાષા સાથે સંભવિત ડિગ્રી સ્કેચ દોરવામાં આવે છે. ચોક્કસ નિદાન કરવું; ચકાસણી માટે જરૂરી વધારાના પરીક્ષણનો ઉલ્લેખ કરો. ડેટા: [કોષ્ટક]
માસ્કિંગ કંટ્રોલ ટેમ્પલેટ શું મેં આપેલા બે કાનના થ્રેશોલ્ડ વચ્ચે કોઈ તફાવત છે જેને માસ્કિંગની જરૂર છે? કઈ ફ્રીક્વન્સીઝ પર માસ્કિંગનું મૂલ્યાંકન કરવું જોઈએ? યાદી તરીકે પરિણામ આપો; નિર્ણય નિષ્ણાત પર છે. ડેટા: [થ્રેશોલ્ડ]
નિષ્ણાતની ભાષામાં અનુવાદ માટેનો નમૂનો ક્લિનિકલ રિપોર્ટને અનુરૂપ, માપેલ અને "શક્ય" ભાષામાં મેં નીચે ચકાસેલ ડ્રાફ્ટનો એક ફકરામાં અનુવાદ કરો. બનાવટી તારણો ઉમેરી રહ્યા છીએ. ડ્રાફ્ટ: [ચકાસાયેલ ડ્રાફ્ટ]
સામાન્ય ભૂલો
- અસ્થિ માર્ગને બાયપાસ કરીને. ફક્ત એરલાઇનને આપો અને એક પ્રકારની ટિપ્પણી માટે પૂછો; અંતર છે કે નહીં તે જોઈ શકાતું નથી.
- માસ્કિંગની મૂંઝવણને અવગણવી. મોટા આંતરિક તફાવતો માટે માસ્ક કર્યા વિના થ્રેશોલ્ડને સચોટ તરીકે સ્વીકારવું.
- રૂપરેખાંકન અંધત્વ. માત્ર એવરેજ જોવું અને સિંગલ ફ્રીક્વન્સી નોચ ખૂટે છે (દા.ત. 4000 Hz નોઈઝ નોચ); જો AI એવરેજ આપે છે, તો વિગત છુપાવવામાં આવે છે.
- ચોક્કસ ડાયગ્નોસ્ટિક ભાષાની વિનંતી. AI ને "નિદાન" કરવાનું કહેવું; અંતિમ અહેવાલ તરીકે ડ્રાફ્ટનો ઉપયોગ.
- ખૂટતો ડેટા બનાવવો. મર્યાદા સેટ ન કરતી વખતે મોડલને ખાલી કોષો ભરવાની મંજૂરી આપવી.
સારાંશમાં
ઓડિયોગ્રામ; તે આવર્તન, dB HL, હવા/હાડકાના વહન અને માસ્કિંગના ખ્યાલો પર આધારિત છે. AI તમે આપેલા સંરચિત નંબરોમાંથી એક સુઘડ પ્રકાર-ડિગ્રી રૂપરેખા જનરેટ કરી શકે છે અને તમને માસ્કિંગ જેવી મુશ્કેલીઓની યાદ અપાવી શકે છે; પરંતુ માપાંકિત માપન અને નિષ્ણાત મૂલ્યાંકન દ્વારા પરીક્ષણનો પ્રકાર, ગ્રેડ અને વિશ્વસનીયતા સ્પષ્ટ થાય છે. અનામી અને સંરચિત રૂપે ડેટા પ્રદાન કરો, ગુમ થયેલ [કોઈ ડેટા નથી] છાપો, હંમેશા તમારા પોતાના વાંચન સાથે ડ્રાફ્ટને ચકાસો.
એપ્લિકેશન કાર્ય
તમારી પાસે "ડેટા સ્ટ્રક્ચરિંગ" ટેમ્પલેટ સાથેના ટેબલમાં (અનામી) ઑડિઓગ્રામના થ્રેશોલ્ડને પ્લોટ કરો અને "ટાઈપ-ડિગ્રી ડ્રાફ્ટ" ટેમ્પ્લેટ સાથે પ્રારંભિક અર્થઘટન મેળવો. પછી તમારું પોતાનું સ્વતંત્ર વાંચન કરો અને એઆઈના ડ્રાફ્ટ સાથે તેની તુલના કરો: તમે ક્યાંથી એકસરખા આવ્યા, તમે ક્યાંથી અલગ આવ્યા? નોંધ કરો કે શું તે માસ્કિંગની આવશ્યકતા ચૂકી જાય છે અને અંતિમ ચકાસાયેલ ટિપ્પણીને "નિષ્ણાત અનુવાદ" નમૂના સાથે એક ફકરામાં રૂપાંતરિત કરો.
ચેકલિસ્ટ
- [ ] મેં થ્રેશોલ્ડ અનામી અને સંરચિત સ્વરૂપમાં આપ્યા છે.
- [ ] મેં હવા અને અસ્થિ માર્ગને એકસાથે સ્થાપિત કર્યો; મેં શ્રેણી તપાસી.
- [] મેં માસ્કિંગની જરૂરિયાત ધ્યાનમાં લીધી.
- [ ] મેં ખોવાયેલા ડેટાને [કોઈ ડેટા નથી] તરીકે ચિહ્નિત કર્યું, બનાવટને અટકાવ્યું.
- [] મેં મારા પોતાના વાંચન અને ક્લિનિકલ સંદર્ભ સાથે AI હસ્તપ્રતને માન્ય કર્યું.
- [ ] મેં છેલ્લી ટિપ્પણીનો નિષ્ણાત ભાષામાં, માપેલ, "શક્ય" ભાષામાં અનુવાદ કર્યો છે.