Zyski:
- Umiejętność strukturyzowania pytania klinicznego oraz przeprowadzania przeglądu literatury, podsumowań i kompilacji dowodów za pomocą sztucznej inteligencji
- Możliwość zarządzania ryzykiem sfabrykowanych odniesień (halucynacji) poprzez potwierdzenie każdego źródła podanego przez sztuczną inteligencję za pomocą DOI i oryginalnego artykułu
- Umiejętność krytycznego odczytania abstraktu AI, oceny poziomu dowodów, konfliktu interesów i aktualności
Farmaceuta to zawód, którego wiedza jest stale odnawiana; Dawka lub zalecenie, które wczoraj było prawidłowo znane, może ulec zmianie w wyniku nowego badania. Farmacja oparta na faktach oznacza odpowiadanie na pytania w oparciu o najbardziej aktualne i wiarygodne dowody naukowe. Jednak literatura naukowa jest ogromna i rozproszona; Szukając odpowiedzi na pytanie, łatwo pogubić się w setkach artykułów. Sztuczna inteligencja jest tutaj potężną pomocą w skanowaniu i podsumowywaniu: pomaga ustrukturyzować pytanie, wygenerować wyszukiwane hasła, podsumować długi tekst. Ale najniebezpieczniejszy błąd sztucznej inteligencji występuje właśnie w tym obszarze: może ona tworzyć artykuły i DOI, które nie istnieją. W tej jednostce nauczysz się wykorzystywać sztuczną inteligencję jako bezpieczne, sprawdzone narzędzie w przeglądzie literatury.
Etapy podejścia opartego na dowodach
Na pytanie oparte na dowodach odpowiada się w następujący sposób:
- Ustrukturyzuj pytanie. Dobre pytanie kliniczne jest często formułowane w ramach PICO: pacjent/populacja (pacjent), interwencja, porównanie, wynik. Przykład: „Jak lek X (I) wpływa na ryzyko hipoglikemii (O) w porównaniu z lekiem Y (C) u osób starszych chorych na cukrzycę typu 2 (P)?”
- Poszukaj dowodów. Przeszukaj odpowiednie bazy danych i zasoby.
- Oceń dowody. Rodzaj badania, jakość, wielkość próby i ryzyko błędu systematycznego.
- Stosuj i monitoruj. Dostosuj wynik do kontekstu pacjenta.
Sztuczna inteligencja jest szczególnie szybka w krokach 1 i 3 (konstruowanie pytania i pomaganie w ocenie tekstu); ale krok 2 (sourcing) wymaga krytycznej weryfikacji.
hierarchia dowodów
Nie wszystkie dowody są sobie równe. Ogólna hierarchia:
Poziom dowodów
przykład
moc
najwyższy
Przegląd systematyczny, metaanaliza
Połączenie wielu badań
wysoki
Randomizowane badanie kontrolowane (RCT)
Kontrolowane, niskie nastawienie
średni
Kohorta, kontrola przypadków
Obserwacyjne, ryzyko czynników zakłócających
niski
Seria przypadków, opinia biegłego
Ograniczona możliwość uogólniania
najniższy
Anegdotyczne, niezweryfikowane treści internetowe
Słaba wartość dowodowa
Podsumowując ustalenia, sztuczna inteligencja może pomylić poziom dowodów lub przedstawić słabe źródło jako mocne. Zawsze kontrolujesz poziom.
Ponadto mogą istnieć sprzeczne badania na ten sam temat. Sztuczna inteligencja może czasami podkreślić tylko jedną stronę i zignorować drugą; nazywa się to „prezentacją selektywną”. Solidna ocena dowodów uwzględnia ogólny trend w danym temacie (co ma wspólnego wiele badań) oraz bieżący przegląd systematyczny, jeśli jest dostępny. Zmiana praktyki w oparciu o pojedyncze badanie, zwłaszcza badanie na małej próbie lub w jednym ośrodku, jest ryzykowne. Zadanie sztucznej inteligencji „czy istnieją sprzeczne ustalenia w tej kwestii i która strona ma mocniejsze dowody” to dobry sposób na zrównoważenie jednostronnego podsumowania; Ale ostatecznego ważenia dokonujesz ty, czytając oryginalne źródła.
Uwaga: sztuczna inteligencja może tworzyć całkowicie sfabrykowane odniesienia z realistycznym tytułem, nazwiskiem autora, czasopismem i DOI; nazywa się to „halucynacją referencyjną”. Nigdy nie cytuj źródła bez otwarcia DOI w oryginalnej bazie danych/czasopiśmie i przejrzenia jego zawartości.
trzy mini etui
Przypadek 1 – Gotowy DOI. Farmaceuta poprosił sztuczną inteligencję o źródło informacji na temat skuteczności leku; sztuczna inteligencja przyniosła trzy artykuły i DOI. Kiedy farmaceuta próbował otworzyć DOI, stwierdził, że dwa z nich nie odpowiadają żadnym zapisom; jeden był prawdziwy, ale podał inny wynik. Farmaceuta użył wyłącznie sprawdzonego przez siebie artykułu. Bez weryfikacji w jednym raporcie znalazłyby się dwa fikcyjne źródła.
Przypadek 2 — Szukaj za pomocą PICO. Farmaceuta badał porównanie bezpieczeństwa dwóch leków przeciwbólowych u osób starszych. Poprosił sztuczną inteligencję o zrzucenie pytania do PICO i wygenerowanie wyszukiwanych haseł. AI podała jasne terminy i synonimy; Za ich pomocą farmaceuta sam przeprowadził wyszukiwanie w dobrze znanej bazie danych i ocenił wyniki. Sztuczna inteligencja przyspieszyła poszukiwania; Farmaceuta odnalazł źródła i je przeczytał.
Przypadek 3 – Zniekształcenie podsumowujące. Farmaceuta miał prawdziwy artykuł podsumowany przez sztuczną inteligencję. W abstrakcie stwierdzono, że badanie wykazało „jednoznaczną wyższość”; ale w samym artykule napisano, że wynik „nie osiągnął istotności statystycznej”. Farmaceuta przeczytał oryginalny tekst, zauważył zniekształcenie i poprawił streszczenie. Podsumowanie AI było przesadzone; Powrót do źródła ujawnił prawdę.
Przypadek 4 — Brak tematu. Farmaceuta otrzymał od sztucznej inteligencji informację o zalecanym stosowaniu leku. Odpowiedź wydawała się rozsądna, ale opierała się na przewodniku sprzed kilku lat; Jednak od tego czasu zalecenie zostało zaktualizowane. Kiedy farmaceuta otworzył zaktualizowany przewodnik, dostrzegł różnicę i przyjął za podstawę nowe zalecenie. Ponieważ wiedza sztucznej inteligencji została zamrożona w określonym dniu, nie mogła ona znać najbardziej aktualnej zmiany; kontrola aktualności wypełniła tę lukę.
Kontrola oparta na dowodach krok po kroku
- Sformułuj pytanie za pomocą PICO. Populacja, interwencja, porównanie, wynik.
- Generuj wyszukiwane hasła. Uzyskaj słowa kluczowe i synonimy od sztucznej inteligencji.
- Ty podejmujesz prawdziwą decyzję. Przeszukaj renomowaną bazę danych/źródło; „Tworzenie” zasobów dla sztucznej inteligencji.
- Sprawdź każde źródło. Otwórz DOI, czy autor/czasopismo/rok jest prawdziwy, czy treść potwierdza twierdzenie?
- Oceń poziom dowodów. Rodzaj pracy, jakość, konflikt interesów, terminowość.
- Kontekstualizuj i zapisuj. Połącz wyniki z pacjentem/pytaniem, źródła danych.
Słaba zachęta/silna zachęta
Słabe: „Czy ten lek jest skuteczny, podaj źródło”.
Strong: „Skonstruuj następujące pytanie kliniczne w ramach PICO: [pytanie]. Następnie wygeneruj skuteczne wyszukiwane hasła i synonimy dla tego pytania. NIE twórz źródła/artykułu; powiedz mi, jakiego rodzaju badania (RCT, metaanaliza) i jakich baz danych powinienem szukać zamiast tego. Jeśli podasz źródło, oznacz „niezweryfikowane, należy potwierdzić DOI”.
W silnym podpowiedzi rama, granica i warunek weryfikacji są jasne; Sztuczna inteligencja nie jest zmuszona do wytwarzania zasobów.
Cztery szablony do kopiowania
Zadanie: Wpisz pytanie kliniczne do PICO. Pytanie: [...]. Dane wyjściowe: P (populacja), I (interferencja), C (porównanie), O (wynik) i jednozdaniowe pytanie badawcze.
Zadanie: Wygeneruj wyszukiwane hasło (źródło FITTING).Temat: [...]. Wynik: słowa kluczowe + synonimy + sugerowane typy badań. Kredyt/DOI; Powiedz mi tylko, jak zadzwonić.
Zadanie: Streść ten tekst w sposób bezstronny (bez przesady).Tekst: [artykuł]. Wynik: cel, metoda, próbka, główne ustalenie, ograniczenia, wnioski. Wyrażanie wyniku SILNIEJSZEGO niż to, co mówi tekst; zachować niepewność.
Zadanie: Stworzenie listy kontrolnej weryfikacji referencji.Referencja: [...]. Sortuj według: Otwarcie DOI? Czy autor/czasopismo/rok jest aktualny? Czy treść potwierdza tę tezę? Jaki jest poziom dowodów? Czy istnieje konflikt interesów?
Typowe błędy
- Cytowanie DOI nadanego przez sztuczną inteligencję bez jego otwierania. Największym niebezpieczeństwem jest ryzyko halucynacji referencyjnych.
- Zastąpienie źródła streszczeniem. W przypadku twierdzenia krytycznego należy wrócić do tekstu oryginalnego.
- Mylący poziom dowodów. Opinia ekspertów i metaanaliza nie mają tej samej wagi.
- Pomijanie aktualizacji. Starsze badanie może być sprzeczne z bieżącymi wytycznymi; Należy sprawdzić datę.
- Pomijanie konfliktu interesów. Finansowanie i deklaracja zainteresowania wpływają na interpretację.
Podsumowując
Sztuczna inteligencja jest potężnym akceleratorem konstruowania pytań, generowania wyszukiwanych haseł i podsumowywania długich tekstów podczas wyszukiwania literatury. Ale najniebezpieczniejszy błąd, halucynacja referencyjna, pojawia się w tym obszarze: może tworzyć źródła, które wydają się realistyczne, ale nie istnieją. Zatem przeszukaj samodzielnie, zweryfikuj każde źródło za pomocą DOI, porównaj streszczenia z oryginalnym tekstem i krytycznie oceń poziom dowodów. Ostateczna interpretacja dowodów i ich dostosowanie do pacjenta należy do farmaceuty.
Zadanie aplikacji
Wybierz pytanie kliniczne z własnej praktyki i poproś sztuczną inteligencję o przetłumaczenie go na PICO. Weź wyszukiwane hasła i sam przeprowadź wyszukiwanie w uznanej bazie danych. Poproś sztuczną inteligencję o kilka „źródeł” na ten temat i spróbuj otworzyć DOI każdego z nich; Zwróć uwagę, ile z nich jest prawdziwych, a ile wymyślonych. Na koniec poproś sztuczną inteligencję o podsumowanie prawdziwego artykułu, porównanie podsumowania z oryginalnym wynikiem i zaznaczenie wszelkich zniekształceń.
lista kontrolna
- [ ] Ustrukturyzowałem pytanie wokół PICO.
- [ ] Wziąłem wyszukiwane hasła i sam przeprowadziłem wyszukiwanie.
- [ ] Otworzyłem każde źródło za pomocą DOI i zweryfikowałem jego autentyczność.
- [ ] Porównałem streszczenia z tekstem oryginalnym.
- [ ] Oceniłem poziom dowodów i aktualność.
- [ ] Rozważałem konflikt interesów.
- [ ] Zapisałem zweryfikowane źródła.