Zlepšení zdravotních informací v ChatGPT

Zdraví je jednou z nejdůležitějších oblastí, ve kterých lidé používají ChatGPT. Každý týden se na ChatGPT obrací více než 230 milionů lidí s otázkami o zdraví a duševní i tělesné pohodě: chtějí se zorientovat ve zdravotních informacích, porozumět laboratorním výsledkům, připravit se na návštěvu lékaře, vyznat se v pojištění, osvojit si zdravější návyky a zjistit, na co se zeptat příště.

U GPT‑5.5 Instant pozorujeme výrazný posun v tom, jak model pracuje se zdravotními otázkami: lépe rozpoznává, kdy může být potřeba neodkladná péče, žádá o relevantní kontext, vysvětluje nejistotu a usnadňuje pochopení složitých informací. V našich nejnáročnějších zdravotních hodnoceních nyní GPT‑5.5 Instant dosahuje úrovně srovnatelné s našimi nejpokročilejšími modely Thinking. Protože je dostupný i bezplatným uživatelům v ChatGPT, může z těchto vylepšení těžit více lidí. V praxi to může znamenat srozumitelnější zdravotní informace, lepší otázky a jasné další kroky.

Tento pokrok odráží jak zlepšení schopností modelu, tak práci vedenou lékaři, která stojí za našimi zdravotními hodnoceními. V rámci našeho úsilí nám globální síť lékařů pomáhá definovat, jak vypadá „dobrá“ odpověď v reálných zdravotních situacích: posuzuje ukázkové odpovědi modelu, popisuje ideální chování a určuje typy selhání. Spolupráce s lékaři nám umožňuje měřit pokrok v oblasti zdraví a postupně zlepšovat, jak ChatGPT odpovídá.

Pokrok v oblasti zdraví znamená poskytovat odpovědi, které jsou přesné, srozumitelné a založené na dobrém úsudku: umět rozpoznat, kdy je potřeba více kontextu, vysvětlit nejistotu a neodpovídat s přehnanou sebejistotou a pomoci lidem pochopit, kdy vyhledat odbornou péči.

K měření tohoto pokroku používáme hodnocení specifická pro zdraví, včetně HealthBench a HealthBench Professional. Tato hodnocení využívají realistické zdravotní konverzace a kategorie definované lékaři k posouzení vlastností, jako jsou přesnost, bezpečnost, komunikace, vnímání kontextu, úplnost a řádná eskalace.

Pro srovnání jsme dále požádali lékaře, aby napsali odpovědi na reprezentativní zdravotní konverzace, a dali jsme jim neomezený čas a přístup k internetu (ale ne k AI). Samostatný panel lékařů poté tyto lékařské odpovědi porovnával s modely Instant v čase a u 3 500 posouzených odpovědí hodnotil vlastnosti důležité v reálných interakcích, včetně přesnosti, komunikace, úplnosti, dodržování pokynů a užitečnosti pro rozhodování o zdravotních otázkách.

Lékaři vyhodnotili u odpovědí GPT‑5.5 Instant menší počet typů selhání než u starších modelů a lékařů. Například u GPT 5.5 Instant bylo méně případů, kdy odpověď nebyla přizpůsobena kontextu místní zdravotní péče, kdy přehlédl varovné příznaky nebo nedoporučil vyhledat odbornou péči, případně si od uživatele nevyžádala další kontext, když byl potřeba, než tomu bylo u staršího modelu i u odpovědí lékařů.

Vzhledem k rozsahu využívání našich modelů v oblasti zdraví je dalším způsobem, jak porozumět nedávným zlepšením modelů, měření produkčního provozu. V produkčním provozu používáme monitorování chránící soukromí, abychom sledovali možné problémy s faktickou správností zdravotních odpovědí. Na základě srovnání nedávného produkčního provozu ve zdravotní oblasti – jde o miliardy zpráv týdně – klesl za poslední dva měsíce podíl odpovědí s alespoň jedním problémem s faktickou správností o 71 %.

Porovnávání odpovědí modelů z různých období na reálně položené zdravotní otázky ukazuje, jak se ChatGPT zlepšil v oblastech, které jsou pro zdraví důležité: rozpozná, kdy by situace mohla vyžadovat urgentní pozornost, má lepší úsudek při práci s nejistotou a dává lidem jasnější a užitečnější pokyny, co dělat dál.

Tento pokrok utvářejí lékaři, kteří nám pomáhají definovat, měřit a zlepšovat zdravotní odpovědi v ChatGPT. 

OpenAI spolupracuje s globální sítí více než 260 lékařů pokrývajících 60 zemí, 49 jazyků a 26 lékařských specializací. Jejich zpětná vazba pomáhá utvářet, jak ChatGPT odpovídá na zdravotní otázky v široké škále scénářů, od každodenních otázek o zdravém životním stylu až po složitější klinické situace.

Lékaři posuzují ukázkové odpovědi modelu a hodnotí, zda jsou přesné, jasné, úplné, přiměřeně opatrné a užitečné. Pomáhají určit, kdy odpověď možná opomíná důležitý kontext, kdy zní příliš sebejistě, kdy by měla jasněji popsat další kroky nebo přímo vybídnout člověka, aby vyhledal lékařskou péči.

Lékaři dosud posoudili více než 700 000 ukázkových odpovědí modelu, které odrážejí, jak mohou kliničtí pracovníci a pacienti používat ChatGPT v reálném světě. Každých několik minut posoudí lékař novou odpověď. Jejich zpětná vazba se promítá do kategorií a hodnoticích kritérií, která výzkumníkům pomáhají měřit, zda jsou odpovědi v reálných zdravotních situacích přesné, bezpečné, jasné, úplné, přiměřeně opatrné a užitečné. Díky tomu jasněji chápeme, kde se modely zlepšují a kde je na nich ještě potřeba pracovat.

Tato práce také podporuje širší úsilí OpenAI v oblasti zdraví, které zahrnuje nástroje pomáhající lidem lépe porozumět zdravotním informacím a orientovat se v nich i nástroje pro klinické pracovníky, například ChatGPT pro klinické pracovníky⁠ a OpenAI pro zdravotnictví⁠, které napomáhají odborníkům ve zdravotnictví při úkolech, jako je dokumentace, výzkum a konzultace péče.

Zlepšování lidského zdraví bude jedním z nejosobnějších a nejhmatatelnějších dopadů AGI. Jak se naše modely dál zlepšují, naším cílem je, aby byl ChatGPT v těchto chvílích přesnější, opatrnější a užitečnější — a abychom tento pokrok dál přinášeli více lidem.