Forbedrer helseintelligensen i ChatGPT

Helse er et av de mest meningsfulle områdene folk bruker ChatGPT til. Hver uke bruker mer enn 230 millioner mennesker ChatGPT for å få hjelp med spørsmål om helse og velvære: å forstå helseinformasjon, tolke laboratorieresultater, forberede seg til legetimer, navigere i forsikring, bygge sunnere vaner og finne ut hva de bør spørre om videre.

Med GPT‑5.5 Instant ser vi et betydelig fremskritt i hvordan modellen håndterer helsespørsmål, med forbedringer i å gjenkjenne når det kan være behov for akutt hjelp, be om relevant kontekst, forklare usikkerhet og gjøre kompleks informasjon lettere å forstå. På våre mest krevende helseevalueringer presterer GPT‑5.5 Instant nå på et nivå som kan sammenlignes med våre ledende Thinking-modeller. Fordi den er tilgjengelig for gratisbrukere i ChatGPT, kan flere mennesker dra nytte av disse forbedringene. Det kan bety helseinformasjon som er lettere å forstå, bedre spørsmål å stille og tydelige neste steg.

Denne fremgangen gjenspeiler både fremskritt i modellenes egenskaper og det legeledede arbeidet bak helseevalueringene våre. På tvers av arbeidet vårt bidrar et globalt nettverk av leger til å definere hvordan «godt» ser ut i reelle helsesituasjoner ved å gjennomgå eksempler på modellsvar, beskrive ideell atferd og identifisere feilmønstre. Samarbeidet med leger gir oss en måte å måle fremgang innen helse på og forbedre hvordan ChatGPT svarer over tid.

Innen helse betyr fremgang å gi svar som er presise, forståelige og forankret i godt skjønn: å gjenkjenne når mer kontekst trengs, forklare usikkerhet uten å overdrive sikkerheten og hjelpe folk å forstå når de bør søke helsehjelp.

For å måle denne fremgangen bruker vi helsespesifikke evalueringer, blant annet HealthBench og HealthBench Professional. Disse evalueringene bruker realistiske helsesamtaler og rubrikker skrevet av leger for å vurdere kvaliteter som presisjon, sikkerhet, kommunikasjon, kontekstforståelse, fullstendighet og riktig eskalering.

Som en annen sammenligning ba vi også leger om å skrive svar på representative helsesamtaler, med ubegrenset tid og tilgang til internett (men ikke AI). Et eget panel av leger sammenlignet deretter disse legesvarene med Instant-modeller over tid, og vurderte kvaliteter som betyr noe i reelle interaksjoner, blant annet presisjon, kommunikasjon, fullstendighet, det å følge instruksjoner og nytteverdi for helsebeslutninger, på tvers av 3500 gjennomgåtte svar.

Legene vurderte at svar fra GPT‑5.5 Instant hadde færre feilmønstre enn svar fra eldre modeller og leger. For eksempel hadde GPT 5.5 Instant færre tilfeller enn både eldre modeller og leger der svaret ikke var tilpasset lokal helsekontekst, overså faresignaler eller behov for henvisning til helsehjelp, eller unnlot å be brukeren om mer kontekst når det var nødvendig.

Gitt omfanget av bruken av modellene våre innen helse, er en annen måte å forstå de siste modellforbedringene på å måle produksjonstrafikk. Vi bruker personvernbevarende overvåkere på produksjonstrafikk for å spore mulige faktaproblemer i helsesvar. Basert på en sammenligning av nylig produksjonstrafikk innen helse – milliarder av meldinger i uken – har andelen svar med minst ett flagget faktaproblem falt med 71 % de siste to månedene.

Når vi sammenligner svar fra modeller på ulike tidspunkter på reelle helsespørsmål, ser vi hvordan ChatGPT har blitt bedre på områder som betyr noe for helse: å gjenkjenne når en situasjon kan kreve rask oppmerksomhet, håndtere usikkerhet med bedre skjønn og gi folk tydeligere og mer nyttig veiledning om hva de bør gjøre videre.

Denne fremgangen formes av leger som hjelper oss med å definere, måle og forbedre helsesvar i ChatGPT. 

OpenAI samarbeider med et globalt nettverk på mer enn 260 leger i 60 land, 49 språk og 26 medisinske spesialiteter. Tilbakemeldingene deres påvirker hvordan ChatGPT svarer på helsespørsmål i en lang rekke scenarioer, fra hverdagslige spørsmål om velvære til mer komplekse kliniske situasjoner.

Leger gjennomgår eksempler på modellsvar og vurderer om de er presise, tydelige, fullstendige, passe forsiktige og nyttige. De bidrar til å identifisere hvor et svar kan mangle viktig kontekst, hvor det kan høres for selvsikkert ut, hvor det bør være tydeligere om neste steg, eller mer direkte oppfordre noen til å søke helsehjelp.

Til nå har leger gjennomgått mer enn 700 000 eksempler på modellsvar som gjenspeiler hvordan klinikere og pasienter kan bruke ChatGPT i den virkelige verden. Med få minutters mellomrom gjennomgår en lege et nytt svar. Tilbakemeldingene deres blir til rubrikker og evalueringskriterier som hjelper forskere å måle om svarene er presise, trygge, tydelige, fullstendige, passe forsiktige og nyttige i reelle helsesituasjoner. Dette gir oss en tydeligere måte å se hvor modellene blir bedre, og hvor de fortsatt trenger arbeid.

Dette arbeidet støtter også OpenAIs bredere arbeid innen helse, fra verktøy som hjelper folk å forstå og navigere i helseinformasjon bedre, til verktøy bygget for klinikere, som ChatGPT for klinikere⁠ og OpenAI for Healthcare⁠, som støtter helsepersonell med oppgaver som dokumentasjon, forskning og behandlingsrådgivning.

Å forbedre menneskers helse blir en av de mest personlige og håndgripelige virkningene av AGI. Etter hvert som modellene våre fortsetter å bli bedre, er målet vårt å gjøre ChatGPT mer presis, mer varsom og mer nyttig i disse øyeblikkene – og fortsette å bringe denne fremgangen til flere mennesker.