Förbättrad hälsointelligens i ChatGPT

Hälsa är ett av de mest meningsfulla sätten som människor använder ChatGPT på. Varje vecka vänder sig över 230 miljoner människor till ChatGPT för att få hjälp med frågor om hälsa och välmående: att förstå hälsoinformation, tolka provsvar, förbereda sig inför vårdbesök, hantera försäkringsfrågor, bygga hälsosammare vanor och komma fram till vad de bör fråga härnäst.

Med GPT‑5.5 Instant ser vi ett betydande steg framåt i hur modellen hanterar hälsofrågor, med förbättringar i att känna igen när akut vård kan behövas, be om relevant sammanhang, förklara osäkerhet och göra komplex information lättare att förstå. I våra mest utmanande hälsoutvärderingar presterar GPT‑5.5 Instant nu på en nivå som är jämförbar med våra mest avancerade Thinking-modeller. Eftersom den är tillgänglig för kostnadsfria användare i ChatGPT kan fler människor dra nytta av dessa förbättringar. Det kan innebära hälsoinformation som är lättare att förstå, bättre frågor att ställa och tydliga nästa steg.

De här framstegen speglar både utvecklingen av modellernas förmågor och det läkarledda arbetet bakom våra hälsoutvärderingar. I vårt arbete hjälper ett globalt nätverk av läkare till att definiera vad ”bra” innebär i verkliga hälsosituationer genom att granska exempel på modellsvar, beskriva idealiskt beteende och identifiera feltyper. Att arbeta med läkare ger oss ett sätt att mäta framsteg inom hälsa och förbättra hur ChatGPT svarar över tid.

Inom hälsa innebär framsteg att ge svar som är korrekta, begripliga och grundade i gott omdöme: att känna igen när mer sammanhang behövs, förklara osäkerhet utan att överdriva säkerheten och hjälpa människor att förstå när de bör söka vård.

För att mäta dessa framsteg använder vi hälsospecifika utvärderingar, däribland HealthBench och HealthBench Professional. Dessa utvärderingar använder realistiska hälsosamtal och läkarutformade bedömningsmallar för att bedöma egenskaper som korrekthet, säkerhet, kommunikation, situationsförståelse, fullständighet och lämplig eskalering.

Som ytterligare jämförelse bad vi också läkare att skriva svar på representativa hälsosamtal, med obegränsad tid och tillgång till internet (men inte AI). En separat läkarpanel jämförde sedan dessa läkarsvar med Instant-modeller över tid och granskade egenskaper som är viktiga i verkliga interaktioner, däribland korrekthet, kommunikation, fullständighet, följsamhet till instruktioner och användbarhet för hälsobeslut, i totalt 3 500 granskade svar.

Läkarna bedömde att svar från GPT‑5.5 Instant hade färre feltyper än svar från äldre modeller och läkare. Till exempel hade GPT 5.5 Instant färre fall där svaret inte anpassades till den lokala vårdkontexten, missade varningssignaler eller hänvisning till vård, eller inte bad användaren om ytterligare sammanhang när det behövdes, jämfört med både äldre modeller och läkare.

Med tanke på hur mycket våra modeller används inom hälsa är ett annat sätt att förstå de senaste modellförbättringarna att mäta produktionstrafik. Vi använder integritetsskyddande övervakning av produktionstrafik för att följa möjliga faktaproblem i hälsosvar. Baserat på en jämförelse av den senaste produktionstrafiken inom hälsa – miljarder meddelanden i veckan – har andelen svar med minst ett flaggat faktaproblem minskat med 71 % under de senaste två månaderna.

När vi jämför svar från modeller vid olika tidpunkter på verkliga hälsofrågor ser vi hur ChatGPT har förbättrats på sätt som är viktiga för hälsa: att känna igen när en situation kan kräva snabb vård, hantera osäkerhet med bättre omdöme och ge människor tydligare och mer användbar vägledning om vad de bör göra härnäst.

Dessa framsteg formas av läkare som hjälper oss att definiera, mäta och förbättra hälsosvar i ChatGPT. 

OpenAI samarbetar med ett globalt nätverk av fler än 260 läkare i 60 länder, 49 språk och 26 medicinska specialiteter. Deras återkoppling påverkar hur ChatGPT svarar på hälsofrågor i många olika scenarier, från vardagliga frågor om välmående till mer komplexa kliniska situationer.

Läkare granskar exempel på modellsvar och bedömer om de är korrekta, tydliga, fullständiga, lagom försiktiga och användbara. De hjälper till att identifiera när ett svar kan missa viktigt sammanhang, låta för självsäkert, behöva vara tydligare om nästa steg eller mer direkt uppmana någon att söka vård.

Hittills har läkare granskat fler än 700 000 exempel på modellsvar som speglar hur kliniker och patienter kan använda ChatGPT i verkligheten. Med några minuters mellanrum granskar en läkare ett nytt svar. Deras återkoppling blir bedömningsmallar och utvärderingskriterier som hjälper forskare att mäta om svaren är korrekta, säkra, tydliga, fullständiga, lagom försiktiga och användbara i verkliga hälsosituationer. Det ger oss ett tydligare sätt att se var modellerna blir bättre och var det fortfarande krävs arbete.

Detta arbete stödjer också OpenAI:s bredare arbete inom hälsa, från verktyg som hjälper människor att bättre förstå och navigera i hälsoinformation till verktyg byggda för kliniker, som ChatGPT för kliniker⁠ och OpenAI för hälso- och sjukvård⁠, som stödjer vårdpersonal med uppgifter som dokumentation, forskning och vårdkonsultationer.

Att förbättra människors hälsa kommer att vara en av de mest personliga och konkreta effekterna av AGI. När våra modeller fortsätter att förbättras är vårt mål att göra ChatGPT mer korrekt, mer omsorgsfull och mer användbar i dessa stunder – och att fortsätta göra de framstegen tillgängliga för fler.