ಸುದ್ದಿ

ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ (LLM) ತ್ವರಿತ ಪದಗಳ ಆಧಾರದ ಮೇಲೆ ಮನವೊಲಿಸುವ ಲೇಖನಗಳನ್ನು ಬರೆಯಬಹುದು, ವೃತ್ತಿಪರ ಪ್ರಾವೀಣ್ಯತೆ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಉತ್ತೀರ್ಣರಾಗಬಹುದು ಮತ್ತು ರೋಗಿಗೆ ಸ್ನೇಹಪರ ಮತ್ತು ಸಹಾನುಭೂತಿಯ ಮಾಹಿತಿಯನ್ನು ಬರೆಯಬಹುದು. ಆದಾಗ್ಯೂ, LLM ನಲ್ಲಿ ಕಾದಂಬರಿ, ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ತಪ್ಪಾದ ಸಂಗತಿಗಳ ಪ್ರಸಿದ್ಧ ಅಪಾಯಗಳ ಜೊತೆಗೆ, ಇತರ ಬಗೆಹರಿಯದ ಸಮಸ್ಯೆಗಳು ಕ್ರಮೇಣ ಕೇಂದ್ರಬಿಂದುವಾಗುತ್ತಿವೆ, ಉದಾಹರಣೆಗೆ ಅವುಗಳ ರಚನೆ ಮತ್ತು ಬಳಕೆಯಲ್ಲಿ ಸಂಭಾವ್ಯವಾಗಿ ತಾರತಮ್ಯದ "ಮಾನವ ಮೌಲ್ಯಗಳನ್ನು" ಹೊಂದಿರುವ AI ಮಾದರಿಗಳು, ಮತ್ತು LLM ಇನ್ನು ಮುಂದೆ ವಿಷಯವನ್ನು ರೂಪಿಸದಿದ್ದರೂ ಮತ್ತು ಸ್ಪಷ್ಟವಾಗಿ ಹಾನಿಕಾರಕ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ತೆಗೆದುಹಾಕಿದರೂ ಸಹ, "LLM ಮೌಲ್ಯಗಳು" ಇನ್ನೂ ಮಾನವ ಮೌಲ್ಯಗಳಿಂದ ವಿಮುಖವಾಗಬಹುದು.

AI ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಬಳಸುವ ದತ್ತಾಂಶವು ವೈಯಕ್ತಿಕ ಮತ್ತು ಸಾಮಾಜಿಕ ಮೌಲ್ಯಗಳನ್ನು ಹೇಗೆ ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕವಿಲ್ಲದಷ್ಟು ಉದಾಹರಣೆಗಳು ವಿವರಿಸುತ್ತವೆ, ಇದು ಮಾದರಿಯೊಳಗೆ ಘನೀಕರಿಸಬಹುದು. ಈ ಉದಾಹರಣೆಗಳು ಎದೆಯ ಎಕ್ಸ್-ರೇಗಳ ಸ್ವಯಂಚಾಲಿತ ವ್ಯಾಖ್ಯಾನ, ಚರ್ಮ ರೋಗಗಳ ವರ್ಗೀಕರಣ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಂಪನ್ಮೂಲ ಹಂಚಿಕೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅಲ್ಗಾರಿದಮಿಕ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಸೇರಿದಂತೆ ಹಲವಾರು ಅನ್ವಯಿಕೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆ. ನಮ್ಮ ಜರ್ನಲ್‌ನಲ್ಲಿನ ಇತ್ತೀಚಿನ ಲೇಖನದಲ್ಲಿ ಹೇಳಿರುವಂತೆ, ಪಕ್ಷಪಾತದ ತರಬೇತಿ ದತ್ತಾಂಶವು ಸಮಾಜದಲ್ಲಿ ಇರುವ ಮೌಲ್ಯಗಳು ಮತ್ತು ಪಕ್ಷಪಾತಗಳನ್ನು ವರ್ಧಿಸಬಹುದು ಮತ್ತು ಬಹಿರಂಗಪಡಿಸಬಹುದು. ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡಲು AI ಅನ್ನು ಬಳಸಬಹುದು ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸಿದೆ. ಉದಾಹರಣೆಗೆ, ಸಂಶೋಧಕರು ಮೊಣಕಾಲಿನ ಎಕ್ಸ್-ರೇ ಫಿಲ್ಮ್‌ಗಳಿಗೆ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಮೊಣಕಾಲಿನೊಳಗೆ ಪ್ರಮಾಣಿತ ತೀವ್ರತೆಯ ಸೂಚಕಗಳಿಂದ (ರೇಡಿಯಾಲಜಿಸ್ಟ್‌ಗಳಿಂದ ಶ್ರೇಣೀಕರಿಸಲಾಗಿದೆ) ತಪ್ಪಿಸಿಕೊಂಡ ಅಂಶಗಳನ್ನು ಕಂಡುಹಿಡಿದರು, ಇದರಿಂದಾಗಿ ಕಪ್ಪು ಮತ್ತು ಬಿಳಿ ರೋಗಿಗಳ ನಡುವಿನ ವಿವರಿಸಲಾಗದ ನೋವು ವ್ಯತ್ಯಾಸಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತಾರೆ.

AI ಮಾದರಿಗಳಲ್ಲಿ, ವಿಶೇಷವಾಗಿ ತರಬೇತಿ ದತ್ತಾಂಶದ ವಿಷಯದಲ್ಲಿ, ಹೆಚ್ಚು ಹೆಚ್ಚು ಜನರು ಪಕ್ಷಪಾತವನ್ನು ಅರಿತುಕೊಳ್ಳುತ್ತಿದ್ದರೂ, AI ಮಾದರಿಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ನಿಯೋಜನೆ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾನವ ಮೌಲ್ಯಗಳ ಇತರ ಹಲವು ಪ್ರವೇಶ ಬಿಂದುಗಳಿಗೆ ಸಾಕಷ್ಟು ಗಮನ ನೀಡಲಾಗಿಲ್ಲ. ವೈದ್ಯಕೀಯ AI ಇತ್ತೀಚೆಗೆ ಪ್ರಭಾವಶಾಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಿದೆ, ಆದರೆ ಹೆಚ್ಚಿನ ಮಟ್ಟಿಗೆ, ಇದು ಮಾನವ ಮೌಲ್ಯಗಳನ್ನು ಮತ್ತು ಅಪಾಯದ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಸಂಭವನೀಯ ತಾರ್ಕಿಕತೆಯೊಂದಿಗೆ ಅವುಗಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪರಿಗಣಿಸಿಲ್ಲ, ಅಥವಾ ಅದನ್ನು ಮಾದರಿಯಾಗಿ ಮಾಡಲಾಗಿಲ್ಲ.

ಈ ಅಮೂರ್ತ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಲು, ನೀವು ಒಬ್ಬ ಅಂತಃಸ್ರಾವಶಾಸ್ತ್ರಜ್ಞರಾಗಿದ್ದು, ತನ್ನ ವಯಸ್ಸಿನ 3ನೇ ಶೇಕಡಾಕ್ಕಿಂತ ಕಡಿಮೆ ಇರುವ 8 ವರ್ಷದ ಹುಡುಗನಿಗೆ ಮರುಸಂಯೋಜಿತ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡಬೇಕಾಗಿದೆ ಎಂದು ಊಹಿಸಿ. ಹುಡುಗನ ಪ್ರಚೋದಿತ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಮಟ್ಟವು 2 ng/mL ಗಿಂತ ಕಡಿಮೆಯಿದೆ (ಉಲ್ಲೇಖ ಮೌಲ್ಯ,>10 ng/mL, ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್‌ನ ಹೊರಗಿನ ಅನೇಕ ದೇಶಗಳಿಗೆ ಉಲ್ಲೇಖ ಮೌಲ್ಯ>7 ng/mL), ಮತ್ತು ಅವನ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಕೋಡಿಂಗ್ ಜೀನ್ ಅಪರೂಪದ ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವ ರೂಪಾಂತರಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿದೆ. ಈ ಕ್ಲಿನಿಕಲ್ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಚಿಕಿತ್ಸೆಯ ಅನ್ವಯವು ಸ್ಪಷ್ಟ ಮತ್ತು ನಿರ್ವಿವಾದ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ.

ಈ ಕೆಳಗಿನ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಚಿಕಿತ್ಸೆಯನ್ನು ಅನ್ವಯಿಸುವುದು ವಿವಾದಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು: 14 ವರ್ಷದ ಹುಡುಗನ ಎತ್ತರವು ಯಾವಾಗಲೂ ಅವನ ಗೆಳೆಯರಲ್ಲಿ 10 ನೇ ಶೇಕಡಾವಾರು ಇರುತ್ತದೆ ಮತ್ತು ಪ್ರಚೋದನೆಯ ನಂತರ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್‌ನ ಗರಿಷ್ಠ ಮಟ್ಟವು 8 ng/mL ಆಗಿದೆ. ಎತ್ತರದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಯಾವುದೇ ತಿಳಿದಿರುವ ಕ್ರಿಯಾತ್ಮಕ ರೂಪಾಂತರಗಳಿಲ್ಲ, ಅಥವಾ ಕಡಿಮೆ ಎತ್ತರದ ಇತರ ತಿಳಿದಿರುವ ಕಾರಣಗಳಿಲ್ಲ, ಮತ್ತು ಅವನ ಮೂಳೆ ವಯಸ್ಸು 15 ವರ್ಷಗಳು (ಅಂದರೆ ಬೆಳವಣಿಗೆಯ ವಿಳಂಬವಿಲ್ಲ). ಪ್ರತ್ಯೇಕ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಕೊರತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸುವ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಮಟ್ಟಗಳ ಬಗ್ಗೆ ಡಜನ್ಗಟ್ಟಲೆ ಅಧ್ಯಯನಗಳ ಆಧಾರದ ಮೇಲೆ ತಜ್ಞರು ನಿರ್ಧರಿಸಿದ ಮಿತಿ ಮೌಲ್ಯಗಳಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳು ಮಾತ್ರ ವಿವಾದದ ಒಂದು ಭಾಗವಾಗಿದೆ. ರೋಗಿಗಳು, ರೋಗಿಯ ಪೋಷಕರು, ಆರೋಗ್ಯ ವೃತ್ತಿಪರರು, ಔಷಧೀಯ ಕಂಪನಿಗಳು ಮತ್ತು ಪಾವತಿಸುವವರ ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಚಿಕಿತ್ಸೆಯನ್ನು ಬಳಸುವ ಅಪಾಯದ ಲಾಭದ ಸಮತೋಲನದಿಂದ ಕನಿಷ್ಠ ವಿವಾದ ಉಂಟಾಗುತ್ತದೆ. ಮಕ್ಕಳ ಅಂತಃಸ್ರಾವಶಾಸ್ತ್ರಜ್ಞರು 2 ವರ್ಷಗಳ ಕಾಲ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್‌ನ ದೈನಂದಿನ ಚುಚ್ಚುಮದ್ದಿನ ಅಪರೂಪದ ಪ್ರತಿಕೂಲ ಪರಿಣಾಮಗಳನ್ನು ಪ್ರಸ್ತುತಕ್ಕೆ ಹೋಲಿಸಿದರೆ ವಯಸ್ಕ ದೇಹದ ಗಾತ್ರದಲ್ಲಿ ಯಾವುದೇ ಅಥವಾ ಕನಿಷ್ಠ ಬೆಳವಣಿಗೆಯ ಸಂಭವನೀಯತೆಯೊಂದಿಗೆ ತೂಗಬಹುದು. ಹುಡುಗರು ತಮ್ಮ ಎತ್ತರ ಕೇವಲ 2 ಸೆಂ.ಮೀ. ಹೆಚ್ಚಾದರೂ, ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಅನ್ನು ಚುಚ್ಚುಮದ್ದು ಮಾಡುವುದು ಯೋಗ್ಯವಾಗಿದೆ ಎಂದು ನಂಬಬಹುದು, ಆದರೆ ಪಾವತಿಸುವವರು ಮತ್ತು ಔಷಧ ಕಂಪನಿಯು ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಹೊಂದಿರಬಹುದು.

ನಾವು ಕ್ರಿಯೇಟಿನೈನ್ ಆಧಾರಿತ eGFR ಅನ್ನು ಉದಾಹರಣೆಯಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ, ಇದು ದೀರ್ಘಕಾಲದ ಮೂತ್ರಪಿಂಡ ಕಾಯಿಲೆಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಹಂತ ಹಂತವಾಗಿಡಲು, ಮೂತ್ರಪಿಂಡ ಕಸಿ ಅಥವಾ ದಾನದ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಹೊಂದಿಸಲು ಮತ್ತು ಅನೇಕ ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಔಷಧಿಗಳಿಗೆ ಕಡಿತ ಮಾನದಂಡಗಳು ಮತ್ತು ವಿರೋಧಾಭಾಸಗಳನ್ನು ನಿರ್ಧರಿಸಲು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಮೂತ್ರಪಿಂಡದ ಕಾರ್ಯ ಸೂಚಕವಾಗಿದೆ. EGFR ಎನ್ನುವುದು ಅಳತೆ ಮಾಡಿದ ಗ್ಲೋಮೆರುಲರ್ ಶೋಧನೆ ದರವನ್ನು (mGFR) ಅಂದಾಜು ಮಾಡಲು ಬಳಸುವ ಸರಳ ಹಿಂಜರಿತ ಸಮೀಕರಣವಾಗಿದೆ, ಇದು ಉಲ್ಲೇಖ ಮಾನದಂಡವಾಗಿದೆ, ಆದರೆ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನವು ತುಲನಾತ್ಮಕವಾಗಿ ತೊಡಕಾಗಿದೆ. ಈ ಹಿಂಜರಿತ ಸಮೀಕರಣವನ್ನು AI ಮಾದರಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗುವುದಿಲ್ಲ, ಆದರೆ ಇದು ಮಾನವ ಮೌಲ್ಯಗಳು ಮತ್ತು ಸಂಭವನೀಯ ತಾರ್ಕಿಕತೆಯ ಬಗ್ಗೆ ಅನೇಕ ತತ್ವಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ.

eGFR ಅನ್ನು ನಮೂದಿಸಲು ಮಾನವ ಮೌಲ್ಯಗಳಿಗೆ ಮೊದಲ ಪ್ರವೇಶ ಬಿಂದುವೆಂದರೆ ಸಮೀಕರಣಗಳನ್ನು ಹೊಂದಿಸಲು ಡೇಟಾವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ. eGFR ಸೂತ್ರವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಬಳಸುವ ಮೂಲ ಸರತಿಯು ಹೆಚ್ಚಾಗಿ ಕಪ್ಪು ಮತ್ತು ಬಿಳಿ ಭಾಗವಹಿಸುವವರನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು ಇತರ ಹಲವು ಜನಾಂಗೀಯ ಗುಂಪುಗಳಿಗೆ ಅದರ ಅನ್ವಯವು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಈ ಸೂತ್ರಕ್ಕೆ ಮಾನವ ಮೌಲ್ಯಗಳಿಗೆ ನಂತರದ ಪ್ರವೇಶ ಬಿಂದುಗಳು ಸೇರಿವೆ: ಮೂತ್ರಪಿಂಡದ ಕಾರ್ಯವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಪ್ರಾಥಮಿಕ ಉದ್ದೇಶವಾಗಿ mGFR ನಿಖರತೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು, ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟದ ನಿಖರತೆ ಏನು, ನಿಖರತೆಯನ್ನು ಹೇಗೆ ಅಳೆಯುವುದು ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಪ್ರಚೋದಿಸಲು ಮಿತಿಯಾಗಿ eGFR ಅನ್ನು ಬಳಸುವುದು (ಉದಾಹರಣೆಗೆ ಮೂತ್ರಪಿಂಡ ಕಸಿ ಮಾಡಲು ಪರಿಸ್ಥಿತಿಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು ಅಥವಾ ಔಷಧಿಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದು). ಅಂತಿಮವಾಗಿ, ಇನ್‌ಪುಟ್ ಮಾದರಿಯ ವಿಷಯವನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ, ಮಾನವ ಮೌಲ್ಯಗಳು ಸಹ ಈ ಸೂತ್ರವನ್ನು ನಮೂದಿಸುತ್ತವೆ.

ಉದಾಹರಣೆಗೆ, 2021 ಕ್ಕಿಂತ ಮೊದಲು, ಮಾರ್ಗಸೂಚಿಗಳು ರೋಗಿಯ ವಯಸ್ಸು, ಲಿಂಗ ಮತ್ತು ಜನಾಂಗವನ್ನು ಆಧರಿಸಿ eGFR ಸೂತ್ರದಲ್ಲಿ ಕ್ರಿಯೇಟಿನೈನ್ ಮಟ್ಟವನ್ನು ಹೊಂದಿಸಲು ಸೂಚಿಸುತ್ತವೆ (ಕಪ್ಪು ಅಥವಾ ಕಪ್ಪು ಅಲ್ಲದ ವ್ಯಕ್ತಿಗಳು ಎಂದು ಮಾತ್ರ ವರ್ಗೀಕರಿಸಲಾಗಿದೆ). ಜನಾಂಗ ಆಧಾರಿತ ಹೊಂದಾಣಿಕೆಯು mGFR ಸೂತ್ರದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಆದರೆ 2020 ರಲ್ಲಿ, ಪ್ರಮುಖ ಆಸ್ಪತ್ರೆಗಳು ಜನಾಂಗ ಆಧಾರಿತ eGFR ಬಳಕೆಯನ್ನು ಪ್ರಶ್ನಿಸಲು ಪ್ರಾರಂಭಿಸಿದವು, ರೋಗಿಯ ಕಸಿಗೆ ಅರ್ಹತೆಯನ್ನು ವಿಳಂಬಗೊಳಿಸುವುದು ಮತ್ತು ಜನಾಂಗವನ್ನು ಜೈವಿಕ ಪರಿಕಲ್ಪನೆಯಾಗಿ ಕಾಂಕ್ರೀಟ್ ಮಾಡುವುದು ಮುಂತಾದ ಕಾರಣಗಳನ್ನು ಉಲ್ಲೇಖಿಸುತ್ತವೆ. ಜನಾಂಗದ ವಿಷಯದಲ್ಲಿ eGFR ಮಾದರಿಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ನಿಖರತೆ ಮತ್ತು ವೈದ್ಯಕೀಯ ಫಲಿತಾಂಶಗಳ ಮೇಲೆ ಆಳವಾದ ಮತ್ತು ವಿಭಿನ್ನ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಬಹುದು ಎಂದು ಸಂಶೋಧನೆ ತೋರಿಸಿದೆ; ಆದ್ದರಿಂದ, ನಿಖರತೆಯ ಮೇಲೆ ಆಯ್ದವಾಗಿ ಕೇಂದ್ರೀಕರಿಸುವುದು ಅಥವಾ ಫಲಿತಾಂಶಗಳ ಒಂದು ಭಾಗದ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವುದು ಮೌಲ್ಯ ತೀರ್ಪುಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ ಮತ್ತು ಪಾರದರ್ಶಕ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಮರೆಮಾಡಬಹುದು. ಅಂತಿಮವಾಗಿ, ರಾಷ್ಟ್ರೀಯ ಕಾರ್ಯನಿರತ ಗುಂಪು ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ನ್ಯಾಯಯುತ ಸಮಸ್ಯೆಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸಲು ಜನಾಂಗವನ್ನು ಪರಿಗಣಿಸದೆ ಮರು ಅಳವಡಿಸಲಾದ ಹೊಸ ಸೂತ್ರವನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ಈ ಉದಾಹರಣೆಯು ಸರಳವಾದ ಕ್ಲಿನಿಕಲ್ ಸೂತ್ರವು ಸಹ ಮಾನವ ಮೌಲ್ಯಗಳಿಗೆ ಅನೇಕ ಪ್ರವೇಶ ಬಿಂದುಗಳನ್ನು ಹೊಂದಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.

ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಮುನ್ಸೂಚಕ ಸೂಚಕಗಳನ್ನು ಹೊಂದಿರುವ ಕ್ಲಿನಿಕಲ್ ಸೂತ್ರಗಳಿಗೆ ಹೋಲಿಸಿದರೆ, LLM ಶತಕೋಟಿಗಳಿಂದ ನೂರಾರು ಶತಕೋಟಿ ನಿಯತಾಂಕಗಳನ್ನು (ಮಾದರಿ ತೂಕ) ಅಥವಾ ಹೆಚ್ಚಿನದನ್ನು ಒಳಗೊಂಡಿರಬಹುದು, ಇದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ. ನಾವು "ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಷ್ಟ" ಎಂದು ಹೇಳಲು ಕಾರಣವೆಂದರೆ ಹೆಚ್ಚಿನ LLM ಗಳಲ್ಲಿ, ಪ್ರಶ್ನಿಸುವ ಮೂಲಕ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಹೊರಹೊಮ್ಮಿಸುವ ನಿಖರವಾದ ಮಾರ್ಗವನ್ನು ಮ್ಯಾಪ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ. GPT-4 ಗಾಗಿ ನಿಯತಾಂಕಗಳ ಸಂಖ್ಯೆಯನ್ನು ಇನ್ನೂ ಘೋಷಿಸಲಾಗಿಲ್ಲ; ಅದರ ಹಿಂದಿನ GPT-3 175 ಬಿಲಿಯನ್ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿತ್ತು. ಹೆಚ್ಚಿನ ನಿಯತಾಂಕಗಳು ಅಗತ್ಯವಾಗಿ ಬಲವಾದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅರ್ಥೈಸುವುದಿಲ್ಲ, ಏಕೆಂದರೆ ಹೆಚ್ಚಿನ ಕಂಪ್ಯೂಟೇಶನಲ್ ಚಕ್ರಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಣ್ಣ ಮಾದರಿಗಳು (LLaMA [ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ ಮೆಟಾ AI] ಮಾದರಿ ಸರಣಿಯಂತಹವು) ಅಥವಾ ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಸೂಕ್ಷ್ಮವಾಗಿ ಟ್ಯೂನ್ ಮಾಡಲಾದ ಮಾದರಿಗಳು ದೊಡ್ಡ ಮಾದರಿಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಮಾನವ ಮೌಲ್ಯಮಾಪಕರ ಪ್ರಕಾರ, ಇನ್ಸ್ಟ್ರುಮೆಂಟ್ GPT ಮಾದರಿ (1.3 ಬಿಲಿಯನ್ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿರುವ ಮಾದರಿ) ಮಾದರಿ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವಲ್ಲಿ GPT-3 ಅನ್ನು ಮೀರಿಸುತ್ತದೆ.

GPT-4 ನ ನಿರ್ದಿಷ್ಟ ತರಬೇತಿ ವಿವರಗಳನ್ನು ಇನ್ನೂ ಬಹಿರಂಗಪಡಿಸಲಾಗಿಲ್ಲ, ಆದರೆ GPT-3, InstrumentGPT, ಮತ್ತು ಇತರ ಹಲವು ಮುಕ್ತ-ಮೂಲ LLM ಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಹಿಂದಿನ ಪೀಳಿಗೆಯ ಮಾದರಿಗಳ ವಿವರಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಲಾಗಿದೆ. ಇತ್ತೀಚಿನ ದಿನಗಳಲ್ಲಿ, ಅನೇಕ AI ಮಾದರಿಗಳು ಮಾದರಿ ಕಾರ್ಡ್‌ಗಳೊಂದಿಗೆ ಬರುತ್ತವೆ; GPT-4 ನ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಭದ್ರತಾ ಡೇಟಾವನ್ನು ಮಾದರಿ ಸೃಷ್ಟಿ ಕಂಪನಿ ಓಪನ್‌ಎಐ ಒದಗಿಸಿದ ಇದೇ ರೀತಿಯ ಸಿಸ್ಟಮ್ ಕಾರ್ಡ್‌ನಲ್ಲಿ ಪ್ರಕಟಿಸಲಾಗಿದೆ. LLM ನ ರಚನೆಯನ್ನು ಸ್ಥೂಲವಾಗಿ ಎರಡು ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು: ಆರಂಭಿಕ ಪೂರ್ವ ತರಬೇತಿ ಹಂತ ಮತ್ತು ಮಾದರಿ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಹಂತ. ಪೂರ್ವ ತರಬೇತಿ ಹಂತದಲ್ಲಿ, ಮುಂದಿನ ಪದವನ್ನು ಊಹಿಸಲು ತರಬೇತಿ ನೀಡಲು ಮೂಲ ಇಂಟರ್ನೆಟ್ ಪಠ್ಯವನ್ನು ಒಳಗೊಂಡಂತೆ ಮಾದರಿಯನ್ನು ದೊಡ್ಡ ಕಾರ್ಪಸ್‌ನೊಂದಿಗೆ ಒದಗಿಸಲಾಗುತ್ತದೆ. ಈ ಸರಳವಾದ "ಸ್ವಯಂಚಾಲಿತ ಪೂರ್ಣಗೊಳಿಸುವಿಕೆ" ಪ್ರಕ್ರಿಯೆಯು ಪ್ರಬಲವಾದ ಅಡಿಪಾಯ ಮಾದರಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಹಾನಿಕಾರಕ ನಡವಳಿಕೆಗೆ ಕಾರಣವಾಗಬಹುದು. GPT-4 ಗಾಗಿ ಪೂರ್ವ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಆಯ್ಕೆ ಮಾಡುವುದು ಮತ್ತು ಪೂರ್ವ ತರಬೇತಿ ಡೇಟಾದಿಂದ ಅಶ್ಲೀಲ ವಿಷಯದಂತಹ ಅನುಚಿತ ವಿಷಯವನ್ನು ತೆಗೆದುಹಾಕಲು ನಿರ್ಧರಿಸುವುದು ಸೇರಿದಂತೆ ಮಾನವ ಮೌಲ್ಯಗಳು ಪೂರ್ವ ತರಬೇತಿ ಹಂತವನ್ನು ಪ್ರವೇಶಿಸುತ್ತವೆ. ಈ ಪ್ರಯತ್ನಗಳ ಹೊರತಾಗಿಯೂ, ಮೂಲ ಮಾದರಿಯು ಇನ್ನೂ ಉಪಯುಕ್ತವಾಗಿಲ್ಲ ಅಥವಾ ಹಾನಿಕಾರಕ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿಲ್ಲದಿರಬಹುದು. ಮುಂದಿನ ಹಂತದ ಸೂಕ್ಷ್ಮ-ಶ್ರುತಿಯಲ್ಲಿ, ಅನೇಕ ಉಪಯುಕ್ತ ಮತ್ತು ನಿರುಪದ್ರವ ನಡವಳಿಕೆಗಳು ಹೊರಹೊಮ್ಮುತ್ತವೆ.

ಸೂಕ್ಷ್ಮ-ಶ್ರುತಿ ಹಂತದಲ್ಲಿ, ಭಾಷಾ ಮಾದರಿಗಳ ನಡವಳಿಕೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಮೇಲ್ವಿಚಾರಣೆಯ ಸೂಕ್ಷ್ಮ-ಶ್ರುತಿ ಮತ್ತು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಮೂಲಕ ಆಳವಾಗಿ ಬದಲಾಯಿಸಲಾಗುತ್ತದೆ. ಮೇಲ್ವಿಚಾರಣೆಯ ಸೂಕ್ಷ್ಮ-ಶ್ರುತಿ ಹಂತದಲ್ಲಿ, ನೇಮಕಗೊಂಡ ಗುತ್ತಿಗೆದಾರ ಸಿಬ್ಬಂದಿ ತ್ವರಿತ ಪದಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆ ಉದಾಹರಣೆಗಳನ್ನು ಬರೆಯುತ್ತಾರೆ ಮತ್ತು ಮಾದರಿಗೆ ನೇರವಾಗಿ ತರಬೇತಿ ನೀಡುತ್ತಾರೆ. ಮಾನವ ಪ್ರತಿಕ್ರಿಯೆಯ ಆಧಾರದ ಮೇಲೆ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಹಂತದಲ್ಲಿ, ಮಾನವ ಮೌಲ್ಯಮಾಪಕರು ಮಾದರಿ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ಇನ್‌ಪುಟ್ ವಿಷಯ ಉದಾಹರಣೆಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತಾರೆ. ನಂತರ "ಪ್ರತಿಫಲ ಮಾದರಿ"ಯನ್ನು ಕಲಿಯಲು ಮೇಲಿನ ಹೋಲಿಕೆ ಫಲಿತಾಂಶಗಳನ್ನು ಅನ್ವಯಿಸಿ ಮತ್ತು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯ ಮೂಲಕ ಮಾದರಿಯನ್ನು ಮತ್ತಷ್ಟು ಸುಧಾರಿಸಿ. ಅದ್ಭುತವಾದ ಕಡಿಮೆ-ಮಟ್ಟದ ಮಾನವ ಒಳಗೊಳ್ಳುವಿಕೆ ಈ ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಇನ್‌ಸ್ಟ್ರುಮೆಂಟ್‌ಜಿಪಿಟಿ ಮಾದರಿಯು ಕ್ರೌಡ್‌ಸೋರ್ಸಿಂಗ್ ವೆಬ್‌ಸೈಟ್‌ಗಳಿಂದ ನೇಮಕಗೊಂಡ ಸುಮಾರು 40 ಗುತ್ತಿಗೆದಾರ ಸಿಬ್ಬಂದಿಗಳ ತಂಡವನ್ನು ಬಳಸಿತು ಮತ್ತು ವಿಭಿನ್ನ ಜನಸಂಖ್ಯಾ ಗುಂಪುಗಳ ಆದ್ಯತೆಗಳಿಗೆ ಸೂಕ್ಷ್ಮವಾಗಿರುವ ಟಿಪ್ಪಣಿಕಾರರ ಗುಂಪನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಗುರಿಯನ್ನು ಹೊಂದಿರುವ ಸ್ಕ್ರೀನಿಂಗ್ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಉತ್ತೀರ್ಣವಾಯಿತು.

ಈ ಎರಡು ತೀವ್ರ ಉದಾಹರಣೆಗಳಾದ ಸರಳ ಕ್ಲಿನಿಕಲ್ ಸೂತ್ರ [eGFR] ಮತ್ತು ಶಕ್ತಿಯುತ LLM [GPT-4], ಪ್ರದರ್ಶಿಸುವಂತೆ, ಮಾದರಿ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳನ್ನು ರೂಪಿಸುವಲ್ಲಿ ಮಾನವ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಮಾನವ ಮೌಲ್ಯಗಳು ಅನಿವಾರ್ಯ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತವೆ. ಈ AI ಮಾದರಿಗಳು ಅವುಗಳ ವೈವಿಧ್ಯಮಯ ರೋಗಿ ಮತ್ತು ವೈದ್ಯರ ಮೌಲ್ಯಗಳನ್ನು ಸೆರೆಹಿಡಿಯಬಹುದೇ? ಔಷಧದಲ್ಲಿ AI ಅನ್ವಯವನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಹೇಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡುವುದು? ಕೆಳಗೆ ಉಲ್ಲೇಖಿಸಿದಂತೆ, ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆಯ ಮರುಪರಿಶೀಲನೆಯು ಈ ಸಮಸ್ಯೆಗಳಿಗೆ ತಾತ್ವಿಕ ಪರಿಹಾರವನ್ನು ಒದಗಿಸಬಹುದು.

ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆಯು ಅನೇಕ ವೈದ್ಯರಿಗೆ ಪರಿಚಿತವಾಗಿಲ್ಲ, ಆದರೆ ಇದು ಸಂಭವನೀಯ ತಾರ್ಕಿಕತೆ (ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಿರುವ ವಿವಾದಾತ್ಮಕ ಕ್ಲಿನಿಕಲ್ ಸನ್ನಿವೇಶದಲ್ಲಿ ಮಾನವ ಬೆಳವಣಿಗೆಯ ಹಾರ್ಮೋನ್ ಅನ್ನು ನೀಡಬೇಕೆ ಎಂಬಂತಹ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಅನಿಶ್ಚಿತ ಫಲಿತಾಂಶಗಳಿಗೆ) ಮತ್ತು ಪರಿಗಣನಾ ಅಂಶಗಳಿಗೆ (ಈ ಫಲಿತಾಂಶಗಳಿಗೆ ಲಗತ್ತಿಸಲಾದ ವ್ಯಕ್ತಿನಿಷ್ಠ ಮೌಲ್ಯಗಳಿಗೆ, ಅದರ ಮೌಲ್ಯವನ್ನು "ಉಪಯುಕ್ತತೆ" ಎಂದು ಪ್ರಮಾಣೀಕರಿಸಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಪುರುಷ ಎತ್ತರದಲ್ಲಿ 2 ಸೆಂ.ಮೀ ಹೆಚ್ಚಳದ ಮೌಲ್ಯ), ಸಂಕೀರ್ಣ ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರಗಳಿಗೆ ವ್ಯವಸ್ಥಿತ ಪರಿಹಾರಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ವೈದ್ಯರು ಮೊದಲು ಪ್ರತಿ ಫಲಿತಾಂಶಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎಲ್ಲಾ ಸಂಭಾವ್ಯ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಸಂಭವನೀಯತೆಗಳನ್ನು ನಿರ್ಧರಿಸಬೇಕು ಮತ್ತು ನಂತರ ಹೆಚ್ಚು ಸೂಕ್ತವಾದ ಆಯ್ಕೆಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಪ್ರತಿ ಫಲಿತಾಂಶಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ರೋಗಿಯ (ಅಥವಾ ಇತರ ಪಕ್ಷದ) ಉಪಯುಕ್ತತೆಯನ್ನು ಸೇರಿಸಿಕೊಳ್ಳಬೇಕು. ಆದ್ದರಿಂದ, ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆಯ ಸಿಂಧುತ್ವವು ಫಲಿತಾಂಶದ ಸೆಟ್ಟಿಂಗ್ ಸಮಗ್ರವಾಗಿದೆಯೇ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ, ಜೊತೆಗೆ ಉಪಯುಕ್ತತೆಯ ಮಾಪನ ಮತ್ತು ಸಂಭವನೀಯತೆಯ ಅಂದಾಜು ನಿಖರವಾಗಿದೆಯೇ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಆದರ್ಶಪ್ರಾಯವಾಗಿ, ಈ ವಿಧಾನವು ನಿರ್ಧಾರಗಳು ಪುರಾವೆ ಆಧಾರಿತವಾಗಿದೆ ಮತ್ತು ರೋಗಿಯ ಆದ್ಯತೆಗಳೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಇದರಿಂದಾಗಿ ವಸ್ತುನಿಷ್ಠ ಡೇಟಾ ಮತ್ತು ವೈಯಕ್ತಿಕ ಮೌಲ್ಯಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ವಿಧಾನವನ್ನು ಹಲವಾರು ದಶಕಗಳ ಹಿಂದೆ ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಪರಿಚಯಿಸಲಾಯಿತು ಮತ್ತು ಸಾಮಾನ್ಯ ಜನಸಂಖ್ಯೆಗೆ ಕೊಲೊರೆಕ್ಟಲ್ ಕ್ಯಾನ್ಸರ್ ಸ್ಕ್ರೀನಿಂಗ್‌ಗೆ ಶಿಫಾರಸುಗಳನ್ನು ಒದಗಿಸುವಂತಹ ವೈಯಕ್ತಿಕ ರೋಗಿಯ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಜನಸಂಖ್ಯಾ ಆರೋಗ್ಯ ಮೌಲ್ಯಮಾಪನಕ್ಕೆ ಅನ್ವಯಿಸಲಾಯಿತು.

ವೈದ್ಯಕೀಯ ನಿರ್ಧಾರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ಉಪಯುಕ್ತತೆಯನ್ನು ಪಡೆಯಲು ವಿವಿಧ ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಹೆಚ್ಚಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ನೇರವಾಗಿ ವೈಯಕ್ತಿಕ ರೋಗಿಗಳಿಂದ ಮೌಲ್ಯವನ್ನು ಪಡೆಯುತ್ತವೆ. ರೇಟಿಂಗ್ ಸ್ಕೇಲ್ ಅನ್ನು ಬಳಸುವುದು ಸರಳವಾದ ವಿಧಾನವಾಗಿದೆ, ಅಲ್ಲಿ ರೋಗಿಗಳು ಡಿಜಿಟಲ್ ಸ್ಕೇಲ್‌ನಲ್ಲಿ (1 ರಿಂದ 10 ರವರೆಗಿನ ರೇಖೀಯ ಮಾಪಕದಂತಹ) ನಿರ್ದಿಷ್ಟ ಫಲಿತಾಂಶಕ್ಕಾಗಿ ತಮ್ಮ ಆದ್ಯತೆಯ ಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸುತ್ತಾರೆ, ಎರಡೂ ತುದಿಗಳಲ್ಲಿ ಅತ್ಯಂತ ತೀವ್ರವಾದ ಆರೋಗ್ಯ ಫಲಿತಾಂಶಗಳು (ಸಂಪೂರ್ಣ ಆರೋಗ್ಯ ಮತ್ತು ಸಾವಿನಂತಹವು) ಇರುತ್ತವೆ. ಸಮಯ ವಿನಿಮಯ ವಿಧಾನವು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮತ್ತೊಂದು ವಿಧಾನವಾಗಿದೆ. ಈ ವಿಧಾನದಲ್ಲಿ, ರೋಗಿಗಳು ಕಳಪೆ ಆರೋಗ್ಯದ ಅವಧಿಗೆ ಬದಲಾಗಿ ಎಷ್ಟು ಆರೋಗ್ಯಕರ ಸಮಯವನ್ನು ಕಳೆಯಲು ಸಿದ್ಧರಿದ್ದಾರೆ ಎಂಬುದರ ಕುರಿತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ. ಪ್ರಮಾಣಿತ ಜೂಜಿನ ವಿಧಾನವು ಉಪಯುಕ್ತತೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಮತ್ತೊಂದು ವಿಧಾನವಾಗಿದೆ. ಈ ವಿಧಾನದಲ್ಲಿ, ರೋಗಿಗಳಿಗೆ ಅವರು ಎರಡು ಆಯ್ಕೆಗಳಲ್ಲಿ ಯಾವುದನ್ನು ಬಯಸುತ್ತಾರೆ ಎಂದು ಕೇಳಲಾಗುತ್ತದೆ: ನಿರ್ದಿಷ್ಟ ಸಂಭವನೀಯತೆ (p) (t) ನೊಂದಿಗೆ ಸಾಮಾನ್ಯ ಆರೋಗ್ಯದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಸಂಖ್ಯೆಯ ವರ್ಷಗಳನ್ನು ಬದುಕುವುದು ಮತ್ತು 1-p ಸಂಭವನೀಯತೆಯೊಂದಿಗೆ ಸಾವಿನ ಅಪಾಯವನ್ನು ಸಹಿಸಿಕೊಳ್ಳುವುದು; ಅಡ್ಡ ಆರೋಗ್ಯ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ t ವರ್ಷಗಳ ಕಾಲ ಬದುಕುವುದನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ. ಯಾವುದೇ ಆಯ್ಕೆಗೆ ಯಾವುದೇ ಆದ್ಯತೆಯನ್ನು ತೋರಿಸದವರೆಗೆ ರೋಗಿಗಳನ್ನು ವಿಭಿನ್ನ p-ಮೌಲ್ಯಗಳಲ್ಲಿ ಹಲವು ಬಾರಿ ಕೇಳಿ, ಇದರಿಂದ ರೋಗಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಉಪಯುಕ್ತತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದು.
ರೋಗಿಯ ವೈಯಕ್ತಿಕ ಆದ್ಯತೆಗಳನ್ನು ಹೊರತರಲು ಬಳಸುವ ವಿಧಾನಗಳ ಜೊತೆಗೆ, ರೋಗಿಯ ಜನಸಂಖ್ಯೆಗೆ ಉಪಯುಕ್ತತೆಯನ್ನು ಪಡೆಯಲು ವಿಧಾನಗಳನ್ನು ಸಹ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ವಿಶೇಷವಾಗಿ ಕೇಂದ್ರೀಕೃತ ಗುಂಪು ಚರ್ಚೆಗಳು (ನಿರ್ದಿಷ್ಟ ಅನುಭವಗಳನ್ನು ಚರ್ಚಿಸಲು ರೋಗಿಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುವುದು) ಅವರ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಗುಂಪು ಉಪಯುಕ್ತತೆಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಒಟ್ಟುಗೂಡಿಸಲು, ವಿವಿಧ ರಚನಾತ್ಮಕ ಗುಂಪು ಚರ್ಚಾ ತಂತ್ರಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ.
ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಕ್ಲಿನಿಕಲ್ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಚಿಕಿತ್ಸಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಉಪಯುಕ್ತತೆಯ ನೇರ ಪರಿಚಯವು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಪರಿಹಾರವಾಗಿ, ಸಮೀಕ್ಷೆಯ ಪ್ರಶ್ನಾವಳಿಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಜನಸಂಖ್ಯಾ ಮಟ್ಟದಲ್ಲಿ ಉಪಯುಕ್ತತೆಯ ಅಂಕಗಳನ್ನು ಪಡೆಯಲು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ಜನಸಂಖ್ಯೆಗೆ ವಿತರಿಸಲಾಗುತ್ತದೆ. ಕೆಲವು ಉದಾಹರಣೆಗಳಲ್ಲಿ EuroQol 5-ಆಯಾಮದ ಪ್ರಶ್ನಾವಳಿ, 6-ಆಯಾಮದ ಉಪಯುಕ್ತತೆಯ ತೂಕದ ಸಂಕ್ಷಿಪ್ತ ರೂಪ, ಆರೋಗ್ಯ ಉಪಯುಕ್ತತೆಯ ಸೂಚ್ಯಂಕ ಮತ್ತು ಕ್ಯಾನ್ಸರ್ ನಿರ್ದಿಷ್ಟ ಯುರೋಪಿಯನ್ ಕ್ಯಾನ್ಸರ್ ಸಂಶೋಧನೆ ಮತ್ತು ಚಿಕಿತ್ಸಾ ಸಂಸ್ಥೆಯ ಜೀವನದ ಗುಣಮಟ್ಟದ ಪ್ರಶ್ನಾವಳಿ ಕೋರ್ 30 ಉಪಕರಣ ಸೇರಿವೆ.