İçeriğe geç
Literatüre dön

GenelProspektif

Impact of Prompt Formulation and Case Complexity on Large Language Model Performance in Otolaryngology

Otolaryngology–Head and Neck Surgery ·

Sogalow L, Victoor L, Miri M, et al.

Büyük dil modellerinin KBB vakalarındaki başarısı soru biçimine göre değişiyor mu? İki merkezden ardışık 80 poliklinik hastası ve yayımlanmış 40 olgu sunumu, hekim dilinde ve hasta dilinde yazılmış iki ayrı istemle üç dil modeline soruldu. Yanıtları iki KBB uzmanı standart bir ölçekle puanladı ve iki model ayırıcı tanı, tetkik ve tedavi önerilerinde üçüncüsünden anlamlı olarak daha iyi sonuç verdi. Hasta dilindeki istemler öykü, semptom ve birincil tanıda hekim dilindeki istemlere göre daha düşük doğruluk sağladı. Birincil tanı doğruluğu orta karmaşıklıktaki vakalarda yüzde 55 iken karmaşık olgularda yüzde 29'a düştü. Bulgular bu araçların yapılandırılmış istemlerle ve hekim denetiminde kullanılması gerektiğini gösteriyor.

Both prompt wording and case complexity shaped how well large language models handled otolaryngology cases in this comparative observational study. Clinical information from 80 outpatients and 40 published case reports went to ChatGPT-5, Claude-Sonnet-4.5, and Gemini-2.5-Pro, and two otolaryngologists rated the answers. Claude-Sonnet-4.5 and Gemini-2.5-Pro significantly outperformed ChatGPT-5 on total score. Lay-language patient prompts gave lower accuracy than physician prompts for history, symptoms, and primary diagnosis. Primary diagnostic accuracy was 54.6% for moderate cases but 28.7% for complex ones.

Yapay zekâ desteğiyle özetlendi

MakalePubMed

Bu özet, makalenin yayımlanmış özetinden yapay zekâ desteğiyle hazırlanmış ve yayından önce kontrol edilmiştir. Makalenin yerini tutmaz; ayrıntı ve klinik karar için asıl kaynağa başvurun. ENTSignal hekimler için bilgilendirme amaçlıdır; hiçbir içerik tanı ya da tedavi önerisi değildir. Ayrıntı için Hakkında sayfasına bakın.