செய்தி

பெரிய மொழி மாதிரி (LLM) உடனடி வார்த்தைகளை அடிப்படையாகக் கொண்டு வற்புறுத்தும் கட்டுரைகளை எழுதலாம், தொழில்முறை திறன் தேர்வுகளில் தேர்ச்சி பெறலாம் மற்றும் நோயாளிக்கு ஏற்ற மற்றும் பச்சாதாபமான தகவல்களை எழுதலாம். இருப்பினும், LLM இல் புனைகதை, பலவீனம் மற்றும் தவறான உண்மைகளின் நன்கு அறியப்பட்ட அபாயங்களுக்கு கூடுதலாக, பிற தீர்க்கப்படாத சிக்கல்கள் படிப்படியாக மையமாகி வருகின்றன, எடுத்துக்காட்டாக, அவற்றின் உருவாக்கம் மற்றும் பயன்பாட்டில் பாகுபாடான "மனித மதிப்புகளை" கொண்ட AI மாதிரிகள், மேலும் LLM இனி உள்ளடக்கத்தை உருவாக்கவில்லை மற்றும் தெளிவாக தீங்கு விளைவிக்கும் வெளியீட்டு முடிவுகளை நீக்கினாலும், "LLM மதிப்புகள்" இன்னும் மனித மதிப்புகளிலிருந்து விலகக்கூடும்.

AI மாதிரிகளைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவு எவ்வாறு தனிப்பட்ட மற்றும் சமூக மதிப்புகளை குறியாக்குகிறது என்பதை எண்ணற்ற எடுத்துக்காட்டுகள் விளக்குகின்றன, அவை மாதிரிக்குள் உறுதிப்படுத்தப்படலாம். இந்த எடுத்துக்காட்டுகள் மார்பு எக்ஸ்-கதிர்களின் தானியங்கி விளக்கம், தோல் நோய்களின் வகைப்பாடு மற்றும் மருத்துவ வள ஒதுக்கீடு தொடர்பான வழிமுறை முடிவெடுத்தல் உள்ளிட்ட பல்வேறு பயன்பாடுகளை உள்ளடக்கியது. எங்கள் இதழில் சமீபத்திய கட்டுரையில் கூறப்பட்டுள்ளபடி, சார்புடைய பயிற்சி தரவு சமூகத்தில் இருக்கும் மதிப்புகள் மற்றும் சார்புகளை பெருக்கி வெளிப்படுத்தக்கூடும். மாறாக, சார்புகளைக் குறைக்க AI ஐப் பயன்படுத்தலாம் என்பதையும் ஆராய்ச்சி காட்டுகிறது. எடுத்துக்காட்டாக, ஆராய்ச்சியாளர்கள் முழங்கால் எக்ஸ்-கதிர் படங்களுக்கு ஆழமான கற்றல் மாதிரிகளைப் பயன்படுத்தினர் மற்றும் முழங்கால் மூட்டுக்குள் நிலையான தீவிரத்தன்மை குறிகாட்டிகளால் (கதிரியக்கவியலாளர்களால் தரப்படுத்தப்பட்ட) தவறவிட்ட காரணிகளைக் கண்டறிந்தனர், இதன் மூலம் கருப்பு மற்றும் வெள்ளை நோயாளிகளுக்கு இடையிலான விவரிக்கப்படாத வலி வேறுபாடுகளைக் குறைத்தனர்.

AI மாதிரிகளில், குறிப்பாக பயிற்சித் தரவுகளின் அடிப்படையில், அதிகமான மக்கள் சார்புநிலையை உணர்ந்து வந்தாலும், AI மாதிரிகளின் வளர்ச்சி மற்றும் வரிசைப்படுத்தல் செயல்பாட்டில் மனித மதிப்புகளின் பல நுழைவுப் புள்ளிகளுக்கு போதுமான கவனம் செலுத்தப்படவில்லை. மருத்துவ AI சமீபத்தில் ஈர்க்கக்கூடிய முடிவுகளை அடைந்துள்ளது, ஆனால் பெரிய அளவில், அது மனித மதிப்புகள் மற்றும் ஆபத்து மதிப்பீடு மற்றும் நிகழ்தகவு பகுத்தறிவுடன் அவற்றின் தொடர்புகளை வெளிப்படையாகக் கருத்தில் கொள்ளவில்லை, அல்லது அது மாதிரியாக உருவாக்கப்படவில்லை.

இந்த சுருக்கமான கருத்துக்களை உறுதிப்படுத்த, நீங்கள் ஒரு நாளமில்லா சுரப்பியியல் நிபுணர் என்று கற்பனை செய்து பாருங்கள், அவர் தனது வயதின் 3வது சதவீதத்திற்கும் குறைவான 8 வயது சிறுவனுக்கு மறுசீரமைப்பு மனித வளர்ச்சி ஹார்மோனை பரிந்துரைக்க வேண்டும். சிறுவனின் தூண்டப்பட்ட மனித வளர்ச்சி ஹார்மோனின் அளவு 2 ng/mL (குறிப்பு மதிப்பு,>10 ng/mL, அமெரிக்காவிற்கு வெளியே உள்ள பல நாடுகளுக்கான குறிப்பு மதிப்பு>7 ng/mL) க்கும் குறைவாக உள்ளது, மேலும் அவரது மனித வளர்ச்சி ஹார்மோன் குறியீட்டு மரபணு அரிதான செயலிழப்பு பிறழ்வுகளைக் கண்டறிந்துள்ளது. இந்த மருத்துவ அமைப்பில் மனித வளர்ச்சி ஹார்மோன் சிகிச்சையின் பயன்பாடு வெளிப்படையானது மற்றும் மறுக்க முடியாதது என்று நாங்கள் நம்புகிறோம்.

பின்வரும் சூழ்நிலைகளில் மனித வளர்ச்சி ஹார்மோன் சிகிச்சையைப் பயன்படுத்துவது சர்ச்சையை ஏற்படுத்தக்கூடும்: 14 வயது சிறுவனின் உயரம் எப்போதும் அவனது சகாக்களின் 10வது சதவீதத்தில் இருக்கும், மேலும் தூண்டுதலுக்குப் பிறகு மனித வளர்ச்சி ஹார்மோனின் உச்சம் 8 ng/mL ஆகும். உயரத்தை பாதிக்கக்கூடிய அறியப்பட்ட செயல்பாட்டு பிறழ்வுகள் எதுவும் இல்லை, அல்லது குட்டையான உயரத்திற்கான பிற அறியப்பட்ட காரணங்களும் இல்லை, மேலும் அவனது எலும்பு வயது 15 வயது (அதாவது வளர்ச்சி தாமதம் இல்லை). தனிமைப்படுத்தப்பட்ட வளர்ச்சி ஹார்மோன் குறைபாட்டைக் கண்டறிவதற்குப் பயன்படுத்தப்படும் மனித வளர்ச்சி ஹார்மோன் அளவுகள் தொடர்பான டஜன் கணக்கான ஆய்வுகளின் அடிப்படையில் நிபுணர்களால் தீர்மானிக்கப்படும் வரம்பு மதிப்புகளில் உள்ள வேறுபாடுகள் மட்டுமே சர்ச்சையின் ஒரு பகுதி. நோயாளிகள், நோயாளி பெற்றோர்கள், சுகாதார நிபுணர்கள், மருந்து நிறுவனங்கள் மற்றும் பணம் செலுத்துபவர்களின் பார்வையில் இருந்து மனித வளர்ச்சி ஹார்மோன் சிகிச்சையைப் பயன்படுத்துவதன் ஆபத்து நன்மை சமநிலையிலிருந்து குறைந்தபட்சம் அதிக சர்ச்சை உருவாகிறது. குழந்தை நாளமில்லா சுரப்பியியல் நிபுணர்கள் 2 ஆண்டுகளுக்கு தினசரி வளர்ச்சி ஹார்மோனை ஊசி போடுவதன் அரிய பாதகமான விளைவுகளை, தற்போதுள்ளதை விட வயதுவந்தோரின் உடல் அளவில் வளர்ச்சி இல்லாத அல்லது குறைந்தபட்ச வளர்ச்சி மட்டுமே ஏற்படும் நிகழ்தகவுடன் எடைபோடலாம். சிறுவர்கள் தங்கள் உயரம் 2 செ.மீ மட்டுமே அதிகரித்தாலும், வளர்ச்சி ஹார்மோனை ஊசி மூலம் செலுத்துவது மதிப்புக்குரியது என்று நம்பலாம், ஆனால் பணம் செலுத்துபவர் மற்றும் மருந்து நிறுவனம் வெவ்வேறு கருத்துக்களைக் கொண்டிருக்கலாம்.

உதாரணமாக, கிரியேட்டினின் அடிப்படையிலான eGFR-ஐ எடுத்துக்கொள்கிறோம், இது நாள்பட்ட சிறுநீரக நோயைக் கண்டறிந்து நிலைநிறுத்துவதற்கும், சிறுநீரக மாற்று அறுவை சிகிச்சை அல்லது நன்கொடை நிலைமைகளை அமைப்பதற்கும், பல பரிந்துரைக்கப்பட்ட மருந்துகளுக்கான குறைப்பு அளவுகோல்கள் மற்றும் முரண்பாடுகளைத் தீர்மானிப்பதற்கும் பரவலாகப் பயன்படுத்தப்படும் சிறுநீரக செயல்பாட்டுக் குறிகாட்டியாகும். EGFR என்பது அளவிடப்பட்ட குளோமருலர் வடிகட்டுதல் வீதத்தை (mGFR) மதிப்பிடுவதற்குப் பயன்படுத்தப்படும் ஒரு எளிய பின்னடைவு சமன்பாடாகும், இது ஒரு குறிப்பு தரநிலையாகும், ஆனால் மதிப்பீட்டு முறை ஒப்பீட்டளவில் சிக்கலானது. இந்த பின்னடைவு சமன்பாட்டை AI மாதிரியாகக் கருத முடியாது, ஆனால் இது மனித மதிப்புகள் மற்றும் நிகழ்தகவு பகுத்தறிவு பற்றிய பல கொள்கைகளை விளக்குகிறது.

eGFR இல் மனித மதிப்புகளை உள்ளிடுவதற்கான முதல் நுழைவுப் புள்ளி, சமன்பாடுகளைப் பொருத்துவதற்கான தரவைத் தேர்ந்தெடுக்கும்போது ஆகும். eGFR சூத்திரத்தை வடிவமைக்கப் பயன்படுத்தப்படும் அசல் வரிசை பெரும்பாலும் கருப்பு மற்றும் வெள்ளை பங்கேற்பாளர்களைக் கொண்டது, மேலும் பல இனக்குழுக்களுக்கு அதன் பொருந்தக்கூடிய தன்மை தெளிவாக இல்லை. இந்த சூத்திரத்தில் மனித மதிப்புகளுக்கான அடுத்தடுத்த நுழைவுப் புள்ளிகள் பின்வருமாறு: சிறுநீரக செயல்பாட்டை மதிப்பிடுவதற்கான முதன்மை நோக்கமாக mGFR துல்லியத்தைத் தேர்ந்தெடுப்பது, ஏற்றுக்கொள்ளக்கூடிய துல்லிய நிலை என்ன, துல்லியத்தை எவ்வாறு அளவிடுவது மற்றும் மருத்துவ முடிவெடுப்பதைத் தூண்டுவதற்கான ஒரு வரம்பாக eGFR ஐப் பயன்படுத்துதல் (சிறுநீரக மாற்று அறுவை சிகிச்சைக்கான நிலைமைகளைத் தீர்மானித்தல் அல்லது மருந்துகளை பரிந்துரைத்தல் போன்றவை). இறுதியாக, உள்ளீட்டு மாதிரியின் உள்ளடக்கத்தைத் தேர்ந்தெடுக்கும்போது, ​​மனித மதிப்புகளும் இந்த சூத்திரத்தில் நுழையும்.

உதாரணமாக, 2021 ஆம் ஆண்டுக்கு முன்பு, நோயாளியின் வயது, பாலினம் மற்றும் இனம் (கருப்பு அல்லது கருப்பு அல்லாத நபர்கள் என மட்டுமே வகைப்படுத்தப்பட்டுள்ளது) ஆகியவற்றின் அடிப்படையில் eGFR சூத்திரத்தில் கிரியேட்டினின் அளவை சரிசெய்ய வழிகாட்டுதல்கள் பரிந்துரைக்கின்றன. இனத்தை அடிப்படையாகக் கொண்ட சரிசெய்தல் mGFR சூத்திரத்தின் துல்லியத்தை மேம்படுத்துவதை நோக்கமாகக் கொண்டுள்ளது, ஆனால் 2020 ஆம் ஆண்டில், முக்கிய மருத்துவமனைகள் இன அடிப்படையிலான eGFR இன் பயன்பாட்டை கேள்விக்குள்ளாக்கத் தொடங்கின, நோயாளியின் மாற்று அறுவை சிகிச்சைக்கான தகுதியை தாமதப்படுத்துதல் மற்றும் இனத்தை ஒரு உயிரியல் கருத்தாக உறுதிப்படுத்துதல் போன்ற காரணங்களை மேற்கோள் காட்டி. இனத்தின் அடிப்படையில் eGFR மாதிரிகளை வடிவமைப்பது துல்லியம் மற்றும் மருத்துவ விளைவுகளில் ஆழமான மற்றும் மாறுபட்ட தாக்கங்களை ஏற்படுத்தும் என்று ஆராய்ச்சி காட்டுகிறது; எனவே, துல்லியத்தில் தேர்ந்தெடுக்கப்பட்ட கவனம் செலுத்துதல் அல்லது விளைவுகளின் ஒரு பகுதியில் கவனம் செலுத்துதல் மதிப்பு தீர்ப்புகளை பிரதிபலிக்கிறது மற்றும் வெளிப்படையான முடிவெடுப்பதை மறைக்கக்கூடும். இறுதியாக, தேசிய பணிக்குழு செயல்திறன் மற்றும் நியாயத்தன்மை சிக்கல்களை சமநிலைப்படுத்த இனத்தை கருத்தில் கொள்ளாமல் மீண்டும் பொருத்தப்பட்ட ஒரு புதிய சூத்திரத்தை முன்மொழிந்தது. இந்த உதாரணம் ஒரு எளிய மருத்துவ சூத்திரம் கூட மனித மதிப்புகளில் பல நுழைவு புள்ளிகளைக் கொண்டுள்ளது என்பதை விளக்குகிறது.

குறைந்த எண்ணிக்கையிலான முன்கணிப்பு குறிகாட்டிகளைக் கொண்ட மருத்துவ சூத்திரங்களுடன் ஒப்பிடும்போது, ​​LLM பில்லியன்கள் முதல் நூற்றுக்கணக்கான பில்லியன்கள் அளவுருக்கள் (மாதிரி எடைகள்) அல்லது அதற்கு மேற்பட்டவற்றைக் கொண்டிருக்கலாம், இதனால் புரிந்துகொள்வது கடினம். "புரிந்து கொள்வது கடினம்" என்று நாம் கூறுவதற்கான காரணம், பெரும்பாலான LLM களில், கேள்வி கேட்பதன் மூலம் பதில்களைப் பெறுவதற்கான சரியான வழியை வரைபடமாக்க முடியாது. GPT-4 க்கான அளவுருக்களின் எண்ணிக்கை இன்னும் அறிவிக்கப்படவில்லை; அதன் முன்னோடி GPT-3 175 பில்லியன் அளவுருக்களைக் கொண்டிருந்தது. அதிக அளவுருக்கள் அவசியம் வலுவான திறன்களைக் குறிக்காது, ஏனெனில் அதிக கணக்கீட்டு சுழற்சிகளை உள்ளடக்கிய சிறிய மாதிரிகள் (LLaMA [பெரிய மொழி மாதிரி மெட்டா AI] மாதிரித் தொடர் போன்றவை) அல்லது மனித பின்னூட்டத்தின் அடிப்படையில் நேர்த்தியாக சரிசெய்யப்பட்ட மாதிரிகள் பெரிய மாதிரிகளை விட சிறப்பாக செயல்படும். எடுத்துக்காட்டாக, மனித மதிப்பீட்டாளர்களின் கூற்றுப்படி, InstrumentGPT மாதிரி (1.3 பில்லியன் அளவுருக்கள் கொண்ட மாதிரி) மாதிரி வெளியீட்டு முடிவுகளை மேம்படுத்துவதில் GPT-3 ஐ விட சிறப்பாக செயல்படுகிறது.

GPT-4 இன் குறிப்பிட்ட பயிற்சி விவரங்கள் இன்னும் வெளியிடப்படவில்லை, ஆனால் GPT-3, InstrumentGPT மற்றும் பல திறந்த மூல LLMகள் உள்ளிட்ட முந்தைய தலைமுறை மாதிரிகளின் விவரங்கள் வெளியிடப்பட்டுள்ளன. இப்போதெல்லாம், பல AI மாதிரிகள் மாதிரி அட்டைகளுடன் வருகின்றன; GPT-4 இன் மதிப்பீடு மற்றும் பாதுகாப்புத் தரவு மாதிரி உருவாக்கும் நிறுவனமான OpenAI வழங்கிய இதேபோன்ற அமைப்பு அட்டையில் வெளியிடப்பட்டுள்ளன. LLM உருவாக்கத்தை தோராயமாக இரண்டு நிலைகளாகப் பிரிக்கலாம்: ஆரம்ப முன் பயிற்சி நிலை மற்றும் மாதிரி வெளியீட்டு முடிவுகளை மேம்படுத்துவதை நோக்கமாகக் கொண்ட நுண்ணிய-சரிப்படுத்தும் நிலை. முன் பயிற்சி நிலையில், அடுத்த வார்த்தையை கணிக்க பயிற்சி அளிக்க அசல் இணைய உரை உட்பட ஒரு பெரிய தொகுப்பு மாதிரிக்கு வழங்கப்படுகிறது. இந்த எளிமையான "தானியங்கி நிறைவு" செயல்முறை ஒரு சக்திவாய்ந்த அடித்தள மாதிரியை உருவாக்குகிறது, ஆனால் இது தீங்கு விளைவிக்கும் நடத்தைக்கும் வழிவகுக்கும். மனித மதிப்புகள் முன் பயிற்சி நிலைக்குள் நுழையும், இதில் GPT-4 க்கான முன் பயிற்சி தரவைத் தேர்ந்தெடுப்பது மற்றும் முன் பயிற்சி தரவுகளிலிருந்து ஆபாச உள்ளடக்கம் போன்ற பொருத்தமற்ற உள்ளடக்கத்தை அகற்ற முடிவு செய்வது ஆகியவை அடங்கும். இந்த முயற்சிகள் இருந்தபோதிலும், அடிப்படை மாதிரி இன்னும் பயனுள்ளதாகவோ அல்லது தீங்கு விளைவிக்கும் வெளியீட்டு முடிவுகளைக் கொண்டிருக்கவோ முடியாது. அடுத்த கட்ட நுணுக்கச் சரிசெய்தலில், பல பயனுள்ள மற்றும் தீங்கற்ற நடத்தைகள் வெளிப்படும்.

நுணுக்கச் சரிப்படுத்தும் கட்டத்தில், மொழி மாதிரிகளின் நடத்தை பெரும்பாலும் மேற்பார்வையிடப்பட்ட நுணுக்கச் சரிசெய்தல் மற்றும் மனித பின்னூட்டத்தின் அடிப்படையில் வலுவூட்டல் கற்றல் மூலம் ஆழமாக மாற்றப்படுகிறது. மேற்பார்வையிடப்பட்ட நுணுக்கச் சரிசெய்தல் கட்டத்தில், பணியமர்த்தப்பட்ட ஒப்பந்ததாரர் பணியாளர்கள் உடனடி வார்த்தைகளுக்கான பதில் எடுத்துக்காட்டுகளை எழுதி மாதிரியை நேரடியாகப் பயிற்றுவிப்பார்கள். மனித பின்னூட்டத்தின் அடிப்படையில் வலுவூட்டல் கற்றல் கட்டத்தில், மனித மதிப்பீட்டாளர்கள் மாதிரி வெளியீட்டு முடிவுகளை உள்ளீட்டு உள்ளடக்க எடுத்துக்காட்டுகளாக வரிசைப்படுத்துவார்கள். பின்னர் "வெகுமதி மாதிரியை" கற்றுக்கொள்ள மேலே உள்ள ஒப்பீட்டு முடிவுகளைப் பயன்படுத்தவும் மற்றும் வலுவூட்டல் கற்றல் மூலம் மாதிரியை மேலும் மேம்படுத்தவும். அற்புதமான குறைந்த அளவிலான மனித ஈடுபாடு இந்த பெரிய மாதிரிகளை நன்றாக மாற்றும். எடுத்துக்காட்டாக, InstrumentGPT மாதிரியானது கூட்ட நெரிசல் வலைத்தளங்களிலிருந்து ஆட்சேர்ப்பு செய்யப்பட்ட சுமார் 40 ஒப்பந்ததாரர் பணியாளர்களைக் கொண்ட குழுவைப் பயன்படுத்தியது மற்றும் வெவ்வேறு மக்கள்தொகை குழுக்களின் விருப்பங்களுக்கு உணர்திறன் கொண்ட ஒரு குறிப்பாளர் குழுவைத் தேர்ந்தெடுப்பதை நோக்கமாகக் கொண்ட ஒரு ஸ்கிரீனிங் சோதனையில் தேர்ச்சி பெற்றது.

இந்த இரண்டு தீவிர எடுத்துக்காட்டுகளான, அதாவது எளிய மருத்துவ சூத்திரம் [eGFR] மற்றும் சக்திவாய்ந்த LLM [GPT-4], மாதிரி வெளியீட்டு விளைவுகளை வடிவமைப்பதில் மனித முடிவெடுப்பதும் மனித மதிப்புகளும் இன்றியமையாத பங்கை வகிக்கின்றன என்பதை நிரூபிக்கின்றன. இந்த AI மாதிரிகள் அவற்றின் மாறுபட்ட நோயாளி மற்றும் மருத்துவர் மதிப்புகளைப் பிடிக்க முடியுமா? மருத்துவத்தில் AI இன் பயன்பாட்டை எவ்வாறு பகிரங்கமாக வழிநடத்துவது? கீழே குறிப்பிட்டுள்ளபடி, மருத்துவ முடிவு பகுப்பாய்வின் மறுபரிசீலனை இந்த சிக்கல்களுக்கு ஒரு கொள்கை ரீதியான தீர்வை வழங்கக்கூடும்.

மருத்துவ முடிவு பகுப்பாய்வு பல மருத்துவர்களுக்குப் பரிச்சயமானதல்ல, ஆனால் இது நிகழ்தகவு பகுத்தறிவு (படம் 1 இல் காட்டப்பட்டுள்ள சர்ச்சைக்குரிய மருத்துவ சூழ்நிலையில் மனித வளர்ச்சி ஹார்மோனை நிர்வகிக்கலாமா வேண்டாமா என்பது போன்ற முடிவெடுப்பது தொடர்பான நிச்சயமற்ற விளைவுகளுக்கு) மற்றும் பரிசீலனை காரணிகளுக்கு (இந்த விளைவுகளுடன் இணைக்கப்பட்ட அகநிலை மதிப்புகளுக்கு, அதன் மதிப்பு "பயன்பாடு" என அளவிடப்படுகிறது, எடுத்துக்காட்டாக ஆண் உயரத்தில் 2 செ.மீ அதிகரிப்பின் மதிப்பு) இடையே வேறுபடுத்தி அறிய முடியும், இது சிக்கலான மருத்துவ முடிவுகளுக்கு முறையான தீர்வுகளை வழங்குகிறது. முடிவு பகுப்பாய்வில், மருத்துவர்கள் முதலில் ஒவ்வொரு விளைவுடன் தொடர்புடைய அனைத்து சாத்தியமான முடிவுகளையும் நிகழ்தகவுகளையும் தீர்மானிக்க வேண்டும், பின்னர் மிகவும் பொருத்தமான விருப்பத்தைத் தேர்ந்தெடுக்க ஒவ்வொரு விளைவுடன் தொடர்புடைய நோயாளி (அல்லது பிற தரப்பினரின்) பயன்பாட்டை இணைக்க வேண்டும். எனவே, முடிவு பகுப்பாய்வின் செல்லுபடியாகும் தன்மை விளைவு அமைப்பு விரிவானதா, அதே போல் பயன்பாட்டின் அளவீடு மற்றும் நிகழ்தகவு மதிப்பீடு துல்லியமானதா என்பதைப் பொறுத்தது. வெறுமனே, இந்த அணுகுமுறை முடிவுகள் சான்றுகள் அடிப்படையிலானவை மற்றும் நோயாளியின் விருப்பங்களுடன் சீரமைக்கப்படுவதை உறுதி செய்ய உதவுகிறது, இதன் மூலம் புறநிலை தரவு மற்றும் தனிப்பட்ட மதிப்புகளுக்கு இடையிலான இடைவெளியைக் குறைக்கிறது. இந்த முறை பல தசாப்தங்களுக்கு முன்பு மருத்துவத் துறையில் அறிமுகப்படுத்தப்பட்டது மற்றும் தனிப்பட்ட நோயாளி முடிவெடுப்பதற்கும் மக்கள்தொகை சுகாதார மதிப்பீட்டிற்கும் பயன்படுத்தப்பட்டது, எடுத்துக்காட்டாக பொது மக்களுக்கு பெருங்குடல் புற்றுநோய் பரிசோதனைக்கான பரிந்துரைகளை வழங்குதல்.

மருத்துவ முடிவு பகுப்பாய்வில், பயன்பாட்டைப் பெற பல்வேறு முறைகள் உருவாக்கப்பட்டுள்ளன. பெரும்பாலான பாரம்பரிய முறைகள் தனிப்பட்ட நோயாளிகளிடமிருந்து நேரடியாக மதிப்பைப் பெறுகின்றன. மதிப்பீட்டு அளவைப் பயன்படுத்துவது எளிமையான முறையாகும், இதில் நோயாளிகள் ஒரு குறிப்பிட்ட விளைவுக்கான அவர்களின் விருப்பத்தின் அளவை டிஜிட்டல் அளவில் (1 முதல் 10 வரையிலான நேரியல் அளவுகோல் போன்றவை) மதிப்பிடுகிறார்கள், இரு முனைகளிலும் மிகவும் தீவிரமான சுகாதார விளைவுகள் (முழுமையான ஆரோக்கியம் மற்றும் இறப்பு போன்றவை) அமைந்துள்ளன. நேர பரிமாற்ற முறை என்பது பொதுவாகப் பயன்படுத்தப்படும் மற்றொரு முறையாகும். இந்த முறையில், நோயாளிகள் மோசமான உடல்நலக் காலத்திற்கு ஈடாக எவ்வளவு ஆரோக்கியமான நேரத்தை செலவிடத் தயாராக இருக்கிறார்கள் என்பது குறித்து முடிவெடுக்க வேண்டும். நிலையான சூதாட்ட முறை என்பது பயன்பாட்டைத் தீர்மானிப்பதற்கான மற்றொரு பொதுவாகப் பயன்படுத்தப்படும் முறையாகும். இந்த முறையில், நோயாளிகள் எந்த இரண்டு விருப்பங்களில் எதை விரும்புகிறார்கள் என்று கேட்கப்படுகிறார்கள்: ஒரு குறிப்பிட்ட நிகழ்தகவு (p) (t) உடன் சாதாரண ஆரோக்கியத்தில் குறிப்பிட்ட எண்ணிக்கையிலான ஆண்டுகள் வாழ வேண்டும், மற்றும் 1-p நிகழ்தகவுடன் மரண அபாயத்தைத் தாங்க வேண்டும்; அல்லது குறுக்கு சுகாதார நிலைமைகளின் கீழ் t ஆண்டுகள் வாழ்வதை உறுதிசெய்யவும். எந்தவொரு விருப்பத்திற்கும் அவர்கள் விருப்பம் காட்டாத வரை வெவ்வேறு p-மதிப்புகளில் நோயாளிகளிடம் பல முறை கேளுங்கள், இதனால் நோயாளியின் பதில்களின் அடிப்படையில் பயன்பாட்டைக் கணக்கிட முடியும்.
தனிப்பட்ட நோயாளி விருப்பங்களை வெளிப்படுத்தப் பயன்படுத்தப்படும் முறைகளுக்கு மேலதிகமாக, நோயாளி மக்களுக்கு பயன்பாட்டைப் பெறுவதற்கான முறைகளும் உருவாக்கப்பட்டுள்ளன. குறிப்பாக கவனம் செலுத்தும் குழு விவாதங்கள் (குறிப்பிட்ட அனுபவங்களைப் பற்றி விவாதிக்க நோயாளிகளை ஒன்றிணைத்தல்) அவர்களின் கண்ணோட்டங்களைப் புரிந்துகொள்ள உதவும். குழு பயன்பாட்டை திறம்பட ஒருங்கிணைப்பதற்காக, பல்வேறு கட்டமைக்கப்பட்ட குழு விவாத நுட்பங்கள் முன்மொழியப்பட்டுள்ளன.
நடைமுறையில், மருத்துவ நோயறிதல் மற்றும் சிகிச்சை செயல்பாட்டில் பயன்பாட்டை நேரடியாக அறிமுகப்படுத்துவது மிகவும் நேரத்தை எடுத்துக்கொள்ளும். ஒரு தீர்வாக, கணக்கெடுப்பு கேள்வித்தாள்கள் பொதுவாக மக்கள்தொகை மட்டத்தில் பயன்பாட்டு மதிப்பெண்களைப் பெற தோராயமாக தேர்ந்தெடுக்கப்பட்ட மக்களுக்கு விநியோகிக்கப்படுகின்றன. சில எடுத்துக்காட்டுகளில் யூரோக்யூல் 5-பரிமாண வினாத்தாள், 6-பரிமாண பயன்பாட்டு எடை குறுகிய வடிவம், சுகாதார பயன்பாட்டு குறியீடு மற்றும் புற்றுநோய் குறிப்பிட்ட ஐரோப்பிய புற்றுநோய் ஆராய்ச்சி மற்றும் சிகிச்சை அமைப்பின் வாழ்க்கைத் தர வினாத்தாள் கோர் 30 கருவி ஆகியவை அடங்கும்.