Résumé
Contexte :
Les grands modèles linguistiques (LLMs), tels que GPT-4, sont de plus en plus utilisés dans le domaine de la santé pour assister les professionnels dans la prise de décisions éclairées. Étant donné le potentiel de ChatGPT, il est essentiel d’explorer ces applications comme outil de soutien au triage, en particulier dans le cadre des services de triage téléphonique en santé mentale. Cette étude évalue si les modèles GPT-4 peuvent classer avec précision des vignettes d’urgence psychiatrique et compare leurs performances à celles des praticiens.
Méthodes :
Une étude transversale avec une analyse qualitative a été réalisée. Deux psychologues cliniciens ont élaboré 22 vignettes simulées d’urgence psychiatrique. Les réponses ont été générées par trois versions de GPT-4 (GPT-4o, GPT-4o Mini, GPT-4 Legacy) et par deux infirmiers praticiens indépendants. Les réponses se sont concentrées sur trois critères de triage : risque (Faible 1-3 Élevé), admission (Oui-1; Non-2) et urgence (Faible 1-3 Élevé).
Résultats :
Une fiabilité inter-évaluateurs substantielle a été observée entre les cliniciens et les réponses des modèles GPT-4 pour les trois critères de triage (Kappa de Cohen : Admission = 0.77 ; Risque = 0.78 ; Urgence = 0.76). Parmi les modèles GPT-4, les valeurs de Kappa indiquent un accord modéré à substantiel (Kappa de Fleiss : Admission = 0.69, Risque = 0.63, Urgence = 0.72). Les scores moyens des réponses aux critères de triage entre les modèles GPT-4 et les cliniciens ont montré des schémas cohérents avec une variabilité minimale. Les réponses sur l’admission ont eu un score moyen de 1.73 (SD = 0.45), les scores de risque un score moyen de 2.12 (SD = 0.83), et les scores d’urgence ont en moyenne atteint 2.27 (SD = 0.44).
Conclusion et pertinence :
Cette étude suggère que les modèles GPT-4 pourraient être utilisés comme outil de soutien dans les triages téléphoniques en santé mentale, particulièrement en cas d’urgence psychiatrique. Bien que les résultats soient prometteurs, des recherches supplémentaires sont nécessaires pour confirmer leur utilité et leur validité dans des contextes cliniques.
Déclaration d’intérêts concurrents
Les auteurs n’ont déclaré aucun conflit d’intérêt.
Déclaration de financement
Cette étude n’a reçu aucun financement.
Déclarations des auteurs
Je confirme que toutes les directives éthiques pertinentes ont été suivies, et que toutes les approbations nécessaires par le comité d’éthique ont été obtenues.
Oui
Les détails de l’IRB ou de l’entité de supervision ayant fourni l’approbation ou l’exemption pour la recherche décrite sont fournis ci-dessous :
Cette étude a utilisé des données simulées qui étaient ouvertes et accessibles au public avant le début de l’étude.
Je confirme que tous les consentements nécessaires des patients/participants ont été obtenus et que les formulaires institutionnels appropriés ont été archivés, et que tous les identifiants des patients/participants inclus n’étaient pas connus de quiconque (par exemple, le personnel hospitalier, les patients ou les participants eux-mêmes) en dehors du groupe de recherche, donc ne peuvent pas être utilisés pour identifier des individus.
Oui
Je comprends que tous les essais cliniques et toutes les autres études d’intervention prospective doivent être enregistrés auprès d’un registre approuvé par l’ICMJE, tel que ClinicalTrials.gov. Je confirme que toute étude ainsi rapportée dans le manuscrit a été enregistrée et que l’ID d’enregistrement de l’essai est fourni (remarque : si l’inscription d’une étude prospective a été effectuée rétrospectivement, veuillez fournir une déclaration dans le champ ID de l’essai expliquant pourquoi l’étude n’a pas été enregistrée au préalable).
Oui
J’ai suivi toutes les directives de rapport de recherche appropriées, telles que toute liste de vérification de rapport de recherche pertinente de l’EQUATOR Network et tout autre matériel pertinent, le cas échéant.
Oui
Disponibilité des données
L’ensemble des données produites dans cette étude est disponible sur demande raisonnable auprès des auteurs.
Points à retenir
- Les modèles LLM comme GPT-4 pourraient jouer un rôle précieux dans les services de triage téléphonique en santé mentale.
- Les critères de triage utilisés dans l’étude comprennent le risque, l’admission et l’urgence, ce qui permet une évaluation globale des situations d’urgence psychiatrique.
- Les résultats montrent une fiabilité inter-évaluateurs significative, ce qui indique que les modèles GPT-4 pourraient être comparables aux évaluations humaines.
- Le besoin de recherches supplémentaires pour valider l’efficacité et l’application clinique de ces modèles est souligné.
Dans un contexte où les technologies continuent d’évoluer, l’intégration des modèles d’intelligence artificielle comme GPT-4 dans le secteur de la santé suscite des réflexions intéressantes. Il est essentiel de se demander comment ces outils peuvent non seulement rationaliser les processus de triage, mais aussi garantir la qualité des soins apportés aux patients.
C’est fascinant de voir comment l’IA comme GPT-4 peut aider dans le triage en santé mentale. Cela pourrait vraiment changer la donne pour les professionnels et les patients !
C’est fascinant de voir comment les modèles d’intelligence artificielle peuvent enrichir le domaine de la santé. J’espère qu’ils pourront réellement aider les professionnels tout en préservant la qualité des soins.
C’est fascinant de voir comment l’IA peut révolutionner le triage en santé mentale. Évaluer des situations d’urgence avec précision est essentiel. Hâte de voir comment cela évolue !
C’est vraiment encourageant de voir comment les modèles comme GPT-4 peuvent aider dans le triage en santé mentale. J’espère qu’ils seront utilisés avec soin et empathie.
C’est fascinant de voir comment l’intelligence artificielle peut soutenir des décisions cruciales en santé mentale. Une belle promesse pour un avenir où chaque voix compte.