Generative artificial intelligence to augment ethical problem solving in ophthalmology: GPT-5.1 versus a human ethicist.

چکیده اصلی

PURPOSE: While many large language models (LLMs) have been extensively investigated for their clinical decision-making capabilities, few studies have characterized their abilities to reason through complex, open-ended ethics cases. This study compared GPT-5.1 and expert human ethicist responses to real-world ethical scenarios specific to ophthalmology. METHODS: Ten ethical scenarios from the American Academy of Ophthalmology's Ask the Ethicist website were randomly selected and presented to GPT-5.1 using ChatGPT. AI-generated responses were subsequently compared to those of the expert human ethicist using conventional readability metrics. A panel of 10 physicians independently rated all responses via 6-point and 5-point Likert scales for both outcomes of likelihood-of-use in their own careers and perceived patient impact, respectively. RESULTS: GPT-5.1 versus human ethicist responses differed significantly on Flesch Reading Ease (10.9 ± 9.6 vs. 25.4 ± 10.9, p = 0.002) and Gunning Fog Index (21.3 ± 1.9 vs. 19.5 ± 2.9, p = 0.037). For likelihood-of-use, median ratings were 4.1 [3.8-4.3] for human ethicist versus 5.0 [4.7-5.2] for GPT-5.1 responses (p = 0.013). Median ratings for perceived patient impact of human ethicist versus GPT-5.1 responses were 3.6 [3.3-3.7] versus 3.9 [3.8-4.4], p = 0.008. Inter-rater reliability was moderate for both outcomes and response sources (ICC [2, 10]: 0.56-0.69). CONCLUSIONS: Compared to human ethicist responses, GPT-5.1 responses demonstrated lower readability; however, GPT-5.1 responses received significantly higher ratings for both outcomes of likelihood-of-use and perceived patient impact, respectively. These results advocate for further explorations of GPT-5.1 and other LLMs as potentially useful tools for evaluating common bioethical challenges in ophthalmology.

ترجمه فارسی چکیده

هدف: در حالی که بسیاری از مدل‌های زبانی بزرگ (LLM) برای توانایی‌های تصمیم‌گیری بالینی مورد بررسی قرار گرفته‌اند، تعداد کمی از مطالعات توانایی آن‌ها برای استدلال در مورد موارد اخلاقی پیچیده و باز را توصیف کرده‌اند. این مطالعه پاسخ‌های GPT-5.1 و یک متخصص اخلاق‌دان انسانی را در برابر سناریوهای اخلاقی واقعی مرتبط با چشم‌پزشکی مقایسه کرد. روش‌ها: ده سناریوی اخلاقی از وب‌سایت Ask the Ethicist آکادمی چشم‌پزشکی آمریکا به صورت تصادفی انتخاب شد و به GPT-5.1 در چت‌جی‌پی‌تی ارائه شد. پاسخ‌های تولید شده توسط هوش مصنوعی با پاسخ‌های متخصص انسانی با استفاده از شاخص‌های خوانایی استاندارد مقایسه شدند. یک پنل از ۱۰ پزشک پاسخ‌ها را به طور مستقل با مقیاس‌های لیکرت ۶ و ۵ نمره‌گذاری کردند: یکی برای احتمال استفاده در حرفه خود و دیگری برای تأثیر درک شده بر بیمار. نتایج: پاسخ‌های GPT-5.1 در برابر متخصص انسانی تفاوت معنی‌داری در شاخص خوانایی Flesch (10.9 ± 9.6 در برابر 25.4 ± 10.9، p = 0.002) و شاخص مهندسی Gunning (21.3 ± 1.9 در برابر 19.5 ± 2.9، p = 0.037) داشتند. برای احتمال استفاده، میانگین رتبه‌ها 4.1 [3.8-4.3] برای متخصص انسانی و 5.0 [4.7-5.2] برای پاسخ‌های GPT-5.1 بود (p = 0.013). میانگین رتبه‌ها برای تأثیر درک شده بر بیمار متخصص انسانی در برابر GPT-5.1 3.6 [3.3-3.7] در برابر 3.9 [3.8-4.4] بود، p = 0.008. روایی بین نمره‌دهندگان برای هر دو خروجی و منبع پاسخ متوسط بود (ICC [2, 10]: 0.56-0.69). نتیجه‌گیری: در برابر پاسخ‌های متخصص انسانی، پاسخ‌های GPT-5.1 خوانایی کمتری داشتند؛ با این حال، پاسخ‌های GPT-5.1 برای هر دو خروجی احتمال استفاده و تأثیر درک شده بر بیمار رتبه‌های معنی‌داری بالاتری دریافت کردند. این نتایج پیشنهاد می‌کنند که GPT-5.1 و سایر LLMs به عنوان ابزارهای بالقوه مفید برای ارزیابی چالش‌های بیواخلاقی رایج در چشم‌پزشکی مورد بررسی قرار گیرند.

متن کامل اصلی