ทีมวิจัยใช้ DBNet/EasyOCR แปลงภาพรายงาน polysomnography ของโรงพยาบาลไทยเป็นข้อความ แล้วใช้ ChatGPT-3.5 กับ prompt เฉพาะงานดึงค่าตัวแปร ผลชี้ว่าปรับ prompt ช่วยลดข้อผิดพลาดและเพิ่มประสิทธิภาพการสร้าง real-world evidence แต่ความผิดพลาดที่พบบ่อยคือเลข สัญลักษณ์ และ encoding ซึ่งอาจเปลี่ยนความหมายทางคลินิกได้ บทคัดย่อไม่ให้ขนาดตัวอย่างหรือค่าความแม่นยำ
ข้อค้นพบสำคัญ
- ระบบสามารถดึงข้อมูลได้และ prompt ที่ปรับเฉพาะงานช่วยลดความผิดพลาด ผู้วิจัยระบุว่าข้อผิดพลาดหลักอยู่ที่ตัวเลข สัญลักษณ์ และการเข้ารหัสอักขระ แต่ไม่มีจำนวนรายงาน sensitivity, precision หรือ error rate ในบทคัดย่อ จึงยังประเมินความพร้อมใช้งานไม่ได้
ทำไมจึงมีความสำคัญระดับโลก
เวชระเบียนภาพและ PDF ที่ไม่มีโครงสร้างเป็นอุปสรรคต่อหลักฐานโลกจริงทั่วโลก กรอบแยก OCR กับ LLM ช่วยระบุว่า error เกิดที่ขั้นใดและออกแบบการควบคุมคุณภาพได้
บทบาทของนักวิจัยไทย
ทีมมหิดล รามาธิบดี และมหาวิทยาลัยกรุงเทพนำปัญหาจริงจากศูนย์ตรวจการนอนไทยมาพัฒนากระบวนการข้อมูลที่มีศักยภาพขยายสู่งานวิจัยย้อนหลัง
ข้อจำกัดที่ควรรู้
บทคัดย่อไม่ระบุขนาดและความหลากหลายเอกสาร ค่าความแม่นยำ gold standard หรือผลตามชนิดตัวแปร โมเดล ChatGPT-3.5 เป็นระบบที่เปลี่ยนเวอร์ชันและอาจทำซ้ำยาก เอกสารจากศูนย์เดียวไม่แทนแบบฟอร์มอื่น และต้องควบคุมความเป็นส่วนตัวเมื่อส่งข้อมูลไปบริการภายนอก