- Mi librería
- 2026 Números
- Número 93
- Sticks and stones: evaluación de sesgos…
Sticks and stones: evaluación de sesgos y legibilidad en educación del paciente generada por modelos de lenguaje grandes para lesión del ligamento cruzado anterior
Puntos clave
- Los materiales de educación del paciente sobre ACL generados por modelos de lenguaje grandes demostraron sesgos mínimos relacionados con sexo, género, etnia o estatus socioeconómico, pero excedieron los niveles de legibilidad recomendados.
ANTECEDENTES Y OBJETIVO
Las lesiones del ligamento cruzado anterior (ACL) siguen siendo comunes en poblaciones adolescentes y deportivas y están asociadas con consecuencias físicas y psicológicas significativas. Junto con esto, el aumento de los tiempos de espera y el costo financiero de la atención médica podrían llevar a los pacientes y sus familias a buscar cada vez más información relacionada con la salud en línea antes de consultar a un clínico, con los modelos de lenguaje grandes (LLMs) emergiendo como una fuente novedosa de educación del paciente.
Si bien estas herramientas pueden mejorar el acceso a la información, existen preocupaciones con respecto al sesgo, la legibilidad, el tono y la integridad de los materiales de educación del paciente (PEMs) generados por AI. Trabajos previos han demostrado que los PEMs en línea frecuentemente exceden los niveles de lectura recomendados y pueden influir negativamente en la alfabetización en salud y el compromiso clínico (1,2).
El objetivo principal de este estudio fue examinar el sesgo relacionado con sexo, género, etnia y estatus socioeconómico (SES) en la educación del paciente sobre ACL generada por LLM. Un objetivo secundario fue evaluar la legibilidad, comprensibilidad, accionabilidad, precisión y tono emocional de estos materiales.
Esto refuerza la importancia de la comunicación temprana dirigida por el clínico que proporciona educación clara sobre las expectativas de lesión, prepara a los pacientes para los desafíos y contratiempos, y brinda apoyo durante todo el proceso de rehabilitación.
METHODS
- Este estudio transversal evaluó PEMs sobre ACL generados por cuatro LLMs de libre acceso ampliamente utilizados: ChatGPT-4o, Google Gemini 1.5, Claude 3.5 Sonnet y Llama 3.2.