સમાચાર

લાર્જ લેંગ્વેજ મોડેલ (LLM) ત્વરિત શબ્દોના આધારે પ્રેરક લેખો લખી શકે છે, વ્યાવસાયિક પ્રાવીણ્ય પરીક્ષાઓ પાસ કરી શકે છે અને દર્દીને અનુકૂળ અને સહાનુભૂતિપૂર્ણ માહિતી લખી શકે છે. જો કે, LLM માં કાલ્પનિક, નાજુક અને અચોક્કસ તથ્યોના જાણીતા જોખમો ઉપરાંત, અન્ય વણઉકેલાયેલા મુદ્દાઓ ધીમે ધીમે ધ્યાન કેન્દ્રિત કરી રહ્યા છે, જેમ કે AI મોડેલો જેમાં તેમની રચના અને ઉપયોગમાં સંભવિત ભેદભાવપૂર્ણ "માનવ મૂલ્યો" હોય છે, અને જો LLM હવે સામગ્રી બનાવતું નથી અને સ્પષ્ટ રીતે હાનિકારક આઉટપુટ પરિણામોને દૂર કરે છે, તો પણ "LLM મૂલ્યો" માનવ મૂલ્યોથી વિચલિત થઈ શકે છે.

અસંખ્ય ઉદાહરણો દર્શાવે છે કે AI મોડેલોને તાલીમ આપવા માટે વપરાતો ડેટા વ્યક્તિગત અને સામાજિક મૂલ્યોને કેવી રીતે એન્કોડ કરે છે, જે મોડેલની અંદર મજબૂત થઈ શકે છે. આ ઉદાહરણોમાં છાતીના એક્સ-રેનું સ્વચાલિત અર્થઘટન, ચામડીના રોગોનું વર્ગીકરણ અને તબીબી સંસાધન ફાળવણી અંગે અલ્ગોરિધમિક નિર્ણય લેવા સહિત વિવિધ એપ્લિકેશનોનો સમાવેશ થાય છે. અમારા જર્નલમાં તાજેતરના લેખમાં જણાવ્યા મુજબ, પક્ષપાતી તાલીમ ડેટા સમાજમાં હાજર મૂલ્યો અને પૂર્વગ્રહોને વિસ્તૃત અને જાહેર કરી શકે છે. તેનાથી વિપરીત, સંશોધનોએ એ પણ દર્શાવ્યું છે કે AI નો ઉપયોગ પૂર્વગ્રહ ઘટાડવા માટે થઈ શકે છે. ઉદાહરણ તરીકે, સંશોધકોએ ઘૂંટણની એક્સ-રે ફિલ્મો પર ડીપ લર્નિંગ મોડેલ્સ લાગુ કર્યા અને ઘૂંટણના સાંધામાં પ્રમાણભૂત તીવ્રતા સૂચકાંકો (રેડિયોલોજિસ્ટ દ્વારા ગ્રેડ કરાયેલ) દ્વારા ચૂકી ગયેલા પરિબળો શોધી કાઢ્યા, જેનાથી કાળા અને શ્વેત દર્દીઓ વચ્ચેના અસ્પષ્ટ પીડા તફાવતો ઓછા થયા.

જોકે વધુને વધુ લોકો AI મોડેલોમાં પક્ષપાતનો અહેસાસ કરી રહ્યા છે, ખાસ કરીને તાલીમ ડેટાના સંદર્ભમાં, AI મોડેલોના વિકાસ અને જમાવટ પ્રક્રિયામાં માનવ મૂલ્યોના ઘણા અન્ય પ્રવેશ બિંદુઓ પર પૂરતું ધ્યાન આપવામાં આવતું નથી. તબીબી AI એ તાજેતરમાં પ્રભાવશાળી પરિણામો પ્રાપ્ત કર્યા છે, પરંતુ મોટા પ્રમાણમાં, તેણે માનવ મૂલ્યો અને જોખમ મૂલ્યાંકન અને સંભાવનાત્મક તર્ક સાથે તેમની ક્રિયાપ્રતિક્રિયાને સ્પષ્ટપણે ધ્યાનમાં લીધી નથી, ન તો તેનું મોડેલિંગ કરવામાં આવ્યું છે.

આ અમૂર્ત ખ્યાલોને સ્પષ્ટ કરવા માટે, કલ્પના કરો કે તમે એક એન્ડોક્રિનોલોજિસ્ટ છો જેમને 8 વર્ષના છોકરા માટે રિકોમ્બિનન્ટ હ્યુમન ગ્રોથ હોર્મોન લખવાની જરૂર છે જે તેની ઉંમરના 3જા પર્સેન્ટાઈલથી નીચે છે. છોકરાનું ઉત્તેજિત હ્યુમન ગ્રોથ હોર્મોન સ્તર 2 ng/mL (સંદર્ભ મૂલ્ય,>10 ng/mL, યુનાઇટેડ સ્ટેટ્સની બહારના ઘણા દેશો માટે સંદર્ભ મૂલ્ય>7 ng/mL) ની નીચે છે, અને તેના હ્યુમન ગ્રોથ હોર્મોન કોડિંગ જનીને દુર્લભ નિષ્ક્રિયતા પરિવર્તનો શોધી કાઢ્યા છે. અમારું માનવું છે કે આ ક્લિનિકલ સેટિંગમાં હ્યુમન ગ્રોથ હોર્મોન થેરાપીનો ઉપયોગ સ્પષ્ટ અને નિર્વિવાદ છે.

નીચેના સંજોગોમાં માનવ વૃદ્ધિ હોર્મોન ઉપચારનો ઉપયોગ વિવાદનું કારણ બની શકે છે: 14 વર્ષના છોકરાની ઊંચાઈ હંમેશા તેના સાથીદારોના 10મા ટકામાં રહી છે, અને ઉત્તેજના પછી માનવ વૃદ્ધિ હોર્મોનનું શિખર 8 ng/mL છે. ઊંચાઈને અસર કરી શકે તેવા કોઈ જાણીતા કાર્યાત્મક પરિવર્તનો નથી, કે ટૂંકા કદના અન્ય જાણીતા કારણો નથી, અને તેના હાડકાની ઉંમર 15 વર્ષની છે (એટલે ​​\u200b\u200bકે વિકાસમાં કોઈ વિલંબ નથી). વિવાદનો એક ભાગ માત્ર અલગ વૃદ્ધિ હોર્મોનની ઉણપનું નિદાન કરવા માટે ઉપયોગમાં લેવાતા માનવ વૃદ્ધિ હોર્મોન સ્તરો અંગેના ડઝનેક અભ્યાસોના આધારે નિષ્ણાતો દ્વારા નક્કી કરાયેલ થ્રેશોલ્ડ મૂલ્યોમાં તફાવતને કારણે છે. ઓછામાં ઓછું આટલો વિવાદ દર્દીઓ, દર્દી માતાપિતા, આરોગ્યસંભાળ વ્યાવસાયિકો, ફાર્માસ્યુટિકલ કંપનીઓ અને ચુકવણીકારોના દ્રષ્ટિકોણથી માનવ વૃદ્ધિ હોર્મોન ઉપચારનો ઉપયોગ કરવાના જોખમ લાભ સંતુલનથી ઉદ્ભવે છે. બાળરોગના એન્ડોક્રિનોલોજિસ્ટ 2 વર્ષ સુધી વૃદ્ધિ હોર્મોનના દૈનિક ઇન્જેક્શનના દુર્લભ પ્રતિકૂળ અસરોનું મૂલ્યાંકન કરી શકે છે જેમાં વર્તમાનની તુલનામાં પુખ્ત વયના શરીરના કદમાં કોઈ અથવા ફક્ત ન્યૂનતમ વૃદ્ધિ થવાની સંભાવના છે. છોકરાઓ એવું માનતા હશે કે ભલે તેમની ઊંચાઈ ફક્ત 2 સેમી વધે, પણ ગ્રોથ હોર્મોનનું ઇન્જેક્શન આપવું યોગ્ય છે, પરંતુ ચુકવણી કરનાર અને દવા કંપનીના મંતવ્યો અલગ અલગ હોઈ શકે છે.

આપણે ક્રિએટિનાઇન આધારિત eGFR ને ઉદાહરણ તરીકે લઈએ છીએ, જે ક્રોનિક કિડની રોગનું નિદાન અને સ્ટેજિંગ, કિડની ટ્રાન્સપ્લાન્ટ અથવા દાનની સ્થિતિ નક્કી કરવા અને ઘણી પ્રિસ્ક્રિપ્શન દવાઓ માટે ઘટાડાના માપદંડ અને વિરોધાભાસ નક્કી કરવા માટે વ્યાપકપણે ઉપયોગમાં લેવાતું રેનલ ફંક્શન સૂચક છે. EGFR એ એક સરળ રીગ્રેશન સમીકરણ છે જેનો ઉપયોગ માપેલા ગ્લોમેર્યુલર ફિલ્ટરેશન રેટ (mGFR) નો અંદાજ કાઢવા માટે થાય છે, જે એક સંદર્ભ ધોરણ છે, પરંતુ મૂલ્યાંકન પદ્ધતિ પ્રમાણમાં બોજારૂપ છે. આ રીગ્રેશન સમીકરણને AI મોડેલ ગણી શકાય નહીં, પરંતુ તે માનવ મૂલ્યો અને સંભાવનાત્મક તર્ક વિશે ઘણા સિદ્ધાંતો દર્શાવે છે.

eGFR માં માનવ મૂલ્યો દાખલ કરવા માટેનો પ્રથમ પ્રવેશ બિંદુ એ સમીકરણો ફિટ કરવા માટે ડેટા પસંદ કરતી વખતે છે. eGFR ફોર્મ્યુલા ડિઝાઇન કરવા માટે ઉપયોગમાં લેવાતી મૂળ કતાર મોટાભાગે કાળા અને શ્વેત સહભાગીઓથી બનેલી છે, અને અન્ય ઘણા વંશીય જૂથો માટે તેની લાગુ પડવાની ક્ષમતા સ્પષ્ટ નથી. આ ફોર્મ્યુલામાં માનવ મૂલ્યો માટે અનુગામી પ્રવેશ બિંદુઓમાં શામેલ છે: કિડની કાર્યનું મૂલ્યાંકન કરવા માટે પ્રાથમિક ઉદ્દેશ્ય તરીકે mGFR ચોકસાઈ પસંદ કરવી, ચોકસાઈનું સ્વીકાર્ય સ્તર શું છે, ચોકસાઈ કેવી રીતે માપવી, અને ક્લિનિકલ નિર્ણય લેવા માટે થ્રેશોલ્ડ તરીકે eGFR નો ઉપયોગ કરવો (જેમ કે કિડની ટ્રાન્સપ્લાન્ટેશન માટેની શરતો નક્કી કરવી અથવા દવા સૂચવવી). છેલ્લે, ઇનપુટ મોડેલની સામગ્રી પસંદ કરતી વખતે, માનવ મૂલ્યો પણ આ ફોર્મ્યુલામાં પ્રવેશ કરશે.

ઉદાહરણ તરીકે, 2021 પહેલાં, માર્ગદર્શિકા દર્દીની ઉંમર, લિંગ અને જાતિ (ફક્ત કાળા અથવા બિન-કાળા વ્યક્તિઓ તરીકે વર્ગીકૃત) ના આધારે eGFR ફોર્મ્યુલામાં ક્રિએટિનાઇન સ્તરને સમાયોજિત કરવાનું સૂચન કરે છે. જાતિ પર આધારિત ગોઠવણનો હેતુ mGFR ફોર્મ્યુલાની ચોકસાઈ સુધારવાનો છે, પરંતુ 2020 માં, મોટી હોસ્પિટલોએ ટ્રાન્સપ્લાન્ટેશન માટે દર્દીની પાત્રતામાં વિલંબ અને જાતિને જૈવિક ખ્યાલ તરીકે કોંક્રિટાઇઝ કરવા જેવા કારણો ટાંકીને જાતિ આધારિત eGFR ના ઉપયોગ પર પ્રશ્ન ઉઠાવવાનું શરૂ કર્યું. સંશોધન દર્શાવે છે કે જાતિના સંદર્ભમાં eGFR મોડેલ ડિઝાઇન કરવાથી ચોકસાઈ અને ક્લિનિકલ પરિણામો પર ઊંડી અને વિવિધ અસરો થઈ શકે છે; તેથી, પસંદગીયુક્ત રીતે ચોકસાઈ પર ધ્યાન કેન્દ્રિત કરવું અથવા પરિણામોના એક ભાગ પર ધ્યાન કેન્દ્રિત કરવું મૂલ્યના નિર્ણયોને પ્રતિબિંબિત કરે છે અને પારદર્શક નિર્ણય લેવાનું ઢાંકી શકે છે. અંતે, રાષ્ટ્રીય કાર્યકારી જૂથે એક નવું ફોર્મ્યુલા પ્રસ્તાવિત કર્યું જે પ્રદર્શન અને ન્યાયીતાના મુદ્દાઓને સંતુલિત કરવા માટે જાતિને ધ્યાનમાં લીધા વિના ફરીથી ફીટ કરવામાં આવ્યું હતું. આ ઉદાહરણ દર્શાવે છે કે એક સરળ ક્લિનિકલ ફોર્મ્યુલામાં પણ માનવ મૂલ્યોમાં ઘણા પ્રવેશ બિંદુઓ હોય છે.

થોડાક જ આગાહી સૂચકાંકો ધરાવતા ક્લિનિકલ ફોર્મ્યુલાની તુલનામાં, LLM માં અબજો થી સેંકડો અબજો પરિમાણો (મોડેલ વજન) અથવા તેથી વધુ હોઈ શકે છે, જે તેને સમજવામાં મુશ્કેલી બનાવે છે. આપણે "સમજવામાં મુશ્કેલ" કહીએ છીએ તેનું કારણ એ છે કે મોટાભાગના LLM માં, પ્રશ્નો દ્વારા પ્રતિભાવો મેળવવાની ચોક્કસ રીત મેપ કરી શકાતી નથી. GPT-4 માટે પરિમાણોની સંખ્યા હજુ સુધી જાહેર કરવામાં આવી નથી; તેના પુરોગામી GPT-3 માં 175 અબજ પરિમાણો હતા. વધુ પરિમાણોનો અર્થ મજબૂત ક્ષમતાઓનો હોવો જરૂરી નથી, કારણ કે નાના મોડેલો જેમાં વધુ ગણતરી ચક્ર (જેમ કે LLaMA [મોટી ભાષા મોડેલ મેટા AI] મોડેલ શ્રેણી) શામેલ હોય છે અથવા મોડેલો જે માનવ પ્રતિસાદના આધારે બારીકાઈથી ટ્યુન કરવામાં આવે છે તે મોટા મોડેલો કરતાં વધુ સારું પ્રદર્શન કરશે. ઉદાહરણ તરીકે, માનવ મૂલ્યાંકનકારો અનુસાર, InstrumentGPT મોડેલ (1.3 અબજ પરિમાણો સાથેનું મોડેલ) મોડેલ આઉટપુટ પરિણામોને ઑપ્ટિમાઇઝ કરવામાં GPT-3 કરતાં વધુ સારું પ્રદર્શન કરે છે.

GPT-4 ની ચોક્કસ તાલીમ વિગતો હજુ સુધી જાહેર કરવામાં આવી નથી, પરંતુ GPT-3, InstrumentGPT અને અન્ય ઘણા ઓપન-સોર્સ LLM સહિત અગાઉના પેઢીના મોડેલોની વિગતો જાહેર કરવામાં આવી છે. આજકાલ, ઘણા AI મોડેલો મોડેલ કાર્ડ સાથે આવે છે; GPT-4 નો મૂલ્યાંકન અને સુરક્ષા ડેટા મોડેલ બનાવટ કંપની OpenAI દ્વારા પૂરા પાડવામાં આવેલા સમાન સિસ્ટમ કાર્ડમાં પ્રકાશિત કરવામાં આવ્યો છે. LLM ની રચનાને આશરે બે તબક્કામાં વિભાજિત કરી શકાય છે: પ્રારંભિક પ્રી-ટ્રેનિંગ સ્ટેજ અને મોડેલ આઉટપુટ પરિણામોને ઑપ્ટિમાઇઝ કરવાના હેતુથી ફાઇન-ટ્યુનિંગ સ્ટેજ. પ્રી-ટ્રેનિંગ સ્ટેજમાં, મોડેલને મૂળ ઇન્ટરનેટ ટેક્સ્ટ સહિત એક વિશાળ કોર્પસ આપવામાં આવે છે જેથી તેને આગામી શબ્દની આગાહી કરવા માટે તાલીમ આપી શકાય. આ દેખીતી રીતે સરળ "ઓટોમેટિક કમ્પ્લીશન" પ્રક્રિયા એક શક્તિશાળી પાયાનું મોડેલ ઉત્પન્ન કરે છે, પરંતુ તે હાનિકારક વર્તન તરફ પણ દોરી શકે છે. માનવ મૂલ્યો પ્રી-ટ્રેનિંગ સ્ટેજમાં પ્રવેશ કરશે, જેમાં GPT-4 માટે પ્રી-ટ્રેનિંગ ડેટા પસંદ કરવો અને પ્રી-ટ્રેનિંગ ડેટામાંથી અશ્લીલ સામગ્રી જેવી અયોગ્ય સામગ્રીને દૂર કરવાનો નિર્ણય લેવાનો સમાવેશ થાય છે. આ પ્રયાસો છતાં, મૂળભૂત મોડેલ હજુ પણ ઉપયોગી કે હાનિકારક આઉટપુટ પરિણામો સમાવી શકતું નથી. ફાઇન-ટ્યુનિંગના આગલા તબક્કામાં, ઘણા ઉપયોગી અને હાનિકારક વર્તણૂકો બહાર આવશે.

ફાઇન-ટ્યુનિંગ તબક્કામાં, ભાષા મોડેલોના વર્તનમાં ઘણીવાર માનવ પ્રતિસાદ પર આધારિત દેખરેખ કરાયેલ ફાઇન-ટ્યુનિંગ અને મજબૂતીકરણ શિક્ષણ દ્વારા ગંભીર ફેરફાર કરવામાં આવે છે. દેખરેખ કરાયેલ ફાઇન-ટ્યુનિંગ તબક્કામાં, ભાડે રાખેલા કોન્ટ્રાક્ટર કર્મચારીઓ તાત્કાલિક શબ્દો માટે પ્રતિભાવ ઉદાહરણો લખશે અને મોડેલને સીધી તાલીમ આપશે. માનવ પ્રતિસાદ પર આધારિત મજબૂતીકરણ શિક્ષણ તબક્કામાં, માનવ મૂલ્યાંકનકારો મોડેલ આઉટપુટ પરિણામોને ઇનપુટ સામગ્રી ઉદાહરણો તરીકે સૉર્ટ કરશે. પછી "પુરસ્કાર મોડેલ" શીખવા માટે ઉપરોક્ત સરખામણી પરિણામો લાગુ કરો અને મજબૂતીકરણ શિક્ષણ દ્વારા મોડેલને વધુ સુધારો. અદ્ભુત નીચા-સ્તરની માનવ સંડોવણી આ મોટા મોડેલોને ફાઇન-ટ્યુન કરી શકે છે. ઉદાહરણ તરીકે, ઇન્સ્ટ્રુમેન્ટજીપીટી મોડેલે ક્રાઉડસોર્સિંગ વેબસાઇટ્સમાંથી ભરતી કરાયેલા આશરે 40 કોન્ટ્રાક્ટર કર્મચારીઓની ટીમનો ઉપયોગ કર્યો અને વિવિધ વસ્તી જૂથોની પસંદગીઓ પ્રત્યે સંવેદનશીલ એવા ટીકાકારોના જૂથને પસંદ કરવાના હેતુથી સ્ક્રીનીંગ ટેસ્ટ પાસ કર્યો.

જેમ કે આ બે આત્યંતિક ઉદાહરણો, એટલે કે સરળ ક્લિનિકલ ફોર્મ્યુલા [eGFR] અને શક્તિશાળી LLM [GPT-4], દર્શાવે છે કે, માનવ નિર્ણય લેવાની ક્ષમતા અને માનવ મૂલ્યો મોડેલ આઉટપુટ પરિણામોને આકાર આપવામાં અનિવાર્ય ભૂમિકા ભજવે છે. શું આ AI મોડેલો તેમના વિવિધ દર્દી અને ચિકિત્સક મૂલ્યોને કેપ્ચર કરી શકે છે? દવામાં AI ના ઉપયોગને જાહેરમાં કેવી રીતે માર્ગદર્શન આપવું? નીચે જણાવ્યા મુજબ, તબીબી નિર્ણય વિશ્લેષણનું પુનઃપરીક્ષણ આ મુદ્દાઓનો સૈદ્ધાંતિક ઉકેલ પૂરો પાડી શકે છે.

તબીબી નિર્ણય વિશ્લેષણ ઘણા ચિકિત્સકો માટે પરિચિત નથી, પરંતુ તે સંભાવનાત્મક તર્ક (નિર્ણય લેવા સંબંધિત અનિશ્ચિત પરિણામો માટે, જેમ કે આકૃતિ 1 માં બતાવેલ વિવાદાસ્પદ ક્લિનિકલ દૃશ્યમાં માનવ વૃદ્ધિ હોર્મોનનું સંચાલન કરવું કે નહીં) અને વિચારણા પરિબળો (આ પરિણામો સાથે જોડાયેલા વ્યક્તિલક્ષી મૂલ્યો માટે, જેનું મૂલ્ય "ઉપયોગિતા" તરીકે માપવામાં આવે છે, જેમ કે પુરુષની ઊંચાઈમાં 2 સે.મી. વધારાનું મૂલ્ય) વચ્ચે તફાવત કરી શકે છે, જે જટિલ તબીબી નિર્ણયો માટે વ્યવસ્થિત ઉકેલો પૂરા પાડે છે. નિર્ણય વિશ્લેષણમાં, ચિકિત્સકોએ પહેલા દરેક પરિણામ સાથે સંકળાયેલા તમામ સંભવિત નિર્ણયો અને સંભાવનાઓ નક્કી કરવી જોઈએ, અને પછી સૌથી યોગ્ય વિકલ્પ પસંદ કરવા માટે દરેક પરિણામ સાથે સંકળાયેલ દર્દી (અથવા અન્ય પક્ષ) ઉપયોગિતાનો સમાવેશ કરવો જોઈએ. તેથી, નિર્ણય વિશ્લેષણની માન્યતા પરિણામ સેટિંગ વ્યાપક છે કે કેમ, તેમજ ઉપયોગિતાનું માપન અને સંભાવનાનો અંદાજ સચોટ છે કે કેમ તેના પર આધાર રાખે છે. આદર્શરીતે, આ અભિગમ ખાતરી કરવામાં મદદ કરે છે કે નિર્ણયો પુરાવા-આધારિત છે અને દર્દીની પસંદગીઓ સાથે સંરેખિત છે, જેનાથી ઉદ્દેશ્ય ડેટા અને વ્યક્તિગત મૂલ્યો વચ્ચેનું અંતર ઓછું થાય છે. આ પદ્ધતિ ઘણા દાયકાઓ પહેલા તબીબી ક્ષેત્રમાં રજૂ કરવામાં આવી હતી અને વ્યક્તિગત દર્દીના નિર્ણય લેવા અને વસ્તી આરોગ્ય મૂલ્યાંકન પર લાગુ કરવામાં આવી હતી, જેમ કે સામાન્ય વસ્તીને કોલોરેક્ટલ કેન્સર સ્ક્રીનીંગ માટે ભલામણો પૂરી પાડવી.

તબીબી નિર્ણય વિશ્લેષણમાં, ઉપયોગિતા મેળવવા માટે વિવિધ પદ્ધતિઓ વિકસાવવામાં આવી છે. મોટાભાગની પરંપરાગત પદ્ધતિઓ વ્યક્તિગત દર્દીઓ પાસેથી સીધા મૂલ્ય મેળવે છે. સૌથી સરળ પદ્ધતિ રેટિંગ સ્કેલનો ઉપયોગ કરવાની છે, જ્યાં દર્દીઓ ડિજિટલ સ્કેલ (જેમ કે 1 થી 10 સુધીનો રેખીય સ્કેલ) પર ચોક્કસ પરિણામ માટે તેમની પસંદગીના સ્તરનું મૂલ્યાંકન કરે છે, જેમાં સૌથી આત્યંતિક આરોગ્ય પરિણામો (જેમ કે સંપૂર્ણ આરોગ્ય અને મૃત્યુ) બંને છેડે સ્થિત હોય છે. સમય વિનિમય પદ્ધતિ એ બીજી સામાન્ય રીતે ઉપયોગમાં લેવાતી પદ્ધતિ છે. આ પદ્ધતિમાં, દર્દીઓએ નિર્ણય લેવાની જરૂર છે કે તેઓ ખરાબ સ્વાસ્થ્યના સમયગાળાના બદલામાં કેટલો સ્વસ્થ સમય પસાર કરવા તૈયાર છે. ઉપયોગિતા નક્કી કરવા માટે પ્રમાણભૂત જુગાર પદ્ધતિ એ બીજી સામાન્ય રીતે ઉપયોગમાં લેવાતી પદ્ધતિ છે. આ પદ્ધતિમાં, દર્દીઓને પૂછવામાં આવે છે કે તેઓ બે વિકલ્પોમાંથી કયો વિકલ્પ પસંદ કરે છે: કાં તો ચોક્કસ સંભાવના (p) (t) સાથે સામાન્ય સ્વાસ્થ્યમાં ચોક્કસ સંખ્યામાં વર્ષો જીવો, અને 1-p સંભાવના સાથે મૃત્યુનું જોખમ સહન કરો; કાં તો ક્રોસ હેલ્થ પરિસ્થિતિઓ હેઠળ t વર્ષ સુધી જીવવાનું સુનિશ્ચિત કરો. દર્દીઓને વિવિધ p-મૂલ્યો પર ઘણી વખત પૂછો જ્યાં સુધી તેઓ કોઈપણ વિકલ્પ માટે કોઈ પસંદગી ન બતાવે, જેથી દર્દીના પ્રતિભાવોના આધારે ઉપયોગિતાની ગણતરી કરી શકાય.
વ્યક્તિગત દર્દી પસંદગીઓ મેળવવા માટે ઉપયોગમાં લેવાતી પદ્ધતિઓ ઉપરાંત, દર્દીની વસ્તી માટે ઉપયોગીતા મેળવવા માટેની પદ્ધતિઓ પણ વિકસાવવામાં આવી છે. ખાસ કરીને ફોકસ ગ્રુપ ચર્ચાઓ (વિશિષ્ટ અનુભવોની ચર્ચા કરવા માટે દર્દીઓને એકસાથે લાવવા) તેમના દ્રષ્ટિકોણને સમજવામાં મદદ કરી શકે છે. ગ્રુપ ઉપયોગિતાને અસરકારક રીતે એકત્રિત કરવા માટે, વિવિધ માળખાગત જૂથ ચર્ચા તકનીકોનો પ્રસ્તાવ મૂકવામાં આવ્યો છે.
વ્યવહારમાં, ક્લિનિકલ નિદાન અને સારવાર પ્રક્રિયામાં ઉપયોગિતાનો સીધો પરિચય ખૂબ જ સમય માંગી લે છે. ઉકેલ તરીકે, સર્વેક્ષણ પ્રશ્નાવલિ સામાન્ય રીતે વસ્તી સ્તરે ઉપયોગિતા સ્કોર્સ મેળવવા માટે રેન્ડમલી પસંદ કરેલી વસ્તીમાં વિતરિત કરવામાં આવે છે. કેટલાક ઉદાહરણોમાં યુરોક્યુલ 5-પરિમાણીય પ્રશ્નાવલી, 6-પરિમાણીય ઉપયોગિતા વજન ટૂંકા સ્વરૂપ, આરોગ્ય ઉપયોગિતા સૂચકાંક અને કેન્સર સ્પેસિફિક યુરોપિયન કેન્સર સંશોધન અને સારવાર સંગઠન જીવન ગુણવત્તા પ્રશ્નાવલી કોર 30 ટૂલનો સમાવેશ થાય છે.