` tags.

Here is the translation:

“`xml

(SeaPRwire) –   NEW YORK, April 30, 2025 — ឧបករណ៍បញ្ញាសិប្បនិម្មិត (AI) ធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវភាពងាយស្រួលនៃការអាននៃសម្ភារៈអប់រំអ្នកជំងឺតាមអ៊ីនធឺណិត (PEMs) ដែលធ្វើឱ្យពួកវាកាន់តែងាយស្រួលប្រើប្រាស់ ដែលជាការបង្ហាញពីការសិក្សាថ្មីមួយ។

ដឹកនាំដោយអ្នកស្រាវជ្រាវនៅ NYU Langone Health ការសិក្សានេះផ្តោតលើភាពងាយស្រួលនៃការអានរបស់ PEMs ដែលមាននៅលើគេហទំព័ររបស់ American Heart Association (AHA), American Cancer Society (ACS), និង American Stroke Association (ASA)។ យោងតាមអ្នកស្រាវជ្រាវ សម្ភារៈទាំងនេះជួយអ្នកជំងឺក្នុងការសម្រេចចិត្តអំពីការថែទាំសុខភាពរបស់ពួកគេ ប៉ុន្តែជាញឹកញាប់លើសពីកម្រិតអានដែលបានណែនាំនៃថ្នាក់ទី 6 ដែលធ្វើឱ្យពួកគេពិបាកសម្រាប់អ្នកជំងឺជាច្រើនក្នុងការយល់ដឹង។

សម្រាប់ការសិក្សានេះ អ្នកស្រាវជ្រាវបានវាយតម្លៃសមត្ថភាពនៃគំរូភាសាធំៗចំនួនបី (LLMs) — ChatGPT, Gemini, និង Claude — ដើម្បីបង្កើនប្រសិទ្ធភាពភាពងាយស្រួលនៃការអានរបស់ PEMs ដោយមិនប៉ះពាល់ដល់ភាពត្រឹមត្រូវ។ ឧបករណ៍ AI បង្កើតទាំងនេះត្រូវបានរចនាឡើងដើម្បីសម្រួលអត្ថបទស្មុគស្មាញដោយការទស្សន៍ទាយពាក្យបន្ទាប់ក្នុងប្រយោគមួយដោយផ្អែកលើទិន្នន័យអ៊ីនធឺណិតយ៉ាងទូលំទូលាយ។ ការទស្សន៍ទាយពាក្យបន្ទាប់នេះផ្តល់ឱ្យគំរូទាំងនោះនូវសមត្ថភាពក្នុងការសរសេរអត្ថបទណាមួយឡើងវិញជាភាសាសាមញ្ញជាងតាមការណែនាំ។

បានចេញផ្សាយតាមអ៊ីនធឺណិត April 10 នៅក្នុង Journal of Medical Internet Research ការសិក្សានេះពាក់ព័ន្ធនឹង PEMs ចំនួន 60 ដែលត្រូវបានជ្រើសរើសដោយចៃដន្យពីគេហទំព័រ AHA, ACS និង ASA ។ អ្នកស្រាវជ្រាវបានជំរុញ LLMs ដើម្បីសម្រួលកម្រិតអាននៃសម្ភារៈ។ លទ្ធផលបានបង្ហាញថ ពិន្ទុភាពងាយស្រួលនៃការអានដើមគឺខ្ពស់ជាងកម្រិតដែលបានណែនាំនៃថ្នាក់ទី 6 យ៉ាងខ្លាំង ជាមួយនឹងពិន្ទុកម្រិតថ្នាក់មធ្យម 10.7, 10 និង 9.6 រៀងគ្នា។

បន្ទាប់ពីការបង្កើនប្រសិទ្ធភាពដោយ LLMs ពិន្ទុភាពងាយស្រួលនៃការអានបានប្រសើរឡើងយ៉ាងខ្លាំងនៅទូទាំងគេហទំព័រទាំងបី។ ChatGPT បានធ្វើឱ្យប្រសើរឡើងនូវភាពងាយស្រួលនៃការអានទៅកម្រិតថ្នាក់មធ្យម 7.6, Gemini ទៅ 6.6 និង Claude ទៅ 5.6 ។ ចំនួនពាក្យក៏ត្រូវបានកាត់បន្ថយយ៉ាងខ្លាំងផងដែរ ដែលធ្វើឱ្យសម្ភារៈកាន់តែខ្លី។

លោក Jonah Feldman, MD, នាយកវេជ្ជសាស្ត្រនៃការផ្លាស់ប្តូរ និងព័ត៌មានវិទ្យានៅ NYU Langone បានមានប្រសាសន៍ថា “ការសិក្សារបស់យើងបង្ហាញថា គំរូភាសាធំៗដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយមានសក្តានុពលក្នុងការផ្លាស់ប្តូរសម្ភារៈអប់រំអ្នកជំងឺទៅជាខ្លឹមសារដែលអាចអានបានកាន់តែច្រើន ដែលចាំបាច់សម្រាប់ការពង្រឹងអំណាចអ្នកជំងឺ និងលទ្ធផលសុខភាពកាន់តែប្រសើរ”។

លោក Feldman ដែលបម្រើការជាជំនួយការសាស្ត្រាចារ្យនៅ NYU Grossman Long Island School of Medicine បានមានប្រសាសន៍ថា “ការរកឃើញរបស់យើងបង្ហាញថា សូម្បីតែសម្ភារៈអប់រំដែលតែងដោយអ្នកជំនាញ ដែលត្រូវបានដឹកនាំដោយអ្នកជំងឺរួចហើយ ក៏អាចទទួលបានអត្ថប្រយោជន៍ពីការកែលម្អដែលជំរុញដោយ AI ដែរ” ។

អ្នកស្រាវជ្រាវបាននិយាយថា ការសិក្សានេះផ្តល់នូវឧទាហរណ៍មួយអំពីរបៀបដែលអង្គការថែទាំសុខភាពអាចអនុវត្ត AI ដើម្បីធ្វើឱ្យការទំនាក់ទំនងគ្លីនិកកាន់តែមានភាពរួសរាយរាក់ទាក់ចំពោះអ្នកជំងឺ។ ការសិក្សាពីមុនបានបង្ហាញពីសមត្ថភាពនៃគំរូ AI ដើម្បីបង្កើតការពន្យល់ដែលផ្តោតលើអ្នកជំងឺអំពីលទ្ធផលតេស្តបេះដូង ដើម្បីព្រាងចម្លើយចំពោះសំណួរដំបូន្មានតាមអេឡិចត្រូនិក និងដើម្បីបង្កើតសេចក្តីសង្ខេបដែលងាយស្រួលប្រើសម្រាប់មនុស្សនៃរបាយការណ៍វេជ្ជសាស្រ្តស្មុគស្មាញ។

លោក Paul Testa, MD, JD, MPH, ប្រធានផ្នែកព័ត៌មានវិទ្យាសុខភាពនៅ NYU Langone បានមានប្រសាសន៍ថា “វិសាលភាពនៃលទ្ធភាពនៃ AI បង្ហាញពីរបៀបដែលបច្ចេកវិទ្យាអាចត្រូវបានប្រើប្រាស់ដើម្បីផ្លាស់ប្តូរបទពិសោធន៍អ្នកជំងឺនៅទូទាំងប្រព័ន្ធថែទាំសុខភាព ហើយមិនត្រឹមតែនៅក្នុង the United States ប៉ុណ្ណោះទេ” ។

លោក Testa ដែលជាសាស្ត្រាចារ្យគ្លីនិកនៅ NYU Grossman School of Medicine បានមានប្រសាសន៍ថា “ការសិក្សាទាំងនេះមិនមែនគ្រាន់តែជាទ្រឹស្តីប៉ុណ្ណោះទេ — បន្ទាប់ពីបង្ហាញពីប្រសិទ្ធភាពរបស់វា យើងកំពុងដាក់ឧបករណ៍ AI ទាំងនេះឱ្យអនុវត្តយ៉ាងសកម្ម” ។

យោងតាមលោក Testa ក្រុមការងារ NYU Langone កំពុងប្រើប្រាស់ឧបករណ៍ AI ដូចគ្នានៅក្នុងការសាកល្បងត្រួតពិនិត្យដោយចៃដន្យដែលរួមបញ្ចូលនូវសេចក្តីសង្ខេបដែលបង្កើតដោយ AI ដែលងាយស្រួលប្រើសម្រាប់អ្នកជំងឺសម្រាប់ការណែនាំអំពីការចេញពីមន្ទីរពេទ្យ ដោយមានគោលដៅវាយតម្លៃប្រសិទ្ធភាពរបស់ពួកគេក្នុងការកែលម្អការយល់ដឹង និងការពេញចិត្តរបស់អ្នកជំងឺ។ អ្នកស្រាវជ្រាវសង្ឃឹមថានឹងបង្ហាញថាការផ្តល់ការណែនាំអំពីការចេញពីមន្ទីរពេទ្យដែលច្បាស់លាស់ និងអាចចូលដំណើរការបាន នឹងជួយធានាបាននូវការថែទាំក្រោយពេលចេញពីមន្ទីរពេទ្យកាន់តែប្រសើរ និងការផ្លាស់ប្តូរដោយរលូន។

លោក Jonah Zaretsky, MD, សហការីប្រធានផ្នែកវេជ្ជសាស្ត្រនៅ NYU Langone Hospital — Brooklyn បានមានប្រសាសន៍ថា “ការបង្កើតភស្តុតាងជាក់ស្តែងតាមរយៈការសាកល្បងត្រួតពិនិត្យដោយចៃដន្យ គឺមានសារៈសំខាន់សម្រាប់ការផ្ទៀងផ្ទាត់ភាពត្រឹមត្រូវនៃឧបករណ៍ AI នៅក្នុងការកំណត់គ្លីនិក” ។ លោក Zaretsky ដែលជាជំនួយការសាស្ត្រាចារ្យគ្លីនិកនៅ NYU Grossman School of Medicine បានបន្ថែមថា “វិធីសាស្រ្តនេះធានាថាឯកសារដែលបង្កើតដោយ AI មិនត្រឹមតែត្រឹមត្រូវប៉ុណ្ណោះទេ ថែមទាំងមានប្រយោជន៍ពិតប្រាកដសម្រាប់អ្នកជំងឺ និងក្រុមគ្រួសាររបស់ពួកគេផងដែរ” ។

ការសិក្សានេះត្រូវបានផ្តល់មូលនិធិដោយខ្លួនឯងដោយ NYU Langone ។ ក្រៅពី Feldman, Testa និង Zaretsky អ្នកស្រាវជ្រាវ NYU Langone ដែលចូលរួមក្នុងការសិក្សានេះគឺអ្នកនិពន្ធនាំមុខគេ John Will និងសហអ្នកនិពន្ធ Mahin Gupta និង Aliesha Dowlath ។

Media Inquiries
David March
212-404-3528

STUDY DOI:

10.2196/69955

STUDY LINK:

SOURCE NYU Langone Health System

“`