පුවත්

විශාල භාෂා ආකෘතියට (LLM) ක්ෂණික වචන මත පදනම්ව ඒත්තු ගැන්වෙන ලිපි ලිවීමට, වෘත්තීය ප්‍රවීණතා විභාග සමත් වීමට සහ රෝගියාට හිතකර සහ සංවේදී තොරතුරු ලිවීමට හැකිය. කෙසේ වෙතත්, LLM හි ප්‍රබන්ධ, බිඳෙනසුලු බව සහ සාවද්‍ය කරුණු පිළිබඳ සුප්‍රසිද්ධ අවදානම් වලට අමතරව, අනෙකුත් නොවිසඳුනු ගැටළු ක්‍රමයෙන් අවධානයට ලක් වෙමින් පවතී, එනම් ඒවායේ නිර්මාණය සහ භාවිතය තුළ විභවයෙන් වෙනස් කොට සැලකීමේ “මානව වටිනාකම්” අඩංගු AI ආකෘති වැනි, සහ LLM තවදුරටත් අන්තර්ගතය ගොතන ලද සහ පැහැදිලිවම හානිකර ප්‍රතිදාන ප්‍රතිඵල ඉවත් කළත්, “LLM අගයන්” තවමත් මානව වටිනාකම් වලින් බැහැර විය හැකිය.

AI ආකෘති පුහුණු කිරීම සඳහා භාවිතා කරන දත්ත පුද්ගල සහ සමාජීය වටිනාකම් සංකේතනය කරන ආකාරය අසංඛ්‍යාත උදාහරණ මගින් නිරූපණය කෙරේ, එය ආකෘතිය තුළ ශක්තිමත් විය හැකිය. මෙම උදාහරණවලට පපුවේ එක්ස් කිරණ ස්වයංක්‍රීයව අර්ථ නිරූපණය කිරීම, සමේ රෝග වර්ගීකරණය සහ වෛද්‍ය සම්පත් වෙන් කිරීම සම්බන්ධයෙන් ඇල්ගොරිතම තීරණ ගැනීම ඇතුළු යෙදුම් පරාසයක් ඇතුළත් වේ. අපගේ සඟරාවේ මෑත කාලීන ලිපියක සඳහන් කළ පරිදි, පක්ෂග්‍රාහී පුහුණු දත්ත මගින් සමාජයේ පවතින වටිනාකම් සහ පක්ෂග්‍රාහීත්වයන් විස්තාරණය කර හෙළි කළ හැකිය. ඊට පටහැනිව, පර්යේෂණ මගින් පක්ෂග්‍රාහීත්වය අඩු කිරීමට AI භාවිතා කළ හැකි බව ද පෙන්වා දී ඇත. නිදසුනක් වශයෙන්, පර්යේෂකයන් දණහිසේ එක්ස් කිරණ පටල සඳහා ගැඹුරු ඉගෙනුම් ආකෘති යොදන ලද අතර දණහිසේ සන්ධිය තුළ සම්මත බරපතලකම දර්ශක (විකිරණවේදීන් විසින් ශ්‍රේණිගත කරන ලද) මගින් මග හැරුණු සාධක සොයා ගත් අතර එමඟින් කළු සහ සුදු රෝගීන් අතර පැහැදිලි කළ නොහැකි වේදනා වෙනස්කම් අඩු කරයි.

AI ආකෘතිවල, විශේෂයෙන් පුහුණු දත්ත සම්බන්ධයෙන්, පක්ෂග්‍රාහී බව වැඩි වැඩියෙන් ජනතාව අවබෝධ කර ගනිමින් සිටියද, AI ආකෘති සංවර්ධනය හා යෙදවීමේ ක්‍රියාවලියේදී මානව වටිනාකම්වල තවත් බොහෝ ප්‍රවේශ ස්ථාන ප්‍රමාණවත් අවධානයක් ලබා දී නොමැත. වෛද්‍ය AI මෑතකදී ආකර්ෂණීය ප්‍රතිඵල අත්කර ගෙන ඇත, නමුත් බොහෝ දුරට, එය මානව වටිනාකම් සහ අවදානම් තක්සේරුව සහ සම්භාවිතා තර්කනය සමඟ ඒවායේ අන්තර්ක්‍රියා පැහැදිලිව සලකා බලා නොමැති අතර, එය ආකෘතිගත කර නොමැත.

මෙම වියුක්ත සංකල්ප සංයුක්ත කිරීම සඳහා, ඔබ වයසින් 3 වන ප්‍රතිශතයට වඩා අඩු 8 හැවිරිදි පිරිමි ළමයෙකු සඳහා නැවත සංයෝජක මානව වර්ධන හෝමෝනය නියම කිරීමට අවශ්‍ය අන්තරාසර්ග විද්‍යාඥයෙකු යැයි සිතන්න. පිරිමි ළමයාගේ උත්තේජනය කරන ලද මානව වර්ධන හෝමෝන මට්ටම 2 ng/mL ට වඩා අඩුය (යොමු අගය,> 10 ng/mL, එක්සත් ජනපදයෙන් පිටත බොහෝ රටවල් සඳහා යොමු අගය> 7 ng/mL), සහ ඔහුගේ මානව වර්ධන හෝමෝන කේතීකරණ ජානය දුර්ලභ අක්‍රිය විකෘති හඳුනාගෙන ඇත. මෙම සායනික සැකසුම තුළ මානව වර්ධන හෝමෝන චිකිත්සාව යෙදීම පැහැදිලි සහ අවිවාදිත බව අපි විශ්වාස කරමු.

පහත සඳහන් අවස්ථා වලදී මිනිස් වර්ධන හෝමෝන චිකිත්සාව යෙදීම මතභේදයට තුඩු දිය හැකිය: අවුරුදු 14 ක පිරිමි ළමයෙකුගේ උස සැමවිටම ඔහුගේ සම වයසේ මිතුරන්ගෙන් 10 වන ප්‍රතිශතයේ පවතින අතර, උත්තේජනයෙන් පසු මිනිස් වර්ධන හෝමෝනයේ උච්චතම අවස්ථාව 8 ng/mL වේ. උසට බලපාන දන්නා ක්‍රියාකාරී විකෘති හෝ කෙටි උස සඳහා වෙනත් දන්නා හේතු නොමැත, සහ ඔහුගේ අස්ථි වයස අවුරුදු 15 කි (එනම් සංවර්ධන ප්‍රමාදයක් නොමැත). හුදකලා වර්ධන හෝමෝන ඌනතාවය හඳුනා ගැනීම සඳහා භාවිතා කරන මානව වර්ධන හෝමෝන මට්ටම් සම්බන්ධයෙන් දුසිම් ගනනක් අධ්‍යයන මත පදනම්ව විශේෂඥයින් විසින් තීරණය කරන ලද එළිපත්ත අගයන්හි වෙනස්කම් නිසා මතභේදයේ කොටසක් පමණි. අවම වශයෙන් බොහෝ මතභේදයන් පැන නගින්නේ රෝගීන්, රෝගී දෙමාපියන්, සෞඛ්‍ය සේවා වෘත්තිකයන්, ඖෂධ සමාගම් සහ ගෙවන්නන්ගේ දෘෂ්ටිකෝණයන්ගෙන් මානව වර්ධන හෝමෝන චිකිත්සාව භාවිතා කිරීමේ අවදානම් ප්‍රතිලාභ ශේෂයෙන් ය. ළමා අන්තරාසර්ග විද්‍යාඥයින් වසර 2 ක් සඳහා දිනපතා වර්ධන හෝමෝන එන්නත් කිරීමේ දුර්ලභ අහිතකර බලපෑම් වර්තමානයට සාපේක්ෂව වැඩිහිටි ශරීර ප්‍රමාණයේ වර්ධනයක් නොමැති හෝ අවම වශයෙන් පමණක් වීමේ සම්භාවිතාව සමඟ කිරා මැන බැලිය හැකිය. පිරිමි ළමයින් විශ්වාස කරන්නේ ඔවුන්ගේ උස සෙන්ටිමීටර 2 කින් පමණක් වැඩි වුවද, වර්ධන හෝමෝනය එන්නත් කිරීම වටී යැයි, නමුත් ගෙවන්නා සහ ඖෂධ සමාගම විවිධ අදහස් දරනු ඇත.

අපි උදාහරණයක් ලෙස ක්‍රියේටිනින් මත පදනම් වූ eGFR ගනිමු, එය නිදන්ගත වකුගඩු රෝග හඳුනා ගැනීම සහ අදියරගත කිරීම, වකුගඩු බද්ධ කිරීමේ හෝ පරිත්‍යාග කිරීමේ තත්වයන් සැකසීම සහ බොහෝ බෙහෙත් වට්ටෝරු ඖෂධ සඳහා අඩු කිරීමේ නිර්ණායක සහ ප්‍රතිවිරෝධතා තීරණය කිරීම සඳහා බහුලව භාවිතා වන වකුගඩු ක්‍රියාකාරීත්ව දර්ශකයකි. EGFR යනු මනින ලද ග්ලෝමියුලර් පෙරීමේ අනුපාතය (mGFR) ඇස්තමේන්තු කිරීමට භාවිතා කරන සරල ප්‍රතිගාමී සමීකරණයකි, එය යොමු ප්‍රමිතියකි, නමුත් ඇගයීමේ ක්‍රමය සාපේක්ෂව අපහසුයි. මෙම ප්‍රතිගාමී සමීකරණය AI ආකෘතියක් ලෙස සැලකිය නොහැකිය, නමුත් එය මානව වටිනාකම් සහ සම්භාවිතා තර්කනය පිළිබඳ බොහෝ මූලධර්ම නිරූපණය කරයි.

eGFR ඇතුළත් කිරීමට මානව වටිනාකම් සඳහා පළමු ප්‍රවේශ ලක්ෂ්‍යය වන්නේ සමීකරණ සවි කිරීම සඳහා දත්ත තෝරා ගැනීමේදී ය. eGFR සූත්‍රය සැලසුම් කිරීම සඳහා භාවිතා කරන ලද මුල් පෝලිම බොහෝ දුරට කළු සහ සුදු සහභාගිවන්නන්ගෙන් සමන්විත වන අතර, තවත් බොහෝ ජනවාර්ගික කණ්ඩායම් සඳහා එහි අදාළත්වය පැහැදිලි නැත. මෙම සූත්‍රයට මානව වටිනාකම් සඳහා පසුකාලීන ඇතුළත් කිරීමේ ලක්ෂ්‍යවලට ඇතුළත් වන්නේ: වකුගඩු ක්‍රියාකාරිත්වය ඇගයීම සඳහා මූලික අරමුණ ලෙස mGFR නිරවද්‍යතාවය තෝරා ගැනීම, පිළිගත හැකි නිරවද්‍යතා මට්ටම කුමක්ද, නිරවද්‍යතාවය මැනිය යුතු ආකාරය සහ සායනික තීරණ ගැනීම අවුලුවාලීම සඳහා එළිපත්තක් ලෙස eGFR භාවිතා කිරීම (වකුගඩු බද්ධ කිරීම සඳහා කොන්දේසි තීරණය කිරීම හෝ ඖෂධ නියම කිරීම වැනි). අවසාන වශයෙන්, ආදාන ආකෘතියේ අන්තර්ගතය තෝරාගැනීමේදී, මානව වටිනාකම් ද මෙම සූත්‍රයට ඇතුළු වනු ඇත.

උදාහරණයක් ලෙස, 2021 ට පෙර, මාර්ගෝපදේශ මඟින් රෝගියාගේ වයස, ස්ත්‍රී පුරුෂ භාවය සහ ජාතිය (කළු හෝ කළු නොවන පුද්ගලයින් ලෙස පමණක් වර්ගීකරණය කර ඇත) මත පදනම්ව eGFR සූත්‍රයේ ක්‍රියේටිනින් මට්ටම් සකස් කිරීමට යෝජනා කරයි. ජාතිය මත පදනම් වූ ගැලපීම mGFR සූත්‍රයේ නිරවද්‍යතාවය වැඩි දියුණු කිරීම අරමුණු කර ගෙන ඇත, නමුත් 2020 දී, ප්‍රධාන රෝහල් බද්ධ කිරීම සඳහා රෝගියාගේ සුදුසුකම් ප්‍රමාද කිරීම සහ ජීව විද්‍යාත්මක සංකල්පයක් ලෙස ජාතිය කොන්ක්‍රීට් කිරීම වැනි හේතු දක්වමින් ජාතිය මත පදනම් වූ eGFR භාවිතය පිළිබඳව ප්‍රශ්න කිරීමට පටන් ගත්තේය. පර්යේෂණවලින් පෙන්වා දී ඇත්තේ ජාතිය අනුව eGFR ආකෘති නිර්මාණය කිරීම නිරවද්‍යතාවය සහ සායනික ප්‍රතිඵල කෙරෙහි ගැඹුරු සහ වෙනස් බලපෑම් ඇති කළ හැකි බවයි; එබැවින්, නිරවද්‍යතාවය කෙරෙහි තෝරා බේරා අවධානය යොමු කිරීම හෝ ප්‍රතිඵලවල කොටසක් කෙරෙහි අවධානය යොමු කිරීම වටිනාකම් විනිශ්චයන් පිළිබිඹු කරන අතර විනිවිද පෙනෙන තීරණ ගැනීම වසං කළ හැකිය. අවසාන වශයෙන්, ජාතික ක්‍රියාකාරී කණ්ඩායම කාර්ය සාධනය සහ සාධාරණත්වය පිළිබඳ ගැටළු සමතුලිත කිරීම සඳහා ජාතිය සලකා බැලීමෙන් තොරව නැවත සවි කරන ලද නව සූත්‍රයක් යෝජනා කළේය. මෙම උදාහරණයෙන් පැහැදිලි වන්නේ සරල සායනික සූත්‍රයකට පවා මානව වටිනාකම්වලට ඇතුළු වීමේ බොහෝ කරුණු ඇති බවයි.

පුරෝකථන දර්ශක කුඩා සංඛ්‍යාවක් පමණක් ඇති සායනික සූත්‍ර හා සසඳන විට, LLM බිලියන ගණනක සිට සිය ගණනක් බිලියන ගණනක් පරාමිතීන් (ආකෘති බර) හෝ ඊට වැඩි ගණනකින් සමන්විත විය හැකි අතර, එය තේරුම් ගැනීමට අපහසු වේ. අපි "තේරුම් ගැනීමට අපහසු" යැයි පැවසීමට හේතුව බොහෝ LLM වල, ප්‍රශ්න කිරීම හරහා ප්‍රතිචාර ලබා ගැනීමේ නිශ්චිත ක්‍රමය සිතියම්ගත කළ නොහැකි වීමයි. GPT-4 සඳහා පරාමිතීන් ගණන තවමත් ප්‍රකාශයට පත් කර නොමැත; එහි පූර්වගාමියා වන GPT-3 හි පරාමිතීන් බිලියන 175 ක් තිබුණි. වැඩි පරාමිතීන් අනිවාර්යයෙන්ම ශක්තිමත් හැකියාවන් අදහස් නොකරයි, මන්ද වැඩි පරිගණක චක්‍ර (LLaMA [විශාල භාෂා ආකෘති මෙටා AI] ආකෘති මාලාව වැනි) ඇතුළත් කුඩා ආකෘති හෝ මානව ප්‍රතිපෝෂණ මත පදනම්ව සියුම් ලෙස සුසර කරන ලද ආකෘති විශාල ආකෘතිවලට වඩා හොඳින් ක්‍රියා කරයි. උදාහරණයක් ලෙස, මානව තක්සේරුකරුවන්ට අනුව, InstrumentGPT ආකෘතිය (පරාමිතීන් බිලියන 1.3 ක් සහිත ආකෘතියක්) ආකෘති ප්‍රතිදාන ප්‍රතිඵල ප්‍රශස්ත කිරීමේදී GPT-3 අභිබවා යයි.

GPT-4 හි නිශ්චිත පුහුණු විස්තර තවමත් අනාවරණය කර නැත, නමුත් GPT-3, InstrumentGPT සහ තවත් බොහෝ විවෘත මූලාශ්‍ර LLM ඇතුළු පෙර පරම්පරාවේ ආකෘති පිළිබඳ විස්තර අනාවරණය කර ඇත. වර්තමානයේ, බොහෝ AI ආකෘති ආකෘති කාඩ්පත් සමඟ පැමිණේ; GPT-4 හි ඇගයීම සහ ආරක්ෂක දත්ත ආකෘති නිර්මාණ සමාගමක් වන OpenAI විසින් සපයන ලද සමාන පද්ධති කාඩ්පතක ප්‍රකාශයට පත් කර ඇත. LLM නිර්මාණය දළ වශයෙන් අදියර දෙකකට බෙදිය හැකිය: ආරම්භක පූර්ව පුහුණු අවධිය සහ ආකෘති ප්‍රතිදාන ප්‍රතිඵල ප්‍රශස්ත කිරීම අරමුණු කරගත් සියුම්-සුසර කිරීමේ අවධිය. පූර්ව පුහුණු අවධියේදී, ඊළඟ වචනය පුරෝකථනය කිරීමට පුහුණු කිරීම සඳහා ආකෘතියට මුල් අන්තර්ජාල පෙළ ඇතුළුව විශාල කෝපස් එකක් ලබා දී ඇත. මෙම සරල "ස්වයංක්‍රීය සම්පූර්ණ කිරීමේ" ක්‍රියාවලිය බලවත් පදනම් ආකෘතියක් නිපදවයි, නමුත් එය හානිකර හැසිරීම් වලට ද හේතු විය හැක. GPT-4 සඳහා පූර්ව පුහුණු දත්ත තෝරා ගැනීම සහ පූර්ව පුහුණු දත්ත වලින් අසභ්‍ය අන්තර්ගතයන් වැනි නුසුදුසු අන්තර්ගතයන් ඉවත් කිරීමට තීරණය කිරීම ඇතුළුව මානව වටිනාකම් පූර්ව පුහුණු අවධියට පිවිසෙනු ඇත. මෙම උත්සාහයන් නොතකා, මූලික ආකෘතිය තවමත් ප්‍රයෝජනවත් හෝ හානිකර ප්‍රතිදාන ප්‍රතිඵල අඩංගු කිරීමට හැකියාවක් නොතිබිය හැකිය. සියුම් ලෙස සකස් කිරීමේ ඊළඟ අදියරේදී, බොහෝ ප්‍රයෝජනවත් සහ හානිකර නොවන හැසිරීම් මතු වනු ඇත.

සියුම්-සුසර කිරීමේ අදියරේදී, භාෂා ආකෘතිවල හැසිරීම බොහෝ විට මානව ප්‍රතිපෝෂණ මත පදනම්ව අධීක්ෂණය කරන ලද සියුම්-සුසර කිරීම සහ ශක්තිමත් කිරීමේ ඉගෙනීම හරහා ගැඹුරින් වෙනස් වේ. අධීක්ෂණය කරන ලද සියුම්-සුසර කිරීමේ අදියරේදී, කුලියට ගත් කොන්ත්‍රාත්කරුවන් කඩිනම් වචන සඳහා ප්‍රතිචාර උදාහරණ ලියන අතර ආකෘතිය කෙලින්ම පුහුණු කරනු ඇත. මානව ප්‍රතිපෝෂණ මත පදනම් වූ ශක්තිමත් කිරීමේ ඉගෙනුම් අදියරේදී, මානව ඇගයුම්කරුවන් ආදර්ශ ප්‍රතිදාන ප්‍රතිඵල ආදාන අන්තර්ගත උදාහරණ ලෙස වර්ග කරනු ඇත. ඉන්පසු "විපාක ආකෘතිය" ඉගෙන ගැනීමට සහ ශක්තිමත් කිරීමේ ඉගෙනීම හරහා ආකෘතිය තවදුරටත් වැඩිදියුණු කිරීමට ඉහත සංසන්දනාත්මක ප්‍රතිඵල යොදන්න. විශ්මයජනක පහළ මට්ටමේ මානව මැදිහත්වීම මෙම විශාල ආකෘති සියුම් ලෙස සකස් කළ හැකිය. උදාහරණයක් ලෙස, InstrumentGPT ආකෘතිය ක්‍රවුඩ්සෝර්සිං වෙබ් අඩවි වලින් බඳවා ගත් කොන්ත්‍රාත්කරුවන් 40 දෙනෙකුගෙන් යුත් කණ්ඩායමක් භාවිතා කළ අතර විවිධ ජනගහන කණ්ඩායම්වල මනාපයන්ට සංවේදී වන විවරණකරුවන් කණ්ඩායමක් තෝරා ගැනීම අරමුණු කරගත් පරීක්ෂණ පරීක්ෂණයකින් සමත් විය.

මෙම ආන්තික උදාහරණ දෙක වන සරල සායනික සූත්‍රය [eGFR] සහ බලවත් LLM [GPT-4] මගින් පෙන්නුම් කරන පරිදි, මානව තීරණ ගැනීම සහ මානව වටිනාකම් ආකෘති ප්‍රතිදාන ප්‍රතිඵල හැඩගැස්වීමේදී අත්‍යවශ්‍ය කාර්යභාරයක් ඉටු කරයි. මෙම AI ආකෘතිවලට ඒවායේ විවිධාකාර රෝගී සහ වෛද්‍ය වටිනාකම් ග්‍රහණය කර ගත හැකිද? වෛද්‍ය විද්‍යාවේ AI යෙදීම ප්‍රසිද්ධියේ මෙහෙයවන්නේ කෙසේද? පහත සඳහන් පරිදි, වෛද්‍ය තීරණ විශ්ලේෂණය නැවත පරීක්ෂා කිරීමෙන් මෙම ගැටළු සඳහා ප්‍රතිපත්තිමය විසඳුමක් ලබා දිය හැකිය.

වෛද්‍ය තීරණ විශ්ලේෂණය බොහෝ වෛද්‍යවරුන්ට හුරුපුරුදු නැත, නමුත් එය සම්භාවිතා තර්කනය (රූපය 1 හි පෙන්වා ඇති මතභේදාත්මක සායනික අවස්ථාවෙහිදී මානව වර්ධන හෝමෝනය පරිපාලනය කළ යුතුද යන්න වැනි තීරණ ගැනීම හා සම්බන්ධ අවිනිශ්චිත ප්‍රතිඵල සඳහා) සහ සලකා බැලීමේ සාධක (පිරිමි උසෙහි සෙන්ටිමීටර 2 ක වැඩිවීමක අගය වැනි “උපයෝගීතාව” ලෙස ප්‍රමාණනය කර ඇති මෙම ප්‍රතිඵලවලට සම්බන්ධ ආත්මීය අගයන් සඳහා) අතර වෙනස හඳුනාගත හැකිය, සංකීර්ණ වෛද්‍ය තීරණ සඳහා ක්‍රමානුකූල විසඳුම් සපයයි. තීරණ විශ්ලේෂණයේදී, වෛද්‍යවරුන් පළමුව එක් එක් ප්‍රතිඵලය හා සම්බන්ධ සියලු හැකි තීරණ සහ සම්භාවිතාවන් තීරණය කළ යුතු අතර, පසුව වඩාත් සුදුසු විකල්පය තෝරා ගැනීම සඳහා එක් එක් ප්‍රතිඵලය හා සම්බන්ධ රෝගියා (හෝ වෙනත් පාර්ශවයක) උපයෝගීතාව ඇතුළත් කළ යුතුය. එබැවින්, තීරණ විශ්ලේෂණයේ වලංගුභාවය රඳා පවතින්නේ ප්‍රතිඵල සැකසුම පුළුල්ද යන්න මෙන්ම උපයෝගීතාව මැනීම සහ සම්භාවිතාව තක්සේරු කිරීම නිවැරදිද යන්න මතය. ඉතා මැනවින්, මෙම ප්‍රවේශය තීරණ සාක්ෂි මත පදනම් වූ බවත් රෝගියාගේ මනාපයන් සමඟ පෙළගැසී ඇති බවත් සහතික කිරීමට උපකාරී වන අතර එමඟින් වෛෂයික දත්ත සහ පුද්ගලික අගයන් අතර පරතරය අඩු කරයි. මෙම ක්‍රමය දශක කිහිපයකට පෙර වෛද්‍ය ක්ෂේත්‍රයට හඳුන්වා දෙන ලද අතර සාමාන්‍ය ජනගහනයට මහා බඩවැලේ පිළිකා පරීක්ෂාව සඳහා නිර්දේශ ලබා දීම වැනි තනි රෝගී තීරණ ගැනීම සහ ජනගහන සෞඛ්‍ය තක්සේරුව සඳහා යොදා ගන්නා ලදී.

වෛද්‍ය තීරණ විශ්ලේෂණයේදී, උපයෝගීතාව ලබා ගැනීම සඳහා විවිධ ක්‍රම සංවර්ධනය කර ඇත. බොහෝ සාම්ප්‍රදායික ක්‍රම සෘජුවම තනි රෝගීන්ගෙන් අගය ලබා ගනී. සරලම ක්‍රමය වන්නේ ශ්‍රේණිගත කිරීමේ පරිමාණයක් භාවිතා කිරීමයි, එහිදී රෝගීන් ඩිජිටල් පරිමාණයකින් (1 සිට 10 දක්වා රේඛීය පරිමාණයක් වැනි) යම් ප්‍රතිඵලයක් සඳහා ඔවුන්ගේ මනාප මට්ටම තක්සේරු කරයි, වඩාත්ම ආන්තික සෞඛ්‍ය ප්‍රතිඵල (සම්පූර්ණ සෞඛ්‍යය සහ මරණය වැනි) අන්ත දෙකෙහිම පිහිටා ඇත. කාල හුවමාරු ක්‍රමය තවත් බහුලව භාවිතා වන ක්‍රමයකි. මෙම ක්‍රමයේදී, රෝගීන් දුර්වල සෞඛ්‍ය කාලයක් සඳහා කොපමණ සෞඛ්‍ය සම්පන්න කාලයක් ගත කිරීමට කැමතිද යන්න පිළිබඳව තීරණයක් ගත යුතුය. සම්මත සූදු ක්‍රමය උපයෝගීතාව තීරණය කිරීම සඳහා බහුලව භාවිතා වන තවත් ක්‍රමයකි. මෙම ක්‍රමයේදී, ඔවුන් කැමති විකල්ප දෙකෙන් කුමන එකක්දැයි රෝගීන්ගෙන් විමසනු ලැබේ: එක්කෝ නිශ්චිත සම්භාවිතාවක් (p) (t) සහිත සාමාන්‍ය සෞඛ්‍යයේ නිශ්චිත වසර ගණනක් ජීවත් වීම සහ 1-p සම්භාවිතාවක් සහිත මරණ අවදානම දරා ගැනීම; එක්කෝ හරස් සෞඛ්‍ය තත්වයන් යටතේ වසර t ක් ජීවත් වීමට වග බලා ගන්න. රෝගියාගේ ප්‍රතිචාර මත පදනම්ව උපයෝගීතාව ගණනය කළ හැකි වන පරිදි, කිසිදු විකල්පයක් සඳහා මනාපයක් නොපෙන්වන තෙක් විවිධ p-අගයන්හි රෝගීන්ගෙන් කිහිප වතාවක් විමසන්න.
තනි රෝගී මනාපයන් ලබා ගැනීමට භාවිතා කරන ක්‍රමවලට අමතරව, රෝගී ජනගහනය සඳහා උපයෝගීතාව ලබා ගැනීම සඳහා ක්‍රම ද සංවර්ධනය කර ඇත. විශේෂයෙන් අවධානය යොමු කණ්ඩායම් සාකච්ඡා (නිශ්චිත අත්දැකීම් සාකච්ඡා කිරීම සඳහා රෝගීන් එකට ගෙන ඒම) ඔවුන්ගේ ඉදිරිදර්ශන තේරුම් ගැනීමට උපකාරී වේ. කණ්ඩායම් උපයෝගීතාව ඵලදායී ලෙස එකතු කිරීම සඳහා, විවිධ ව්‍යුහගත කණ්ඩායම් සාකච්ඡා ශිල්පීය ක්‍රම යෝජනා කර ඇත.
ප්‍රායෝගිකව, සායනික රෝග විනිශ්චය සහ ප්‍රතිකාර ක්‍රියාවලියේදී උපයෝගීතාව සෘජුවම හඳුන්වාදීම ඉතා කාලය ගතවන දෙයකි. විසඳුමක් ලෙස, සමීක්ෂණ ප්‍රශ්නාවලිය සාමාන්‍යයෙන් ජනගහන මට්ටමින් උපයෝගීතා ලකුණු ලබා ගැනීම සඳහා අහඹු ලෙස තෝරාගත් ජනගහනයන්ට බෙදා හරිනු ලැබේ. සමහර උදාහරණ අතරට EuroQol 5-මාන ප්‍රශ්නාවලිය, 6-මාන උපයෝගිතා බර කෙටි ආකෘතිය, සෞඛ්‍ය උපයෝගිතා දර්ශකය සහ පිළිකා විශේෂිත යුරෝපීය පිළිකා පර්යේෂණ සහ ප්‍රතිකාර සංවිධානයේ ජීවන තත්ත්ව ප්‍රශ්නාවලිය Core 30 මෙවලම ඇතුළත් වේ.