ព័ត៌មាន

គំរូភាសាធំ (LLM) អាចសរសេរអត្ថបទបញ្ចុះបញ្ចូលដោយផ្អែកលើពាក្យភ្លាមៗ ឆ្លងកាត់ការប្រឡងជំនាញវិជ្ជាជីវៈ និងសរសេរព័ត៌មានប្រកបដោយភាពរួសរាយរាក់ទាក់ និងការយល់ចិត្តរបស់អ្នកជំងឺ។ ទោះបីជាយ៉ាងណាក៏ដោយ បន្ថែមពីលើហានិភ័យដ៏ល្បីនៃការប្រឌិត ភាពផុយស្រួយ និងការពិតមិនត្រឹមត្រូវនៅក្នុង LLM បញ្ហាដែលមិនត្រូវបានដោះស្រាយផ្សេងទៀតកំពុងក្លាយជាការផ្តោតជាបណ្តើរៗ ដូចជាគំរូ AI ដែលមាន "តម្លៃមនុស្ស" ដែលអាចរើសអើងនៅក្នុងការបង្កើត និងការប្រើប្រាស់របស់ពួកគេ ហើយបើទោះបីជា LLM លែងបង្កើតខ្លឹមសារ និងលុបបំបាត់លទ្ធផលដែលបង្កគ្រោះថ្នាក់យ៉ាងច្បាស់ក៏ដោយ "តម្លៃ LLM" នៅតែអាចបំផ្លាញបាន។

ឧទាហរណ៍រាប់មិនអស់បង្ហាញពីរបៀបដែលទិន្នន័យដែលបានប្រើដើម្បីបណ្តុះបណ្តាលគំរូ AI អ៊ិនកូដតម្លៃបុគ្គល និងសង្គម ដែលអាចពង្រឹងនៅក្នុងគំរូ។ ឧទាហរណ៍ទាំងនេះពាក់ព័ន្ធនឹងកម្មវិធីជាច្រើន រួមទាំងការបកស្រាយដោយស្វ័យប្រវត្តិនៃកាំរស្មីអ៊ិចនៃទ្រូង ការចាត់ថ្នាក់នៃជំងឺស្បែក និងការសម្រេចចិត្តជាក្បួនទាក់ទងនឹងការបែងចែកធនធានវេជ្ជសាស្ត្រ។ ដូចដែលបានបញ្ជាក់នៅក្នុងអត្ថបទថ្មីៗនេះនៅក្នុងទិនានុប្បវត្តិរបស់យើង ទិន្នន័យបណ្តុះបណ្តាលដោយលំអៀងអាចពង្រីក និងបង្ហាញពីតម្លៃនិងភាពលំអៀងដែលមាននៅក្នុងសង្គម។ ផ្ទុយទៅវិញ ការស្រាវជ្រាវក៏បានបង្ហាញផងដែរថា AI អាចត្រូវបានប្រើដើម្បីកាត់បន្ថយភាពលំអៀង។ ជាឧទាហរណ៍ អ្នកស្រាវជ្រាវបានអនុវត្តគំរូសិក្សាស៊ីជម្រៅទៅលើខ្សែភាពយន្ដកាំរស្មីអ៊ិចនៃជង្គង់ ហើយបានរកឃើញកត្តាដែលត្រូវបានខកខានដោយសូចនាករនៃភាពធ្ងន់ធ្ងរស្តង់ដារ (ចាត់ថ្នាក់ដោយអ្នកជំនាញខាងវិទ្យុសកម្ម) នៅក្នុងសន្លាក់ជង្គង់ ដោយហេតុនេះកាត់បន្ថយភាពខុសគ្នានៃការឈឺចាប់ដែលមិនអាចពន្យល់បានរវាងអ្នកជំងឺស និងខ្មៅ។

ទោះបីជាមនុស្សកាន់តែច្រើនកំពុងដឹងពីភាពលំអៀងនៅក្នុងគំរូ AI ជាពិសេសទាក់ទងនឹងទិន្នន័យបណ្តុះបណ្តាលក៏ដោយ ចំណុចចូលជាច្រើនផ្សេងទៀតនៃតម្លៃរបស់មនុស្សមិនត្រូវបានផ្តល់ការយកចិត្តទុកដាក់គ្រប់គ្រាន់ក្នុងការអភិវឌ្ឍន៍ និងដំណើរការដាក់ឱ្យប្រើប្រាស់នៃគំរូ AI នោះទេ។ ថ្មីៗនេះ AI វេជ្ជសាស្រ្តបានទទួលលទ្ធផលគួរឱ្យចាប់អារម្មណ៍ ប៉ុន្តែក្នុងកម្រិតធំ វាមិនបានពិចារណាយ៉ាងច្បាស់អំពីតម្លៃរបស់មនុស្ស និងអន្តរកម្មរបស់ពួកគេជាមួយនឹងការវាយតម្លៃហានិភ័យ និងហេតុផលដែលទំនងនោះទេ ហើយក៏មិនត្រូវបានយកគំរូតាមដែរ។

ដើម្បីបង្កើតគំនិតអរូបីទាំងនេះ សូមស្រមៃថាអ្នកគឺជាអ្នកជំនាញខាងផ្នែក endocrinologist ដែលតម្រូវឱ្យចេញវេជ្ជបញ្ជាអ័រម៉ូនលូតលាស់របស់មនុស្សឡើងវិញសម្រាប់ក្មេងប្រុសអាយុ 8 ឆ្នាំដែលទាបជាងភាគរយទី 3 នៃអាយុរបស់គាត់។ កម្រិតអ័រម៉ូនលូតលាស់របស់មនុស្សដែលជំរុញទឹកចិត្តក្មេងប្រុសគឺទាបជាង 2 ng/mL (តម្លៃយោង > 10 ng/mL តម្លៃយោងសម្រាប់ប្រទេសជាច្រើននៅក្រៅសហរដ្ឋអាមេរិកគឺ> 7 ng/mL) ហើយហ្សែនដែលសរសេរកូដអរម៉ូនលូតលាស់របស់មនុស្សបានរកឃើញការផ្លាស់ប្តូរអសកម្មដ៏កម្រ។ យើងជឿថាការអនុវត្តការព្យាបាលដោយអរម៉ូនលូតលាស់របស់មនុស្សគឺជាក់ស្តែង និងមិនអាចប្រកែកបាននៅក្នុងការកំណត់គ្លីនិកនេះ។

ការអនុវត្តការព្យាបាលដោយអរម៉ូនលូតលាស់របស់មនុស្សនៅក្នុងសេណារីយ៉ូខាងក្រោមអាចបង្កឱ្យមានភាពចម្រូងចម្រាស៖ កម្ពស់របស់ក្មេងប្រុសអាយុ 14 ឆ្នាំតែងតែស្ថិតនៅក្នុងភាគរយទី 10 នៃមិត្តភក្ដិរបស់គាត់ ហើយកម្រិតកំពូលនៃអរម៉ូនលូតលាស់របស់មនុស្សបន្ទាប់ពីការរំញោចគឺ 8 ng/mL ។ មិនមានការផ្លាស់ប្តូរមុខងារដែលគេស្គាល់ដែលអាចប៉ះពាល់ដល់កម្ពស់ ឬមូលហេតុដែលគេស្គាល់ផ្សេងទៀតនៃកម្ពស់ខ្លី ហើយអាយុឆ្អឹងរបស់គាត់មានអាយុ 15 ឆ្នាំ (ពោលគឺមិនមានការពន្យារពេលក្នុងការអភិវឌ្ឍន៍)។ មានតែផ្នែកមួយនៃការចម្រូងចម្រាសគឺដោយសារតែភាពខុសគ្នានៃតម្លៃកម្រិតកំណត់ដែលកំណត់ដោយអ្នកជំនាញដោយផ្អែកលើការសិក្សារាប់សិបទាក់ទងនឹងកម្រិតអរម៉ូនលូតលាស់របស់មនុស្សដែលត្រូវបានប្រើសម្រាប់ការធ្វើរោគវិនិច្ឆ័យកង្វះអរម៉ូនលូតលាស់ដាច់ដោយឡែក។ យ៉ាងហោចណាស់ភាពចម្រូងចម្រាសជាច្រើនកើតចេញពីតុល្យភាពអត្ថប្រយោជន៍ហានិភ័យនៃការប្រើប្រាស់ការព្យាបាលដោយអរម៉ូនលូតលាស់របស់មនុស្សតាមទស្សនៈរបស់អ្នកជំងឺ ឪពុកម្តាយអ្នកជំងឺ អ្នកជំនាញថែទាំសុខភាព ក្រុមហ៊ុនឱសថ និងអ្នកបង់ប្រាក់។ គ្រូពេទ្យឯកទេសខាងរោគស្ត្រីអាចថ្លឹងថ្លែងពីផលប៉ះពាល់ដ៏កម្រនៃការចាក់អ័រម៉ូនលូតលាស់ប្រចាំថ្ងៃក្នុងរយៈពេល 2 ឆ្នាំ ជាមួយនឹងប្រូបាប៊ីលីតេនៃការរីកលូតលាស់តិចតួចបំផុតនៃទំហំរាងកាយមនុស្សពេញវ័យបើប្រៀបធៀបទៅនឹងបច្ចុប្បន្ន។ ក្មេងប្រុសអាចជឿថា ទោះបីជាកម្ពស់របស់ពួកគេអាចកើនឡើងត្រឹមតែ 2 សង់ទីម៉ែត្រក៏ដោយ ក៏វាមានតម្លៃក្នុងការចាក់អ័រម៉ូនលូតលាស់ដែរ ប៉ុន្តែអ្នកបង់ប្រាក់ និងក្រុមហ៊ុនឱសថអាចមានទស្សនៈខុសគ្នា។

យើងយក creatinine ដែលមានមូលដ្ឋានលើ eGFR ជាឧទាហរណ៍ ដែលជាសូចនាករមុខងារតំរងនោមដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការធ្វើរោគវិនិច្ឆ័យ និងដំណាក់កាលនៃជំងឺតំរងនោមរ៉ាំរ៉ៃ ការកំណត់លក្ខខណ្ឌនៃការប្តូរតំរងនោម ឬការបរិច្ចាគ និងកំណត់លក្ខណៈវិនិច្ឆ័យនៃការកាត់បន្ថយ និងការទប់ស្កាត់សម្រាប់ថ្នាំតាមវេជ្ជបញ្ជាជាច្រើន។ EGFR គឺជាសមីការតំរែតំរង់សាមញ្ញដែលត្រូវបានប្រើដើម្បីប៉ាន់ប្រមាណអត្រាតម្រង glomerular ដែលបានវាស់វែង (mGFR) ដែលជាស្តង់ដារយោង ប៉ុន្តែវិធីសាស្ត្រវាយតម្លៃគឺមានភាពស្ទាក់ស្ទើរ។ សមីការ​តំរែតំរង់​នេះ​មិន​អាច​ចាត់​ទុក​ថា​ជា​គំរូ​ AI ទេ​ ប៉ុន្តែ​វា​បង្ហាញ​ពី​គោលការណ៍​ជា​ច្រើន​អំពី​តម្លៃ​មនុស្ស​ និង​ហេតុផល​ដែល​ទំនង​ជា​។

ចំណុចចូលដំបូងសម្រាប់តម្លៃមនុស្សដើម្បីបញ្ចូល eGFR គឺនៅពេលជ្រើសរើសទិន្នន័យសម្រាប់សមីការសម។ ជួរដើមដែលប្រើដើម្បីរចនារូបមន្ត eGFR ភាគច្រើនមានសមាសភាពនៃអ្នកចូលរួមស និងខ្មៅ ហើយការអនុវត្តរបស់វាចំពោះក្រុមជនជាតិភាគតិចជាច្រើនទៀតគឺមិនច្បាស់ទេ។ ចំណុចចូលជាបន្តបន្ទាប់សម្រាប់តម្លៃមនុស្សនៅក្នុងរូបមន្តនេះរួមមាន: ការជ្រើសរើសភាពត្រឹមត្រូវ mGFR ជាគោលបំណងចម្បងសម្រាប់ការវាយតម្លៃមុខងារតម្រងនោម អ្វីដែលជាកម្រិតភាពត្រឹមត្រូវដែលអាចទទួលយកបាន របៀបវាស់វែងភាពត្រឹមត្រូវ និងការប្រើប្រាស់ eGFR ជាកម្រិតសម្រាប់បង្កឱ្យមានការសម្រេចចិត្តខាងគ្លីនិក (ដូចជាការកំណត់លក្ខខណ្ឌសម្រាប់ការប្តូរតម្រងនោម ឬថ្នាំតាមវេជ្ជបញ្ជា)។ ជាចុងក្រោយ នៅពេលជ្រើសរើសខ្លឹមសារនៃគំរូបញ្ចូល តម្លៃរបស់មនុស្សក៏នឹងបញ្ចូលរូបមន្តនេះផងដែរ។

ជាឧទាហរណ៍ មុនឆ្នាំ 2021 គោលការណ៍ណែនាំណែនាំឲ្យកែតម្រូវកម្រិត creatinine ក្នុងរូបមន្ត eGFR ដោយផ្អែកលើអាយុ ភេទ និងពូជសាសន៍របស់អ្នកជំងឺ (ត្រូវបានចាត់ថ្នាក់ជាបុគ្គលខ្មៅ ឬមិនមែនខ្មៅប៉ុណ្ណោះ)។ ការកែតម្រូវដោយផ្អែកលើការប្រណាំងមានគោលបំណងធ្វើឱ្យប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃរូបមន្ត mGFR ប៉ុន្តែនៅឆ្នាំ 2020 មន្ទីរពេទ្យធំ ៗ បានចាប់ផ្តើមចោទសួរអំពីការប្រើប្រាស់ eGFR ដោយផ្អែកលើការប្រណាំង ដោយលើកឡើងពីហេតុផលដូចជាការពន្យារសិទ្ធិទទួលបានរបស់អ្នកជំងឺសម្រាប់ការប្តូរភេទ និងការប្រណាំង concretizing ជាគំនិតជីវសាស្ត្រ។ ការស្រាវជ្រាវបានបង្ហាញថាការរចនាគំរូ eGFR ទាក់ទងនឹងការប្រណាំងអាចមានផលប៉ះពាល់យ៉ាងជ្រាលជ្រៅ និងខុសប្លែកគ្នាទៅលើភាពត្រឹមត្រូវ និងលទ្ធផលព្យាបាល។ ដូច្នេះ ការជ្រើសរើសដោយផ្តោតលើភាពត្រឹមត្រូវ ឬផ្តោតលើផ្នែកនៃលទ្ធផលឆ្លុះបញ្ចាំងពីការវិនិច្ឆ័យតម្លៃ ហើយអាចបិទបាំងការសម្រេចចិត្តប្រកបដោយតម្លាភាព។ ជាចុងក្រោយ ក្រុមការងារថ្នាក់ជាតិបានស្នើររូបមន្តថ្មីមួយ ដែលត្រូវបានរៀបចំឡើងវិញ ដោយមិនគិតពីការរើសអើង ដើម្បីធ្វើឱ្យមានតុល្យភាពនៃការអនុវត្ត និងបញ្ហាយុត្តិធម៌។ ឧទាហរណ៍នេះបង្ហាញថា សូម្បីតែរូបមន្តព្យាបាលដ៏សាមញ្ញមួយក៏មានចំណុចចូលជាច្រើនទៅក្នុងតម្លៃរបស់មនុស្ស។

បើប្រៀបធៀបទៅនឹងរូបមន្តព្យាបាលដែលមានសូចនាករព្យាករណ៍តិចតួច LLM អាចមានប៉ារ៉ាម៉ែត្ររាប់លានដល់រាប់រយពាន់លាន (ទម្ងន់គំរូ) ឬច្រើនជាងនេះ ដែលធ្វើឱ្យវាពិបាកយល់។ ហេតុផលដែលយើងនិយាយថា "ពិបាកយល់" គឺថានៅក្នុង LLMs ភាគច្រើន វិធីពិតប្រាកដនៃការឆ្លើយតបតាមរយៈការសួរសំណួរមិនអាចធ្វើផែនទីបានទេ។ ចំនួនប៉ារ៉ាម៉ែត្រសម្រាប់ GPT-4 មិនទាន់ត្រូវបានប្រកាសនៅឡើយទេ។ GPT-3 ជំនាន់មុនរបស់វាមាន 175 ពាន់លានប៉ារ៉ាម៉ែត្រ។ ប៉ារ៉ាម៉ែត្រច្រើនទៀតមិនមានន័យថាសមត្ថភាពខ្លាំងជាងនោះទេ ព្រោះម៉ូដែលតូចៗដែលរួមបញ្ចូលវដ្តនៃការគណនាកាន់តែច្រើន (ដូចជាស៊េរីម៉ូដែល LLaMA [Large Language Model Meta AI]) ឬម៉ូដែលដែលត្រូវបានកែសម្រួលយ៉ាងម៉ត់ចត់ដោយផ្អែកលើមតិកែលម្អរបស់មនុស្សនឹងដំណើរការបានល្អជាងម៉ូដែលធំ។ ឧទាហរណ៍ យោងទៅតាមអ្នកវាយតម្លៃរបស់មនុស្ស គំរូ InstrumentGPT (គំរូដែលមានប៉ារ៉ាម៉ែត្រ 1.3 ពាន់លាន) ដំណើរការលើសពី GPT-3 ក្នុងការបង្កើនប្រសិទ្ធភាពលទ្ធផលលទ្ធផលគំរូ។

ព័ត៌មានលម្អិតនៃការបណ្តុះបណ្តាលជាក់លាក់នៃ GPT-4 មិនទាន់ត្រូវបានបង្ហាញនៅឡើយទេ ប៉ុន្តែព័ត៌មានលម្អិតនៃម៉ូដែលជំនាន់មុនរួមមាន GPT-3, InstrumentGPT និង LLMs ប្រភពបើកចំហជាច្រើនទៀតត្រូវបានបញ្ចេញ។ សព្វថ្ងៃនេះ ម៉ូដែល AI ជាច្រើនបានមកជាមួយកាតគំរូ។ ការវាយតម្លៃ និងទិន្នន័យសុវត្ថិភាពរបស់ GPT-4 ត្រូវបានបោះពុម្ពនៅក្នុងកាតប្រព័ន្ធស្រដៀងគ្នាដែលផ្តល់ដោយក្រុមហ៊ុនបង្កើតគំរូ OpenAI ។ ការបង្កើត LLM អាចចែកចេញជាពីរដំណាក់កាល៖ ដំណាក់កាលមុនការបណ្តុះបណ្តាលដំបូង និងដំណាក់កាលកែលម្អដែលមានបំណងបង្កើនប្រសិទ្ធភាពលទ្ធផលនៃគំរូ។ នៅក្នុងដំណាក់កាលមុនការបណ្តុះបណ្តាល គំរូត្រូវបានផ្តល់ជូនជាមួយនឹងសាកសពដ៏ធំមួយ រួមទាំងអត្ថបទអ៊ីនធឺណែតដើម ដើម្បីបណ្តុះបណ្តាលវាឱ្យទស្សន៍ទាយពាក្យបន្ទាប់។ ដំណើរការ "ការបញ្ចប់ដោយស្វ័យប្រវត្តិ" ហាក់ដូចជាសាមញ្ញនេះ បង្កើតគំរូគ្រឹះដ៏មានអានុភាព ប៉ុន្តែវាក៏អាចនាំទៅរកការបង្កគ្រោះថ្នាក់ផងដែរ។ តម្លៃរបស់មនុស្សនឹងចូលដល់ដំណាក់កាលមុនការបណ្តុះបណ្តាល រួមទាំងការជ្រើសរើសទិន្នន័យមុនការបណ្តុះបណ្តាលសម្រាប់ GPT-4 និងការសម្រេចចិត្តលុបខ្លឹមសារមិនសមរម្យដូចជាខ្លឹមសារអាសអាភាសចេញពីទិន្នន័យមុនការបណ្តុះបណ្តាល។ ទោះបីជាមានការខិតខំប្រឹងប្រែងទាំងនេះក៏ដោយ គំរូមូលដ្ឋានអាចនៅតែមិនមានប្រយោជន៍ ឬមានសមត្ថភាពផ្ទុកលទ្ធផលដែលបង្កគ្រោះថ្នាក់។ នៅដំណាក់កាលបន្ទាប់នៃការកែតម្រូវ អាកប្បកិរិយាមានប្រយោជន៍ និងគ្មានការបង្កគ្រោះថ្នាក់ជាច្រើននឹងលេចឡើង។

នៅក្នុងដំណាក់កាលកែលម្អ ឥរិយាបថនៃគំរូភាសាជារឿយៗត្រូវបានផ្លាស់ប្តូរយ៉ាងជ្រាលជ្រៅតាមរយៈការកែតម្រូវដោយការត្រួតពិនិត្យ និងការរៀនពង្រឹងដោយផ្អែកលើមតិកែលម្អរបស់មនុស្ស។ នៅក្នុងដំណាក់កាលត្រួតពិនិត្យការផាកពិន័យ បុគ្គលិកអ្នកម៉ៅការដែលបានជួលនឹងសរសេរឧទាហរណ៍ឆ្លើយតបសម្រាប់ពាក្យភ្លាមៗ និងបង្ហាត់គំរូដោយផ្ទាល់។ នៅក្នុងដំណាក់កាលសិក្សាពង្រឹងដោយផ្អែកលើមតិកែលម្អរបស់មនុស្ស អ្នកវាយតម្លៃរបស់មនុស្សនឹងតម្រៀបលទ្ធផលលទ្ធផលគំរូជាឧទាហរណ៍ខ្លឹមសារបញ្ចូល។ បន្ទាប់មកអនុវត្តលទ្ធផលនៃការប្រៀបធៀបខាងលើដើម្បីរៀន "គំរូរង្វាន់" និងកែលម្អគំរូបន្ថែមទៀតតាមរយៈការរៀនពង្រឹង។ ការចូលរួមរបស់មនុស្សកម្រិតទាបដ៏អស្ចារ្យអាចលៃតម្រូវគំរូដ៏ធំទាំងនេះបាន។ ជាឧទាហរណ៍ គំរូ InstrumentGPT បានប្រើក្រុមអ្នកម៉ៅការប្រមាណ 40 នាក់ដែលត្រូវបានជ្រើសរើសពីគេហទំព័រប្រភពហ្វូងមនុស្ស ហើយបានឆ្លងកាត់ការធ្វើតេស្តពិនិត្យក្នុងគោលបំណងជ្រើសរើសក្រុមអ្នកកំណត់ចំណាំដែលប្រកាន់អក្សរតូចធំទៅនឹងចំណូលចិត្តនៃក្រុមប្រជាជនផ្សេងៗគ្នា។

ជាឧទាហរណ៍ខ្លាំងទាំងពីរនេះ ពោលគឺរូបមន្តគ្លីនិកសាមញ្ញ [eGFR] និង LLM [GPT-4] ដ៏មានអានុភាព បង្ហាញឱ្យឃើញ ការសម្រេចចិត្តរបស់មនុស្ស និងតម្លៃរបស់មនុស្សដើរតួនាទីមិនអាចខ្វះបានក្នុងការរៀបចំលទ្ធផលគំរូ។ តើគំរូ AI ទាំងនេះអាចចាប់យកតម្លៃអ្នកជំងឺ និងគ្រូពេទ្យចម្រុះរបស់ពួកគេបានទេ? តើធ្វើដូចម្តេចដើម្បីណែនាំជាសាធារណៈអំពីការអនុវត្ត AI ក្នុងវេជ្ជសាស្ត្រ? ដូចដែលបានរៀបរាប់ខាងក្រោម ការពិនិត្យឡើងវិញនៃការវិភាគការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្តអាចផ្តល់នូវដំណោះស្រាយជាគោលការណ៍ចំពោះបញ្ហាទាំងនេះ។

ការវិភាគលើការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្តមិនស៊ាំនឹងគ្រូពេទ្យជាច្រើននោះទេ ប៉ុន្តែវាអាចបែងចែករវាងហេតុផលដែលអាចកើតមាន (សម្រាប់លទ្ធផលមិនច្បាស់លាស់ទាក់ទងនឹងការសម្រេចចិត្ត ដូចជាថាតើត្រូវគ្រប់គ្រងអរម៉ូនលូតលាស់របស់មនុស្សនៅក្នុងសេណារីយ៉ូគ្លីនិកដ៏ចម្រូងចម្រាសដែលបង្ហាញក្នុងរូបភាពទី 1) និងកត្តាពិចារណា (សម្រាប់តម្លៃប្រធានបទដែលភ្ជាប់ទៅនឹងលទ្ធផលទាំងនេះ ដែលតម្លៃគឺ 2 កម្ពស់របស់បុរស) ដូចជា "ការបង្កើនតម្លៃបុរស" ។ ដំណោះស្រាយជាប្រព័ន្ធសម្រាប់ការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្តដ៏ស្មុគស្មាញ។ នៅក្នុងការវិភាគការសម្រេចចិត្ត គ្រូពេទ្យត្រូវតែកំណត់ជាមុននូវការសម្រេចចិត្ត និងប្រូបាប៊ីលីតេដែលអាចធ្វើទៅបានទាំងអស់ដែលទាក់ទងនឹងលទ្ធផលនីមួយៗ ហើយបន្ទាប់មកបញ្ចូលឧបករណ៍ប្រើប្រាស់អ្នកជំងឺ (ឬភាគីផ្សេងទៀត) ដែលទាក់ទងនឹងលទ្ធផលនីមួយៗ ដើម្បីជ្រើសរើសជម្រើសដែលសមស្របបំផុត។ ដូច្នេះសុពលភាពនៃការវិភាគការសម្រេចចិត្តអាស្រ័យទៅលើថាតើការកំណត់លទ្ធផលមានភាពទូលំទូលាយ ក៏ដូចជាថាតើការវាស់វែងនៃការប្រើប្រាស់ និងការប៉ាន់ប្រមាណនៃប្រូបាប៊ីលីតេមានភាពត្រឹមត្រូវដែរឬទេ។ តាមឧត្ដមគតិ វិធីសាស្រ្តនេះជួយធានាថាការសម្រេចចិត្តគឺផ្អែកលើភស្តុតាង និងស្របតាមចំណង់ចំណូលចិត្តរបស់អ្នកជំងឺ ដោយហេតុនេះកាត់បន្ថយគម្លាតរវាងទិន្នន័យគោលដៅ និងតម្លៃផ្ទាល់ខ្លួន។ វិធីសាស្រ្តនេះត្រូវបានណែនាំទៅក្នុងវិស័យវេជ្ជសាស្ត្រជាច្រើនទសវត្សរ៍មុន ហើយបានអនុវត្តចំពោះការសម្រេចចិត្តរបស់អ្នកជំងឺម្នាក់ៗ និងការវាយតម្លៃសុខភាពប្រជាជន ដូចជាការផ្តល់អនុសាសន៍សម្រាប់ការពិនិត្យមហារីកពោះវៀនធំដល់ប្រជាជនទូទៅ។

នៅក្នុងការវិភាគការសម្រេចចិត្តផ្នែកវេជ្ជសាស្រ្ត វិធីសាស្រ្តផ្សេងៗត្រូវបានបង្កើតឡើងដើម្បីទទួលបានអត្ថប្រយោជន៍។ វិធីសាស្រ្តប្រពៃណីភាគច្រើនទទួលបានតម្លៃដោយផ្ទាល់ពីអ្នកជំងឺម្នាក់ៗ។ វិធីសាស្ត្រសាមញ្ញបំផុតគឺប្រើមាត្រដ្ឋានវាយតម្លៃ ដែលអ្នកជំងឺវាយតម្លៃកម្រិតចំណូលចិត្តរបស់ពួកគេសម្រាប់លទ្ធផលជាក់លាក់មួយនៅលើមាត្រដ្ឋានឌីជីថល (ដូចជាមាត្រដ្ឋានលីនេអ៊ែរចាប់ពី 1 ដល់ 10) ជាមួយនឹងលទ្ធផលសុខភាពខ្លាំងបំផុត (ដូចជាសុខភាពពេញលេញ និងការស្លាប់) ដែលមានទីតាំងនៅចុងទាំងពីរ។ វិធីសាស្ត្រផ្លាស់ប្តូរពេលវេលា គឺជាវិធីសាស្រ្តមួយផ្សេងទៀតដែលប្រើជាទូទៅ។ ក្នុងវិធីសាស្រ្តនេះ អ្នកជំងឺត្រូវធ្វើការសម្រេចចិត្តថាតើពេលវេលាដែលមានសុខភាពល្អប៉ុណ្ណា ដែលពួកគេសុខចិត្តចំណាយជាថ្នូរនឹងរយៈពេលនៃសុខភាពមិនល្អ។ វិធីសាស្ត្រលេងល្បែងស្ដង់ដារគឺជាវិធីសាស្រ្តដែលប្រើជាទូទៅសម្រាប់កំណត់ឧបករណ៍ប្រើប្រាស់។ នៅក្នុងវិធីសាស្រ្តនេះ អ្នកជំងឺត្រូវបានសួរថាតើជម្រើសទាំងពីរមួយណាដែលពួកគេចូលចិត្ត៖ ទាំងរស់នៅក្នុងចំនួនជាក់លាក់នៃឆ្នាំនៅក្នុងសុខភាពធម្មតាជាមួយនឹងប្រូបាប៊ីលីតេជាក់លាក់ (p) (t) និងទទួលហានិភ័យនៃការស្លាប់ជាមួយនឹងប្រូបាប៊ីលីតេ 1-p; ទាំងត្រូវប្រាកដថារស់នៅរយៈពេល t ឆ្នាំក្រោមលក្ខខណ្ឌសុខភាពឆ្លង។ សួរអ្នកជំងឺច្រើនដងនៅតម្លៃ p-values ​​ផ្សេងៗគ្នា រហូតដល់ពួកគេមិនបង្ហាញចំណូលចិត្តសម្រាប់ជម្រើសណាមួយ ដូច្នេះឧបករណ៍ប្រើប្រាស់អាចត្រូវបានគណនាដោយផ្អែកលើការឆ្លើយតបរបស់អ្នកជំងឺ។
បន្ថែមពីលើវិធីសាស្រ្តដែលប្រើដើម្បីទាញយកចំណូលចិត្តអ្នកជំងឺម្នាក់ៗ វិធីសាស្ត្រក៏ត្រូវបានបង្កើតឡើងផងដែរ ដើម្បីទទួលបានអត្ថប្រយោជន៍សម្រាប់អ្នកជំងឺ។ ជាពិសេសការពិភាក្សាជាក្រុមផ្តោតអារម្មណ៍ (នាំអ្នកជំងឺរួមគ្នាដើម្បីពិភាក្សាអំពីបទពិសោធន៍ជាក់លាក់) អាចជួយឱ្យយល់អំពីទស្សនៈរបស់ពួកគេ។ ដើម្បីប្រមូលផ្តុំឧបករណ៍ប្រើប្រាស់ជាក្រុមប្រកបដោយប្រសិទ្ធភាព បច្ចេកទេសពិភាក្សាជាក្រុមដែលមានរចនាសម្ព័ន្ធផ្សេងៗត្រូវបានស្នើឡើង។
នៅក្នុងការអនុវត្ត ការណែនាំដោយផ្ទាល់នូវឧបករណ៍ប្រើប្រាស់ក្នុងការធ្វើរោគវិនិច្ឆ័យ និងដំណើរការព្យាបាលគឺចំណាយពេលច្រើន។ ជាដំណោះស្រាយ កម្រងសំណួរស្ទង់មតិជាធម្មតាត្រូវបានចែកចាយដល់ប្រជាជនដែលបានជ្រើសរើសដោយចៃដន្យ ដើម្បីទទួលបានពិន្ទុប្រើប្រាស់នៅកម្រិតប្រជាជន។ ឧទាហរណ៍មួយចំនួនរួមមាន កម្រងសំណួរ 5 វិមាត្ររបស់ EuroQol ទម្រង់ខ្លីនៃទម្ងន់ឧបករណ៍ប្រើប្រាស់ 6 វិមាត្រ សន្ទស្សន៍ឧបករណ៍ប្រើប្រាស់សុខភាព និងឧបករណ៍ស្រាវជ្រាវ និងព្យាបាលជំងឺមហារីកជាក់លាក់អ៊ឺរ៉ុបជាក់លាក់ គុណភាពនៃកម្រងសំណួរ 30 ឧបករណ៍។