Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Trigeminal Nevralji için Büyük Dil Modeli Hasta Eğitiminin Okunabilirliği ve Kalitesi: Kesitsel Bir Çalışma

70 görüntülenme

⸱

DOI:

10.3791/70833

⸱

21 Ağustos 2026

 ,  ,  , 
1Department of Pain Medicine, Nanjing Jinling Hospital, Affiliated Hospital of Medical School, Nanjing University, 2Suzhou Science & Technology Town Hospital, Affiliated Hospital of Medical School, Nanjing University, 3Department of Health Communication, Graduate School of Medicine, The University of Tokyo 7-3-1 Hongo

Bu makalede

Özet

Burada, modelleri kıyaslamak ve hastaya yönelik iletişimi yönlendirmek amacıyla, büyük dil modelleri tarafından oluşturulan trigeminal nevralji hakkındaki hasta bilgilendirmelerinin okunabilirliğini, eğitimsel uygunluğunu ve kalitesini sistematik olarak değerlendirmek için bir protokol sunuyoruz.

Özet

Büyük dil modelleri (LLM'ler) hasta sağlık eğitimi için giderek daha fazla kullanılmaktadır, ancak trigeminal nevralji (TN) hakkında LLM tarafından oluşturulan bilgilerin okunabilirliği ve eğitim kalitesi yetersiz şekilde değerlendirilmiştir. Bu kesitsel kıyaslama çalışması, halka açık beş LLM (Doubao, DeepSeek, Wenxin Yiyan, Tongyi Qianwen ve GPT-5) tarafından oluşturulan TN eğitim içeriklerini karşılaştırmıştır. Temel hastalık bilgisi, etiyoloji/risk faktörleri, tanı, tedavi ve önleme/rehabilitasyonu kapsayan, sıkça sorulan yirmi TN sorusu, standart istemler kullanılarak her bir modele sunulmuştur. Okunabilirlik yedi yerleşik indeksle, eğitim uygunluğu Anlaşılırlık ve Uygulanabilirlik için Hasta Eğitim Materyalleri Değerlendirme Aracı (PEMAT) ile ve genel bilgi kalitesi Küresel Kalite Puanı (GQS) kullanılarak değerlendirilmiştir. Tüm yanıtlar iki klinik uzman tarafından bağımsız olarak değerlendirilmiş ve uyuşmazlıklar kıdemli bir hakem tarafından çözülmüştür. İstatistiksel analizler, model performansını, tematik farklılıkları ve değerlendirme metrikleri arasındaki korelasyonları karşılaştırmıştır. Okunabilirlik, PEMAT ve GQS puanları açısından modeller arasında anlamlı farklılıklar gözlemlenmiştir. GPT-5 dilsel olarak en karmaşık yanıtları oluşturmuş ancak eğitim uygunluğu ve bilgi kalitesi açısından en yüksek puanları almıştır. Buna karşılık, Wenxin Yiyan en okunabilir metni üretmiş ancak genel olarak PEMAT ve GQS'de daha düşük puanlar almıştır. İçerik kategorisi okunabilirliği etkilemiş; önleme/rehabilitasyon ve etiyoloji/risk faktörü konularının okunması daha zor olurken, PEMAT ve GQS temalar arasında nispeten tutarlı kalmıştır. Okunabilirlik indeksleri güçlü bir iç tutarlılık ve PEMAT ile GQS ile zayıf ila orta derecede pozitif korelasyonlar gösterirken, PEMAT ve GQS orta derecede pozitif bir korelasyon sergilemiştir. Bu bulgular, model seçiminin uzmanlarca puanlanan eğitim uygunluğunu ve genel bilgi kalitesini etkilediğini, konu karmaşıklığının ise öncelikle okunabilirliği etkilediğini göstermektedir. Hasta kavrayışı, memnuniyeti, güveni, sağlık sonuçları, olgusal doğruluk ve klinik güvenlik değerlendirilmediğinden, bu sonuçlar klinik hazır oluş kanıtından ziyade uzmanlarca puanlanmış bir kıyaslama analizi olarak yorumlanmalıdır.

Giriş

Trigeminal nevralji (TN), genellikle elektrik çarpmasına benzer veya saplanma şeklinde tarif edilen, tekrarlayan, tek taraflı, kısa süreli ve aşırı şiddetli yüz ağrıları ile karakterize nöropatik bir ağrı sendromudur. Uluslararası Baş Ağrısı Bozuklukları Sınıflandırması 3. baskıya (ICHD-3) göre ağrı tipik olarak trigeminal sinirin bir veya daha fazla dalının dağılım alanıyla sınırlıdır, şiddeti genellikle dayanılmazdır ve hafif dokunuş, yüz yıkama, diş fırçalama, konuşma veya çiğneme gibi zararsız uyaranlarla tetiklenebilir. Ataklar, saniyenin küçük kesirlerinden birkaç dakikaya kadar değişen sürelerde, ani başlangıç ve aniden sona erme ile seyretmektedir1,2. TN genellikle yaşamı tehdit etmese de, şiddetli ve öngörülemez ağrıları; yemek yeme, konuşma, uyku ve duygusal düzenleme dahil olmak üzere temel günlük aktiviteleri önemli ölçüde bozarak ciddi bir psikososyal yüke ve yaşam kalitesinin düşmesine neden olur. Sistematik incelemelerden elde edilen kanıtlar, TN'li bireylerin genel popülasyona kıyasla depresyon, anksiyete ve uyku bozuklukları açısından önemli ölçüde daha yüksek risk altında olduğunu göstermektedir3,4. Geniş kohort çalışmalarında, TN hastalarının yaklaşık %35–55'i klinik olarak anlamlı anksiyete veya depresyon semptomları göstermekte ve ağrı katastrofize etme durumu oldukça yaygındır; bu da kronik şiddetli ağrı, insomni ve afektif bozukluklar arasında çift yönlü bir etkileşim olduğunu düşündürmektedir5,6. Epidemiyolojik tahminler, genel popülasyonda TN prevalansının yaklaşık %0,03 ile %0,3 arasında değiştiğini, kadınlarda ve yaşlı yetişkinlerde görülme oranının daha yüksek olduğunu ve coğrafi bölgeler, etnik gruplar ile yaş katmanları arasında belirgin farklılıklar olduğunu göstermektedir7,8. Çin ve Hindistan gibi nüfusun yoğun olduğu ülkelerde, hızlı nüfus yaşlanmasına TN'den etkilenen birey sayısındaki sürekli bir artış eşlik etmiş; bu durum sağlık sistemleri üzerinde artan bir yük oluşturmuş ve hastalık değerlendirmesi ile yönetimi için daha etkili, ölçeklenebilir ve veri odaklı yaklaşımlara duyulan ihtiyacı vurgulamıştır8,9.

TN; klasik, sekonder ve idiyopatik alt tiplere ayrılabilir ve artan kanıtlar, bu kategoriler arasında etiyolojik mekanizmalar ve terapötik stratejiler açısından önemli farklılıklar olduğunu göstermektedir1,10. Güncel çalışmalar; trigeminal sinir kök giriş bölgesindeki nörovasküler konfliğe bağlı yapısal değişikliklerin, periferik sinir hipereksitabilitesinin ve değişmiş merkezi ağrı modülasyonunun hastalığın patogenezine ortaklaşa katkıda bulunduğunu öne sürmektedir11,12. Klinik kılavuzlar, birinci basamak tedaviler olarak karbamazepin ve okskarbazepini önermekte, farmakolojik tedavinin etkisiz olduğu veya kötü tolere edildiği durumlarda ise cerrahi veya girişimsel yaklaşımlar değerlendirilmektedir10. Bu terapötik gelişmelere rağmen TN, relaps-remisyon seyri ile karakterizedir ve uzun vadeli ağrı nüksleri yaygın kalmaya devam etmekte, bu da kalıcı remisyonun elde edilmesini zorlaştırmaktadır13. Sonuç olarak, nüks riskinin, tedavi yanıtının ve komplikasyonların izlenmesi için uzun süreli takip ve yapılandırılmış kronik hastalık yönetimi esastır. Boylamsal kohort çalışmaları; standardize yönetim stratejileri altında (farmakolojik tedavi, endike olduğunda cerrahi müdahale ve kapsamlı takip dahil), konservatif yönetim alan hastaların yaklaşık yarısının, kaçınılmaz bir hastalık progresyonu olmaksızın iki yıl içinde toplam ağrı yükünde ≥50% azalma sağlayabildiğini göstermektedir14. Bu bulgular, uzun vadeli hastalık yönetimi için sürdürülebilir hasta katılımının ve etkili sağlık eğitiminin önemini vurgulamaktadır. Kanıtlar, hastalık etiyolojisini, patofizyolojisini ve tedavi seçeneklerini daha iyi anlayan hastaların, terapötik rejimlere aktif olarak katılma ve uyum sağlama olasılığının daha yüksek olduğunu ve bunun da iyileşmiş sonuçlara yol açtığını göstermektedir15. Ancak, geleneksel sağlık eğitimi yaklaşımları genellikle erişim ve ölçeklenebilirlik açısından sınırlıdır. İnternetin, özellikle çevrimiçi soru-cevap platformlarının ve sosyal medyanın yaygınlaşmasıyla birlikte hastalar, tıbbi bilgi edinmek için giderek daha fazla dijital kaynaklara güvenmektedir16,17. Buna rağmen, bireysel sağlık okuryazarlığındaki önemli değişkenlik ile bilinçli karar verme için temel sağlık bilgilerine erişme, işleme ve anlama yeteneği, etkili hasta eğitiminin önünde büyük engeller teşkil etmektedir18. Ayrıca, yanlış veya yanıltıcı içerikler de dahil olmak üzere çevrimiçi sağlık bilgilerinin düzensiz kalitesi, hastaların tıbbi kararlarını ve psikolojik refahlarını olumsuz etkileyebilir19.

Yapay zeka (AI) teknolojileri, özellikle son yıllarda büyük dil modellerinin (LLM'ler) hızla gelişmesi, tıp bilimi iletişimi ve sağlık eğitimi için yeni fırsatlar yaratmıştır20. Büyük ölçekli metinsel korpuslar üzerinde eğitilen bu modeller, doğal dil etkileşimi yoluyla yapılandırılmış ve mantıksal olarak tutarlı yanıtlar üretebilmektedir21. ChatGPT gibi temsili uluslararası sistemler; tıbbi soru yanıtlama, hasta konsültasyonu ve tıp eğitimi için gelecek vaat eden bir potansiyel sergilemiştir22,23. Çin'de, kullanıcı kapsamı ve uygulama senaryoları sürekli genişleyen, işlevsel olarak benzer birkaç LLM ortaya çıkmıştır24. Bu ilerlemelere rağmen, LLM'lerin tıp biliminin yaygınlaştırılmasındaki uygulamaları; eğitim verilerinin güvenilirliği, güncelleme sıklığı, üretilen yanıtların bilimsel doğruluğu ve klinik doğrulamanın eksikliği gibi önemli zorluklarla karşı karşıyadır25. Ayrıca, modeller arasındaki dil üslubu, okunabilirlik, mantıksal yapı ve atıf doğruluğu farklılıkları, hastaların sağlıkla ilgili bilgilere yönelik anlayışını ve güvenini doğrudan etkileyebilir26. Bugüne kadar, TN ile ilgili sağlık eğitiminde LLM performansının sistematik değerlendirmeleri sınırlı kalmıştır.

Bu nedenle, bu çalışma; yaygın olarak kullanılan dört Çin menşeli LLM'in (Doubao, DeepSeek, Wenxin Yiyan ve Tongyi Qianwen) ve temsilci bir uluslararası LLM'in (ChatGPT), TN ile ilgili hasta eğitimi sorularını yanıtlama performansını sistematik olarak değerlendirmeyi ve karşılaştırmayı amaçlamıştır. Kesitsel bir tasarım kullanarak, klinik kılavuzlar ve yaygın hasta endişeleri temelinde bir TN soru seti oluşturduk ve halka açık beş LLM (Doubao, DeepSeek, Wenxin Yiyan, Tongyi Qianwen ve GPT-5) tarafından üretilen yanıtları değerlendirdik. Okunabilirlik birden fazla metrik kullanılarak değerlendirildi; anlaşılırlık ve uygulanabilirlik ise Hasta Eğitimi Materyalleri Değerlendirme Aracı (PEMAT) kullanılarak ölçüldü. Genel bilgi kalitesi, Global Kalite Puanı (GQS) kullanılarak değerlendirildi. Ayrıca, farklı sağlık eğitimi konularının bu değerlendirme metriklerini nasıl etkilediğini ve aralarındaki ilişkileri analiz ederek, klinik sağlık iletişiminde LLM'lerin seçimi ve optimizasyonu için kanıta dayalı rehberlik sağlamayı hedefledik.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışma yalnızca yapay zeka tarafından oluşturulan metinleri analiz etmiştir; insan katılımcıları, hayvanları, biyolojik örnekleri, tıbbi kayıtları, tanımlanabilir kişisel bilgileri veya klinik bakım müdahalesini kapsamamaktadır. Bu nedenle, etik kurul incelemesi ve resmi bilgilendirilmiş onam uygulanmamıştır.

Çalışma tasarımı

Bu kesitsel çalışma, TN hakkında sıkça sorulan sorulara yanıt olarak beş LLM tarafından üretilen yanıtların okunabilirliğini, kalitesini ve eğitimsel uygunluğunu değerlendirmiştir.

Sıkça sorulan TN ile ilgili soruların belirlenmesi

25 Kasım 2025 tarihinde, ağrı tıbbı konusunda kapsamlı deneyime sahip iki klinik uzman; Uluslararası Baş Ağrısı Bozuklukları Sınıflandırması, 3. baskı (ICHD-3), Avrupa Nöroloji Akademisi kılavuzu ve Amerikan Nöroloji Akademisi/Avrupa Nörolojik Cemiyetler Federasyonu kılavuzu dahil olmak üzere trigeminal nevralji (TN) için mevcut klinik kılavuzları bağımsız olarak incelemiştir1,10,11. Bir konsensüs tartışmasının ardından, klinik uygulamada yaygın olarak karşılaşılan TN ile ilgili 20 soruluk bir liste derlemişlerdir. Soru sayısı, önceden tanımlanmış beş tematik alanın dengeli bir şekilde kapsanmasını sağlamak amacıyla a priori olarak belirlenmiş ve her alan için dört soru seçilmiştir; böylece model tarafından üretilen toplam yanıt sayısı, uzmanlar tarafından manuel olarak derecelendirme ve doğrulama yapılabilmesi için uygun bir aralıkta tutulmuştur. Tekrarlanabilirliği artırmak için seçim süreci, önceden tanımlanmış alan tabanlı bir çerçeve izlemiştir: uzmanlar önce her alan içindeki aday soruları belirlemiş, bunları klinik uygunluk, hasta odaklı dil ve tekrarlardan kaçınma açısından bağımsız olarak incelemiş ve ardından alan başına nihai dört soru üzerinde konsensüse varmışlardır. Soruların nihai listesi Tablo 1 ve Ek Dosya 1'de sunulmuştur. Önceden tanımlanmış beş tematik alan; temel hastalık bilgisi, etiyoloji ve risk faktörleri, tanı, tedavi ile önleme ve rehabilitasyondan oluşmaktadır. Soru seti hasta arama kayıtlarından, çevrimiçi arama sorgularından veya resmi hasta mülakatlarından türetilmediği için, seçim yanlılığı potansiyeli bir çalışma kısıtlılığı olarak kabul edilmektedir.

Yapay zeka modelleri ve veri toplama prosedürü

25 Kasım 2025 tarihinde, TN ile ilgili kesinleştirilmiş 20 soruluk set; Doubao, DeepSeek, Wenxin Yiyan, Tongyi Qianwen ve GPT-5/ChatGPT olmak üzere halka açık beş büyük dil modeli (LLM) platformuna iletilmiştir. Tüm modellere standart halka açık web tabanlı sohbet arayüzleri üzerinden erişilmiş; uygulama programlama arayüzü (API) erişimi kullanılmamıştır. Her platform için, veri toplama tarihinde mevcut olan ve herhangi bir üretim parametresi değiştirilmeden kullanılan varsayılan halka açık model tercih edilmiştir. Halka açık web arayüzleri; arka uç model anlık görüntü tanımlayıcılarını, gizli sistem istemlerini, sıcaklığı (temperature), top-p değerini, maksimum çıktı token sayısını veya diğer üretim parametrelerini görüntülemediğinden, bu kalemler "halka açık web arayüzünde görüntülenmedi" şeklinde kaydedilmiştir.

Tüm modeller için istem ve yanıt dilleri İngilizceydi. Her standartlaştırılmış istem, modele özgü herhangi bir ek talimat olmaksızın yalnızca İngilizce sorunun aynından oluşmuştur. Her soru; önceki konuşma geçmişi, yüklenmiş dosyalar, eklentiler, özelleştirilmiş talimatlar veya takip istemleri olmaksızın yeni ve bağımsız bir sohbet oturumunda bireysel olarak gönderilmiştir. Standartlaştırılmış istemlerin tam listesi ve bunlara karşılık gelen ham model çıktıları Ek Dosya 1'de sunulmuştur. Model meta verileri ve veri toplama ayarları Ek Tablo 1'de özetlenmiştir.

Okunabilirlik değerlendirmesi

LLM tarafından oluşturulan yanıtların okunabilirliği, çevrimiçi bir okunabilirlik değerlendirme platformu (http://readabilityformulas.com/) üzerinden erişilebilen birden fazla yerleşik okunabilirlik formülü kullanılarak değerlendirilmiştir. Okunabilirlik değerlendirmesi için evrensel olarak kabul görmüş tek bir altın standart olmaması nedeniyle ve önceki çalışmalarla tutarlı olarak, yaygın olarak kullanılan kapsamlı bir okunabilirlik indeksleri seti uygulanmıştır23,27. Herhangi bir tek formüle olan bağımlılığı azaltmak amacıyla; cümle uzunluğu, kelime uzunluğu, hece yükü, karakter tabanlı karmaşıklık, okuma kolaylığı ve tahmini sınıf düzeyi dahil olmak üzere okunabilirliğin birbirini tamamlayan yönlerini yakalamak için yedi indeks seçilmiştir. Spesifik olarak, Coleman-Liau İndeksi (CL), Linsear Write Formülü (LW), Otomatik Okunabilirlik İndeksi (ARI), Simple Measure of Gobbledygook (SMOG), Gunning Fog İndeksi (GFOG), Flesch Okuma Kolaylığı Puanı (FRES) ve Flesch-Kincaid Sınıf Düzeyi (FKGL) hesaplanmıştır. Bu indeksler okuma zorluğunu veya sınıf düzeyini tahmin ederek metin okunabilirliğine dair nicel ölçütler sunmaktadır (Tablo 2).

Eğitimsel uygunluk ve bilgi kalitesinin değerlendirilmesi

Eğitimsel uygunluk, anlaşılırlık ve uygulanabilirlik olmak üzere iki alandan oluşan Hasta Eğitim Materyalleri Değerlendirme Aracı (PEMAT) kullanılarak değerlendirilmiştir28. Araç, 16'sı anlaşılırlığı ve sekizi uygulanabilirliği değerlendiren toplam 24 maddeden oluşmaktadır. Her madde iki seçenekli olarak puanlanmış (0 = kriter karşılanmadı; 1 = kriter karşılandı) ve 0 ile 24 arasında toplam bir puan elde edilmiştir; yüksek puanlar, hasta eğitimi için daha yüksek uygunluğu göstermektedir. Genel bilgi kalitesi, tıbbi bilgilerin kalitesini değerlendirmek için yaygın olarak kullanılan beşli Likert ölçeği olan Global Kalite Skoru (GQS) ile değerlendirilmiştir27 (Tablo 3).

25 Kasım 2025 tarihinde, TN yönetiminde 3 yılı aşkın deneyime sahip iki klinik uzman, her iki değerlendirme aracını kullanarak yapay zeka tarafından oluşturulan tüm yanıtları değerlendirmiştir. Puanlamadan önce, yapay zeka tarafından oluşturulan tüm yanıtlar kodlanmış yanıt tanımlayıcıları ile anonimize edilmiş ve değerlendiriciler PEMAT ve GQS değerlendirmeleri sırasında LLM platformuna karşı körlenmiştir. Uyuşmazlıklar, nihai puanlara karar veren üçüncü bir kıdemli uzman tarafından çözülmüştür. Değerlendiriciler arası güvenilirlik Cohen's kappa katsayısı ile değerlendirilmiş; >0.75 değerleri mükemmel uyumu, 0.40–0.75 değerleri kabul edilebilir uyumu ve <0.40 değerleri ise zayıf uyumu göstermiştir. Hem PEMAT hem de GQS için Cohen's kappa değerleri 0.75'i aşmış ve mükemmel değerlendiriciler arası güvenilirlik göstermiştir.

İstatistiksel analiz

Tüm istatistiksel analizler R yazılımı (versiyon 4.4.3) kullanılarak gerçekleştirilmiştir. Verilerin normalliği Shapiro-Wilk testi ve Q-Q grafikleri ile değerlendirilmiştir. Normal dağılım gösteren değişkenler ortalama ± standart sapma olarak özetlenmiş ve tek yönlü varyans analizi (ANOVA) ile karşılaştırılmış, uygun olduğunda Tukey post hoc testi uygulanmıştır. Normal dağılım göstermeyen değişkenler medyan ve çeyrekler arası aralık olarak özetlenmiş ve Kruskal-Wallis testi ile karşılaştırılmış, ardından ikili karşılaştırmalar için Bonferroni düzeltmeli Dunn post hoc testi uygulanmıştır. Okunabilirlik indeksleri, PEMAT puanları ve GQS değerleri arasındaki korelasyonlar, çoklu testler için Benjamini-Hochberg düzeltmesi uygulanarak Spearman sıra korelasyon katsayısı ile değerlendirilmiştir. İki yönlü düzeltilmiş P değeri < 0.05 istatistiksel olarak anlamlı kabul edilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Bu çalışma, büyük dil modellerinin (LLM'ler) ve farklı sağlık eğitimi içerik kategorilerinin, üretilen metinlerin okunabilirliği ve kalitesi üzerindeki etkilerini sistematik olarak değerlendirmiştir. İlk olarak; Doubao, DeepSeek, Wenxin Yiyan, Tongyi Qianwen ve GPT-5 olmak üzere beş LLM'in performansını; hasta eğitimi uygunluğu, genel bilgi kalitesi ve PEMAT puanı, GQS ve kabul görmüş okunabilirlik indeksleri (ARI, FRES, GFOG, FKGL, CL, SMOG ve LW) dahil olmak üzere birden fazla okunabilirlik metriği açısından karşılaştı...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu kesitsel kıyaslama çalışması, halka açık beş büyük dil modeli (LLM) tarafından oluşturulan trigeminal nevralji (TN) hasta eğitim materyallerinin okunabilirliğini, eğitimsel uygunluğunu ve genel bilgi kalitesini sistematik olarak karşılaştırmıştır. Dört temel bulgu ortaya çıkmıştır. İlk olarak, okunabilirlik modeller arasında önemli ölçüde farklılık göstermiş; GPT-5 dilsel olarak en karmaşık yanıtları üretirken, Wenxin Yiyan en okunabilir içeriği oluşturmuştur. İkinci olarak, okunabilirlik ile uzmanlar tarafından puanl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, herhangi bir çıkar çatışmasının olmadığını beyan ederler.

Teşekkürler

Bu araştırma, kamu, ticari veya kâr amacı gütmeyen sektörlerdeki herhangi bir finansman kuruluşundan özel bir hibe almamıştır. Yazarlar, trigeminal nevralji soru seti hakkında geri bildirim sağlayan ve değerlendirme çerçevesinin geliştirilmesine yardımcı olan klinik meslektaşlarına teşekkür eder. Ayrıca, taslağın hazırlanması ve revizyonu aşamasında destek veren tüm katkıda bulunanlara teşekkür ederiz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
DeepSeek sohbet platformuDeepSeekhttps://chat.deepseek.com/Yanıtlar oluşturmak için kullanılan halka açık büyük dil modeli arayüzü
Doubao sohbet platformuDoubaohttps://www.doubao.com/chat/Yanıtlar oluşturmak için kullanılan halka açık büyük dil modeli arayüzü
GPT 5 OpenAIhttps://chat.openai.com/Yanıtlar oluşturmak için kullanılan halka açık büyük dil modeli arayüzü
R yazılımı, versiyon 4.4.3R Foundation for Statistical ComputingUygulanamazİstatistiksel analiz ve görselleştirme
Readability Formulas çevrimiçi okunabilirlik hesaplayıcısıReadability FormulasUygulanamazOkunabilirlik indekslerini hesaplamak için kullanılan çevrimiçi araç
Tongyi Qianwen sohbet platformuTongyi Qianwenhttps://www.tongyi.com/Yanıtlar oluşturmak için kullanılan halka açık büyük dil modeli arayüzü
Wenxin Yiyan sohbet platformuWenxin Yiyanhttps://yiyan.baidu.com/Yanıtlar oluşturmak için kullanılan halka açık büyük dil modeli arayüzü

Kaynaklar

  1. Headache Classification Committee of the International Headache Society (IHS). The International Classification of Headache Disorders, 3rd edition. Cephalalgia. 2018;38(1):1-211.
  2. Ashina S, et al. Trigeminal neuralgia. Nat Rev Dis Primers. 2024;10(1):39.
  3. Donertas-Ayaz B, Caudle RM. Locus coeruleus-noradrenergic modulation of trigeminal pain: Implications for trigeminal neuralgia and psychiatric comorbidities. Neurobiol Pain. 2023;13:100124.
  4. Martinelli R, et al. Psychological assessment in patients affected by trigeminal neuralgia: A systematic review. Neurosurg Rev. 2025;48(1):414.
  5. Melek LN, et al. Comparison of the neuropathic pain symptoms and psychosocial impacts of trigeminal neuralgia and painful posttraumatic trigeminal neuropathy. J Oral Facial Pain Headache. 2019;33(1):77-88.
  6. Zakrzewska JM, et al. Evaluating the impact of trigeminal neuralgia. Pain. 2017;158(6):1166-1174.
  7. Gambeta E, Chichorro JG, Zamponi GW. Trigeminal neuralgia: An overview from pathophysiology to pharmacological treatments. Mol Pain. 2020;16:1744806920901890.
  8. De Toledo IP, et al. Prevalence of trigeminal neuralgia: A systematic review. J Am Dent Assoc. 2016;147(7):570-576.e2.
  9. Svedung Wettervik T, et al. Incidence of trigeminal neuralgia: A population-based study in central Sweden. Eur J Pain. 2023;27(5):580-587.
  10. Bendtsen L, et al. European Academy of Neurology guideline on trigeminal neuralgia. Eur J Neurol. 2019;26(6):831-849.
  11. Cruccu G, et al. Trigeminal neuralgia: New classification and diagnostic grading for practice and research. Neurology. 2016;87(2):220-228.
  12. Araya EI, et al. Trigeminal neuralgia: Basic and clinical aspects. Curr Neuropharmacol. 2020;18(2):109-119.
  13. Chong MS, Bahra A, Zakrzewska JM. Guidelines for the management of trigeminal neuralgia. Cleve Clin J Med. 2023;90(6):355-362.
  14. Heinskou TB, et al. Favourable prognosis of trigeminal neuralgia when enrolled in a multidisciplinary management program: A two-year prospective real-life study. J Headache Pain. 2019;20(1):23.
  15. Liu S, et al. Comparative evaluation of ChatGPT and Gemini in brain-computer interface patient education: A multidimensional analysis of reliability, accuracy, comprehensibility, and readability. Int J Med Inform. 2026;206:106164.
  16. Forgie EME, et al. Social media and the transformation of the physician-patient relationship: Viewpoint. J Med Internet Res. 2021;23(12):e25230.
  17. Gantenbein L, Navarini AA, Maul LV, Brandt O, Mueller SM. Internet and social media use in dermatology patients: Search behavior and impact on the patient-physician relationship. Dermatol Ther. 2020;33(6):e14098.
  18. Youssef Y, et al. Social media and internet use among orthopedic patients in Germany: A multicenter survey. Front Digit Health. 2025;7:1486296.
  19. De Martino I, et al. Social media for patients: Benefits and drawbacks. Curr Rev Musculoskelet Med. 2017;10(1):141-145.
  20. Johnson KB, et al. Precision medicine, AI, and the future of personalized health care. Clin Transl Sci. 2021;14(1):86-93.
  21. Hirani R, et al. Artificial intelligence and healthcare: A journey through history, present innovations, and future possibilities. Life (Basel). 2024;14(5):557.
  22. Karatas G, Kirik F, Karatas ME, Cakir A, Ozdemir H. Comparative performance of ChatGPT o3-mini-high and DeepSeek-R1 in ophthalmology: An evaluation of diagnostic reasoning and case-based problem solving. J Fr Ophtalmol. 2025;49(1):104712.
  23. Hanci V, et al. Assessment of readability, reliability, and quality of ChatGPT, Bard, Gemini, Copilot, and Perplexity responses on palliative care. Medicine (Baltimore). 2024;103(33):e39305.
  24. Liu C, et al. Potential to perpetuate social biases in health care by Chinese large language models: A model evaluation study. Int J Equity Health. 2025;24(1):206.
  25. Haupt CE, Marks M. AI-generated medical advice—GPT and beyond. JAMA. 2023;329(16):1349-1350.
  26. Aydin S, Karabacak M, Vlachos V, Margetis K. Large language models in patient education: A scoping review of applications in medicine. Front Med (Lausanne). 2024;11:1477898.
  27. Kara M, et al. Evaluating the readability, quality, and reliability of responses generated by ChatGPT, Gemini, and Perplexity on the most commonly asked questions about ankylosing spondylitis. PLoS One. 2025;20(6):e0326351.
  28. Perez Rivera LR, et al. Evaluating the quality and reliability of large language models for plastic surgery patient education: A comparative analysis of ChatGPT and OpenEvidence. Aesthet Surg J. 2025. doi:10.1093/asj/sjaf249.
  29. Wilhelm TI, Roos J, Kaczmarczyk R. Large language models for therapy recommendations across three clinical specialties: Comparative study. J Med Internet Res. 2023;25:e49324.
  30. Will J, et al. Enhancing the readability of online patient education materials using large language models: Cross-sectional study. J Med Internet Res. 2025;27:e69955.
  31. Tukur Jido J, Al-Wizni A, Aung SL. Readability of AI-generated patient information leaflets on Alzheimer's disease, vascular dementia, and delirium. Cureus. 2025;17(6):e85463.
  32. Luo Z, Lin C, Kim TH, Shin YS, Ahn ST. Quality and readability analysis of artificial intelligence-generated medical information related to prostate cancer: A cross-sectional study of ChatGPT and DeepSeek. World J Mens Health. 2025. doi:10.5534/wjmh.250144.
  33. Joseph P, Silva NA, Nanda A, Gupta G. Evaluating the readability of online patient education materials for trigeminal neuralgia. World Neurosurg. 2020;144:e934-e938.
  34. Dong C, et al. Comparative evaluation of large language models in delivering guideline-compliant recommendations for topical NSAID use in musculoskeletal pain: A multidimensional analysis. Clin Rheumatol. 2025;44(11):4703-4710.
  35. Ozduran E, Buyukcoban S. Evaluating the readability, quality, and reliability of online patient education materials on post-COVID pain. PeerJ. 2022;10:e13686.
  36. Wang LW, Miller MJ, Schmitt MR, Wen FK. Assessing readability formula differences with written health information materials: Application, results, and recommendations. Res Social Adm Pharm. 2013;9(5):503-516.
  37. Singh SP, et al. Comprehension profile of patient education materials in endocrine care. Kans J Med. 2022;15(2):247-252.
  38. Marder RS, et al. ChatGPT-3.5 and ChatGPT-4.0 do not reliably create readable patient education materials for common orthopaedic upper- and lower-extremity conditions. Arthrosc Sports Med Rehabil. 2025;7(1):101027.
  39. Nasra M, et al. Can artificial intelligence improve patient educational material readability? A systematic review and narrative synthesis. Intern Med J. 2025;55(1):20-34.
  40. Bhatt C, et al. Evaluating readability, understandability, and actionability of online printable patient education materials for cholesterol management: A systematic review. J Am Heart Assoc. 2024;13(8):e030140.
  41. Avra TD, Le M, Hernandez S, Thure K, Ulloa JG. Readability assessment of online peripheral artery disease education materials. J Vasc Surg. 2022;76(6):1728-1732.
  42. Rooney MK, et al. Readability of patient education materials from high-impact medical journals: A 20-year analysis. J Patient Exp. 2021;8:2374373521998847.
  43. Ahmadzadeh K, et al. Patient education information material assessment criteria: A scoping review. Health Info Libr J. 2023;40(1):3-28.
  44. Duan L, Yao Z, Li X, Wu Y, Sheng D. Comparing large language models and human doctors in symptom-driven online medical consultations: A case study on trigeminal neuralgia. Digit Health. 2025;11:20552076251388140.
  45. Werner C, Harden J, Lawton J. Pathways to a diagnosis of trigeminal neuralgia: A qualitative study of patients' experiences. BMC Prim Care. 2025;26(1):65.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Büyük Dil ModelleriOkunabilirlik DeğerlendirmesiEğitsel KalitePEMAT DeğerlendirmesiGlobal Kalite SkoruSağlık Bilgisi KalitesiModel KarşılaştırmasıHasta Kavrayışı
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.