DOI: https://doi.org/10.1038/s41746-025-01747-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40473767
تاريخ النشر: 2025-06-05
المؤلف: Neta Shanwetter Levit وآخرون
الموضوع الرئيسي: التواصل بين المرضى ومقدمي الرعاية الصحية
نظرة عامة
تستكشف هذه الدراسة دور نماذج اللغة الكبيرة (LLMs) في التحليل النوعي ضمن أبحاث الرعاية الصحية، من خلال مقارنة بين الأساليب التي يقودها البشر وتلك التي تساعدها LLMs في تحليل روايات مرضى السرطان المستمدة من 33 مقابلة شبه منظمة. تم إجراء ثلاثة تحليلات متوازية: تحليل موضوعي يقوده المحقق، وتحليلات باستخدام ChatGPT-4o و Gemini Advance Pro 1.5. نجح النهج الذي يقوده المحقق في تحديد الموضوعات النفسية والاجتماعية والعاطفية، بينما ركزت LLMs على العناصر الهيكلية والزمانية واللوجستية.
تكشف النتائج أنه بينما حددت LLMs الأنماط المتكررة بكفاءة، إلا أنها لم تتمكن من التقاط الفروق العاطفية والعمق السياقي. على النقيض، كان التحليل الذي يقوده المحقق، على الرغم من كونه أكثر استهلاكًا للوقت، فعالًا في معالجة تعقيدات اضطراب الهوية والمعالجة العاطفية. تدعو الدراسة إلى نموذج هجين يجمع بين الأساليب المدعومة بالذكاء الاصطناعي والأساليب التي يقودها البشر، مشيرة إلى أن LLMs يمكن أن تعزز من نطاق التحليل عند استخدامها جنبًا إلى جنب مع التفسير البشري. كما تم تقديم توصيات عملية للتكامل المسؤول لـ LLMs في أبحاث الصحة النوعية.
الطرق
استخدمت الدراسة مقارنة منهجية متعددة المراحل لاستكشاف عمليات اتخاذ القرار لدى مرضى السرطان خلال رحلة علاجهم في جامعة تل أبيب من أبريل إلى سبتمبر 2024. باستخدام تصميم بحث نوعي، تم هيكلة البحث في ثلاث مراحل: التطوير، جمع البيانات، والتحليل. في البداية، تم تطوير دليل مقابلة شبه منظمة من خلال مراجعة شاملة للأدبيات واستشارات الخبراء، مع التركيز على مجالات رئيسية مثل تجارب المرضى، التفاعلات مع الرعاية الصحية، واتخاذ القرار. ساعدت المقابلات التجريبية مع سبعة خبراء في مرضى الأورام في تحسين الدليل، مما أدى إلى إجراء 33 مقابلة مع مجموعة متنوعة من مرضى الأورام، أجراها باحث نوعي مدرب.
في مرحلة التحليل، تم استخدام ثلاثة نهج متوازية: تحليل تقليدي يقوده المحقق، وتحليلين مدعومين بالذكاء الاصطناعي باستخدام ChatGPT-4o و Gemini Advance Pro 1.5. قام المحقق بتشفير النصوص يدويًا باستخدام طريقة المقارنة المستمرة، محققًا درجة كابا لكوهين تبلغ 0.85 لموثوقية التقييم بين المقيمين. استخدمت تحليلات GenAI نهج التحفيز بدون أمثلة لتحديد الموضوعات والاقتباسات المهمة من النصوص. تم إجراء تحليل مقارن لتقييم التداخل الموضوعي والاختلافات عبر الطرق الثلاث، مع ضمان الصرامة التحليلية من خلال المراجعة المستقلة. تم الحصول على الموافقة الأخلاقية، وتم إعطاء الأولوية لسرية المشاركين طوال الدراسة.
النتائج
حللت الدراسة تجارب 33 مريضًا بالسرطان (22 أنثى، 11 ذكر) بمتوسط عمر 56.78 عامًا، مع التركيز على رحلات رعايتهم للسرطان. شملت المجموعة مجموعة متنوعة من تشخيصات السرطان، مع التركيز بشكل أساسي على سرطان الثدي (42.4%). استخدمت الدراسة ثلاثة نهج تحليلية—التي يقودها المحقق، ChatGPT-4o، و Gemini Advance Pro 1.5—كل منها أسفر عن هياكل موضوعية متميزة تسلط الضوء على نقاط القوة والقيود التحليلية المختلفة.
حدد التحليل الذي يقوده المحقق خمسة موضوعات رئيسية: (i) التكيف العاطفي مع المرض؛ (ii) التجارب والثقة في نظام الرعاية الصحية؛ (iii) مصادر الدعم من العائلة والمجتمع؛ (iv) المعلومات وعمليات اتخاذ القرار؛ و (v) التأثير على جودة الحياة. سلطت هذه الموضوعات الضوء على الأبعاد النفسية والاجتماعية لتجربة السرطان، كاشفة عن استجابات عاطفية معقدة والتفاعل بين الهوية الشخصية والمرض. أفاد المشاركون بتجارب متنوعة مع مقدمي الرعاية الصحية، تتراوح بين الثقة إلى عدم الرضا، مما يبرز الدور الحاسم لعلاقات المريض بمقدمي الرعاية في تشكيل تجارب العلاج.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحليل المقارن لثلاثة نهج تحليلية—التي يقودها المحقق، ChatGPT-4o، و Gemini Advance Pro 1.5—في فهم تجارب المرضى في رعاية السرطان. حدد التحليل ستة موضوعات رئيسية من ChatGPT-4o، بما في ذلك التحديات العاطفية والبدنية، تفاعلات مقدمي الرعاية الصحية، وتأثير دمج الصحة الرقمية. ومن الجدير بالذكر أنه كشف عن تأخيرات منهجية في الرعاية وأكد على سهولة التنقل عبر المنصات الرقمية لإدارة عمليات الرعاية الصحية. على النقيض، ركز Gemini Advance Pro 1.5 على التعقيدات العاطفية لتشخيص السرطان، والصراع مع آثار العلاج الجانبية، وأهمية البحث عن آراء طبية متعددة، موضحًا التباينات بين توقعات المرضى والواقع.
تؤكد النتائج على نقاط القوة التكميلية للتحليلات التي يقودها البشر وتلك المدعومة بـ LLMs. بينما التقط النهج الذي يقوده المحقق العناصر العاطفية والسياقية الدقيقة، مثل اضطراب الهوية وقضايا الثقة، تفوقت LLMs في التعرف على الأنماط الهيكلية والموضوعات الإجرائية. تشير هذه الفجوة إلى أن LLMs يمكن أن تعزز من الكفاءة التحليلية ولكن لا ينبغي أن تحل محل التفسير البشري، خاصة في التقاط العمق العاطفي لروايات المرضى. تدعو الدراسة إلى نهج منهجي هجين يستفيد من كل من البصيرة البشرية وقدرات الذكاء الاصطناعي، مع التأكيد على أهمية الحفاظ على إشراف بشري لضمان صحة التفسير وممارسات البحث الأخلاقية. يجب أن تهدف الأبحاث المستقبلية إلى تمثيل ديموغرافي أوسع واستكشاف إمكانية استخدام LLMs لتقييم التداخلات الموضوعية، مما يعزز من إثراء أبحاث الرعاية الصحية النوعية.
DOI: https://doi.org/10.1038/s41746-025-01747-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40473767
Publication Date: 2025-06-05
Author(s): Neta Shanwetter Levit et al.
Primary Topic: Patient-Provider Communication in Healthcare
Overview
This study investigates the role of large language models (LLMs) in qualitative analysis within healthcare research, specifically through a comparison of human-led and LLM-assisted approaches to analyzing cancer patient narratives derived from 33 semi-structured interviews. Three parallel analyses were conducted: an investigator-led thematic analysis, and analyses using ChatGPT-4o and Gemini Advance Pro 1.5. The investigator-led approach successfully identified psychosocial and emotional themes, while the LLMs focused on structural, temporal, and logistical elements.
The findings reveal that while LLMs efficiently identified recurring patterns, they fell short in capturing emotional nuance and contextual depth. In contrast, the investigator-led analysis, despite being more time-consuming, effectively addressed the complexities of identity disruption and emotional processing. The study advocates for a hybrid model that combines AI-assisted and human-led methods, suggesting that LLMs can enhance analytical breadth when used alongside human interpretation. Practical recommendations for the responsible integration of LLMs into qualitative health research are also provided.
Methods
The study employed a multi-phase methodological comparison to explore cancer patients’ decision-making processes during their treatment journey at Tel Aviv University from April to September 2024. Utilizing a qualitative research design, the research was structured into three phases: development, data collection, and analysis. Initially, a semi-structured interview guide was developed through a comprehensive literature review and expert consultations, focusing on key areas such as patient experiences, healthcare interactions, and decision-making. Pilot interviews with seven oncology patient experts helped refine the guide, leading to a total of 33 interviews with a diverse cohort of oncology patients, conducted by a trained qualitative researcher.
In the analysis phase, three parallel approaches were employed: a traditional investigator-led analysis, and two GenAI-assisted analyses using ChatGPT-4o and Gemini Advance Pro 1.5. The investigator manually coded transcripts using a constant comparative method, achieving a Cohen’s kappa score of 0.85 for inter-rater reliability. The GenAI analyses utilized a zero-shot prompting approach to identify themes and significant quotes from the transcripts. A comparative analysis was conducted to evaluate the thematic overlap and differences across the three methods, ensuring analytical rigor through independent review. Ethical approval was obtained, and participant confidentiality was prioritized throughout the study.
Results
The study analyzed the experiences of 33 cancer patients (22 females, 11 males) with a mean age of 56.78 years, focusing on their cancer care journeys. The cohort included a diverse range of cancer diagnoses, predominantly breast cancer (42.4%). The research employed three analytical approaches—investigator-led, ChatGPT-4o, and Gemini Advance Pro 1.5—each yielding distinct thematic structures that underscored different analytical strengths and limitations.
The investigator-led analysis identified five primary themes: (i) emotional coping with the disease; (ii) experiences and trust in the healthcare system; (iii) sources of support from family and society; (iv) information and decision-making processes; and (v) the impact on quality of life. These themes highlighted the psychosocial dimensions of the cancer experience, revealing complex emotional responses and the interplay between personal identity and illness. Participants reported varied interactions with healthcare providers, ranging from trust to dissatisfaction, emphasizing the critical role of provider-patient relationships in shaping treatment experiences.
Discussion
The discussion section of the research paper highlights the comparative analysis of three analytical approaches—investigator-led, ChatGPT-4o, and Gemini Advance Pro 1.5—in understanding patient experiences in cancer care. The analysis identified six key themes from ChatGPT-4o, including emotional and physical challenges, healthcare provider interactions, and the impact of digital health integration. Notably, it revealed systematic delays in care and emphasized the ease of navigating digital platforms for managing healthcare processes. In contrast, Gemini Advance Pro 1.5 focused on the emotional complexities of a cancer diagnosis, the struggle with treatment side effects, and the significance of seeking multiple medical opinions, illustrating discrepancies between patient expectations and reality.
The findings underscore the complementary strengths of human-led and LLM-assisted analyses. While the investigator-led approach captured nuanced emotional and contextual elements, such as identity disruption and trust issues, the LLMs excelled in recognizing structural patterns and procedural themes. This divergence suggests that LLMs can enhance analytical efficiency but should not replace human interpretation, particularly for capturing the emotional depth of patient narratives. The study advocates for a hybrid methodological approach that leverages both human insight and AI capabilities, emphasizing the importance of maintaining human oversight to ensure interpretative validity and ethical research practices. Future research should aim for broader demographic representation and explore the potential for LLMs to assess thematic overlaps, further enriching qualitative healthcare research.