ዜና

ትልቁ የቋንቋ ሞዴል (LLM) በፈጣን ቃላት ላይ ተመስርተው አሳማኝ መጣጥፎችን መፃፍ፣ የባለሙያ ብቃት ፈተናዎችን ማለፍ እና ለታካሚ ተስማሚ እና ርህራሄ የተሞላ መረጃን መጻፍ ይችላል። ነገር ግን፣ በኤልኤልኤም ውስጥ ከሚታወቁት የልቦለድ፣ ደካማነት እና የተሳሳቱ እውነታዎች አደጋዎች በተጨማሪ ሌሎች ያልተፈቱ ጉዳዮች ትኩረት እየሆኑ መጥተዋል፣ ለምሳሌ በአፈጣጠራቸው እና አጠቃቀማቸው ውስጥ አድሏዊ የሆነ “የሰው እሴቶች” የያዙ የ AI ሞዴሎች እና LLM ከአሁን በኋላ ይዘትን ካልፈለሰፈ እና በግልጽ ጎጂ የሆኑ የውጤት ውጤቶችን ቢያጠፋም “ኤል ኤም ኤል እሴቶች” አሁንም ከሰው እሴት ሊያፈነግጡ ይችላሉ።

ስፍር ቁጥር የሌላቸው ምሳሌዎች AI ሞዴሎችን ለማሰልጠን ጥቅም ላይ የሚውለው መረጃ እንዴት ግለሰባዊ እና ማህበራዊ እሴቶችን እንደሚያስቀምጥ ያሳያሉ፣ ይህም በአምሳያው ውስጥ ሊጠናከር ይችላል። እነዚህ ምሳሌዎች የደረት ኤክስ ሬይ በራስ ሰር መተርጎምን፣ የቆዳ በሽታዎችን መለየት እና የህክምና ሃብት ድልድልን በተመለከተ ስልተ-ቀመር ውሳኔን ጨምሮ የተለያዩ መተግበሪያዎችን ያካትታሉ። በመጽሔታችን ላይ በቅርቡ በወጣው መጣጥፍ ላይ እንደተገለጸው፣ አድሏዊ የሆነ የሥልጠና መረጃ በማህበረሰቡ ውስጥ ያሉትን እሴቶች እና አድሏዊነት ሊያጎላ እና ሊያሳይ ይችላል። በተቃራኒው, ጥናቶችም AI አድሏዊነትን ለመቀነስ ጥቅም ላይ ሊውል እንደሚችል አሳይቷል. ለምሳሌ፣ ተመራማሪዎች ጥልቅ መማሪያ ሞዴሎችን በጉልበቶች ላይ የኤክስሬይ ፊልሞችን በመተግበር በጉልበት መገጣጠሚያው ውስጥ በመደበኛ የክብደት ጠቋሚዎች (በሬዲዮሎጂስቶች ደረጃ የተሰጠው) ያመለጡ ምክንያቶችን አግኝተዋል፣ በዚህም በጥቁር እና ነጭ በሽተኞች መካከል የማይታወቅ የህመም ልዩነትን ይቀንሳል።

ምንም እንኳን ቁጥራቸው ከጊዜ ወደ ጊዜ እየጨመረ የመጣ ሰዎች በ AI ሞዴሎች ውስጥ በተለይም በስልጠና መረጃ ላይ ያለውን አድልዎ እየተገነዘቡ ቢሆንም ሌሎች በርካታ የሰዎች እሴት የመግቢያ ነጥቦች በ AI ሞዴሎች ልማት እና ማሰማራት ሂደት ውስጥ በቂ ትኩረት አልተሰጣቸውም። ሜዲካል AI በቅርብ ጊዜ አስደናቂ ውጤቶችን አስመዝግቧል, ነገር ግን በከፍተኛ ደረጃ, የሰውን እሴቶች እና ከአደጋ ግምገማ እና ከግምታዊ አመክንዮዎች ጋር ያለውን ግንኙነት በግልፅ አላገናዘበም, ወይም ሞዴል አልተደረገም.

እነዚህን ረቂቅ ፅንሰ-ሀሳቦች ለማዋሃድ ኢንዶክሪኖሎጂስት እንደሆናችሁ አስቡት እድሜው ከ 3 ኛ ፐርሰንታይል በታች ለሆነ የ8 አመት ወንድ ልጅ recombinant human growth hormone ማዘዝ ያስፈልግዎታል። የልጁ የተቀሰቀሰው የሰው ልጅ እድገት ሆርሞን መጠን ከ2ng/mL በታች ነው (የማጣቀሻ እሴት፣>10 ng/mL፣ከዩናይትድ ስቴትስ ውጪ ላሉ ብዙ ሀገራት ዋቢ እሴት>7 ng/ml) እና የሰው ልጅ እድገት ሆርሞን ኮድዲንግ ጂን ያልተለመደ ኢንአክቲቬሽን ሚውቴሽን አግኝቷል። በዚህ ክሊኒካዊ ሁኔታ ውስጥ የሰው ልጅ እድገት ሆርሞን ቴራፒን ተግባራዊ ማድረግ ግልጽ እና የማያከራክር ነው ብለን እናምናለን.

በሚከተሉት ሁኔታዎች ውስጥ የሰው ልጅ እድገት ሆርሞን ቴራፒን መተግበር ውዝግብ ሊያስከትል ይችላል-የ 14 ዓመት ልጅ ቁመት ሁልጊዜ በ 10 ኛ ፐርሰንት እኩዮቹ ውስጥ ነው, እና ከተነሳሱ በኋላ የሰው ልጅ የእድገት ሆርሞን ከፍተኛው 8 ng / ml ነው. ቁመት ላይ ተጽዕኖ ሊያሳድር የሚችል ምንም የታወቀ የተግባር ለውጥ የለም፣ ወይም ሌሎች የታወቁ የአጭር ቁመት መንስኤዎች የሉም፣ እና የአጥንት እድሜው 15 አመት ነው (ማለትም የእድገት መዘግየት የለም)። የአወዛጋቢው ክፍል ብቻ የገለልተኛ የእድገት ሆርሞን እጥረትን ለመመርመር ጥቅም ላይ የሚውለውን የሰው ልጅ እድገት ሆርሞን መጠንን በሚመለከት በደርዘን የሚቆጠሩ ጥናቶችን መሠረት በማድረግ በባለሙያዎች በተወሰኑ የመነሻ እሴቶች ልዩነቶች ምክንያት ነው። ቢያንስ ቢያንስ ብዙ ውዝግቦች የሰው ልጅ የእድገት ሆርሞን ሕክምናን ከበሽተኞች፣ ከታካሚ ወላጆች፣ ከጤና አጠባበቅ ባለሙያዎች፣ ከፋርማሲዩቲካል ኩባንያዎች እና ከፋይ ከፋዮች አንፃር መጠቀም ካለው የአደጋ ጥቅም ሚዛን የሚመነጭ ነው። የሕፃናት ኢንዶክሪኖሎጂስቶች ለ 2 ዓመታት ያህል በየቀኑ የእድገት ሆርሞን መርፌ የሚያስከትለውን ያልተለመደ አሉታዊ ተፅእኖ ሊመዝኑ ይችላሉ ፣ ይህም በአዋቂዎች የሰውነት መጠን ላይ ካለው ጋር ሲነፃፀር ምንም ወይም አነስተኛ እድገት ሊኖር ይችላል። ወንዶች ልጆች ቁመታቸው በ 2 ሴ.ሜ ብቻ ሊጨምር ቢችልም የእድገት ሆርሞን መከተብ ጠቃሚ ነው ብለው ሊያምኑ ይችላሉ, ነገር ግን ከፋዩ እና ፋርማሲዩቲካል ኩባንያ የተለያዩ አመለካከቶችን ሊይዙ ይችላሉ.

ሥር የሰደደ የኩላሊት በሽታን ለመመርመር እና ለመለየት ፣ የኩላሊት ንቅለ ተከላ ወይም የልገሳ ሁኔታዎችን ለማዘጋጀት እና ለብዙ በሐኪም የታዘዙ መድኃኒቶችን የመቀነስ መስፈርቶችን እና ተቃርኖዎችን ለመወሰን በሰፊው ጥቅም ላይ የዋለ የኩላሊት ተግባር አመላካች የሆነውን creatinine based eGFRን እንደ ምሳሌ እንወስዳለን። EGFR የሚለካውን የ glomerular filtration rate (mGFR) ለመገመት የሚያገለግል ቀላል የመመለሻ እኩልታ ነው፣ ​​እሱም የማመሳከሪያ መስፈርት ነው፣ ነገር ግን የግምገማው ዘዴ በአንጻራዊነት አስቸጋሪ ነው። ይህ የመመለሻ እኩልታ እንደ AI ሞዴል ተደርጎ ሊወሰድ አይችልም፣ ነገር ግን ስለ ሰብአዊ እሴቶች እና ስለ ፕሮባቢሊቲ አስተሳሰብ ብዙ መርሆችን ያሳያል።

የሰው እሴቶች ወደ eGFR ለመግባት የመጀመሪያው የመግቢያ ነጥብ እኩልታዎችን ለመገጣጠም መረጃን በሚመርጡበት ጊዜ ነው። የ eGFR ቀመሩን ለመንደፍ ጥቅም ላይ የዋለው የመጀመሪያው ወረፋ በአብዛኛው በጥቁር እና በነጭ ተሳታፊዎች የተዋቀረ ነው፣ እና ለብዙ ሌሎች ብሄረሰቦች ተፈጻሚነቱ ግልፅ አይደለም። ተከታዩ የሰው ልጅ እሴቶች በዚህ ቀመር ውስጥ የሚገቡት ነጥቦች፡- የኩላሊት ሥራን ለመገምገም የኤምጂኤፍአር ትክክለኛነትን እንደ ዋና ዓላማ መምረጥ፣ ተቀባይነት ያለው የትክክለኝነት ደረጃ ምን እንደሆነ፣ ትክክለኛነትን እንዴት መለካት እንደሚቻል እና eGFR ን እንደ ክሊኒካዊ ውሳኔ አሰጣጥን እንደ መነሻ መጠቀም (እንደ የኩላሊት መተካት ሁኔታዎችን መወሰን ወይም መድኃኒት ማዘዝ)። በመጨረሻም የግብአት ሞዴልን ይዘት በሚመርጡበት ጊዜ የሰው እሴቶችም ወደዚህ ቀመር ይገባሉ።

ለምሳሌ፣ ከ2021 በፊት፣ መመሪያዎች በታካሚ ዕድሜ፣ ጾታ እና ዘር ላይ በመመስረት በ eGFR ቀመር ውስጥ ያለውን የcreatinine መጠን ማስተካከልን ይጠቁማሉ (ጥቁር ወይም ጥቁር ያልሆኑ ግለሰቦች ብቻ ይመደባሉ)። በዘር ላይ የተመሰረተው ማስተካከያ የmGFR ቀመርን ትክክለኛነት ለማሻሻል ያለመ ነው ነገር ግን እ.ኤ.አ. በ 2020 ዋና ዋና ሆስፒታሎች በዘር ላይ የተመሰረተ eGFR አጠቃቀምን መጠራጠር ጀመሩ ፣ ይህም የታካሚውን የመተካት ብቁነት ማዘግየት እና ዘርን እንደ ስነ ህይወታዊ ፅንሰ-ሀሳብ ማድረግን የመሳሰሉ ምክንያቶችን በመጥቀስ ነው። ጥናቶች እንደሚያሳዩት የ eGFR ሞዴሎችን ከዘር አንፃር መንደፍ በትክክለኛነት እና በክሊኒካዊ ውጤቶች ላይ ጥልቅ እና የተለያዩ ተፅእኖዎች ሊኖሩት ይችላል ። ስለዚህ በትክክለኛነት ላይ ተመርጦ ማተኮር ወይም በውጤቶች ላይ ማተኮር ዋጋ ያላቸውን ውሳኔዎች ያንፀባርቃል እና ግልጽ ውሳኔዎችን ሊደብቅ ይችላል። በመጨረሻም የአፈፃፀም እና የፍትሃዊነት ጉዳዮችን ለማመጣጠን ሩጫን ከግምት ውስጥ ሳያስገቡ የብሔራዊ የስራ ቡድን አዲስ ቀመር አቅርቧል ። ይህ ምሳሌ ቀላል ክሊኒካዊ ቀመር እንኳን ወደ ሰብአዊ እሴቶች ብዙ የመግቢያ ነጥቦች እንዳሉት ያሳያል።

አነስተኛ ቁጥር ያላቸው ትንበያ ጠቋሚዎች ካሉት ክሊኒካዊ ቀመሮች ጋር ሲነጻጸር፣ LLM ከቢሊዮኖች እስከ መቶ ቢሊዮን የሚቆጠር መለኪያዎች (ሞዴል ክብደቶች) ወይም ከዚያ በላይ ሊይዝ ይችላል፣ ይህም ለመረዳት አስቸጋሪ ያደርገዋል። "ለመረዳት አዳጋች" የምንልበት ምክንያት በአብዛኛዎቹ ኤል.ኤል.ኤም.ዎች በጥያቄ በኩል ምላሾችን ለማግኘት ትክክለኛው መንገድ በካርታ ሊቀረጽ አይችልም። የ GPT-4 መለኪያዎች ቁጥር እስካሁን አልተገለጸም; ቀዳሚው GPT-3 175 ቢሊዮን መለኪያዎች ነበሩት። ተጨማሪ መመዘኛዎች የግድ ጠንካራ አቅም ማለት አይደለም፣ ምክንያቱም ብዙ የስሌት ዑደቶችን ያካተቱ ትናንሽ ሞዴሎች (እንደ ኤልኤምኤ [ትልቅ የቋንቋ ሞዴል ሜታ AI] ሞዴል ተከታታይ) ወይም በሰዎች አስተያየት ላይ ተመስርተው በጥሩ ሁኔታ የተስተካከሉ ሞዴሎች ከትላልቅ ሞዴሎች በተሻለ ሁኔታ ይሰራሉ። ለምሳሌ, እንደ ሰው ገምጋሚዎች, የ InstrumentGPT ሞዴል (1.3 ቢሊዮን መለኪያዎች ያለው ሞዴል) የሞዴል የውጤት ውጤቶችን በማመቻቸት GPT-3 ይበልጣል.

የ GPT-4 ልዩ የሥልጠና ዝርዝሮች እስካሁን አልተገለጹም ነገር ግን የቀደሙት ትውልድ ሞዴሎች ዝርዝር GPT-3፣ InstrumentGPT እና ሌሎች በርካታ ክፍት ምንጭ ኤል.ኤም.ኤም. በአሁኑ ጊዜ, ብዙ AI ሞዴሎች ሞዴል ካርዶች ጋር ይመጣሉ; የ GPT-4 ግምገማ እና የደህንነት መረጃ በሞዴል ፈጠራ ኩባንያ OpenAI በቀረበው ተመሳሳይ የስርዓት ካርድ ታትሟል። የኤል.ኤም.ኤም መፍጠር በግምት በሁለት ደረጃዎች ሊከፈል ይችላል-የመጀመሪያው የቅድመ-ሥልጠና ደረጃ እና የአምሳያው የውጤት ውጤቶችን ለማመቻቸት የታለመ ጥሩ ማስተካከያ ደረጃ። በቅድመ ማሰልጠኛ ደረጃ, ሞዴሉ የሚቀጥለውን ቃል ለመተንበይ ለማሰልጠን ዋናውን የበይነመረብ ጽሑፍን ጨምሮ ትልቅ ኮርፐስ ይሰጣል. ይህ ቀላል የሚመስለው "በራስ ሰር ማጠናቀቅ" ሂደት ኃይለኛ የመሠረት ሞዴል ይፈጥራል, ነገር ግን ወደ ጎጂ ባህሪ ሊያመራ ይችላል. ለ GPT-4 የቅድመ ስልጠና መረጃን መምረጥ እና እንደ ፖርኖግራፊ ያሉ ተገቢ ያልሆኑ ይዘቶችን ከቅድመ ስልጠና መረጃ ለማስወገድ መወሰንን ጨምሮ የሰው እሴቶች ወደ ቅድመ ስልጠና ደረጃ ይገባሉ። ምንም እንኳን እነዚህ ጥረቶች ቢኖሩም, መሠረታዊው ሞዴል አሁንም ጠቃሚ ላይሆን ይችላል ወይም ጎጂ ውጤቶችን ሊይዝ አይችልም. በሚቀጥለው የጥራት ማስተካከያ ደረጃ ብዙ ጠቃሚ እና የማይጎዱ ባህሪያት ይወጣሉ.

በጥሩ ማስተካከያ ደረጃ፣ የቋንቋ ሞዴሎች ባህሪ በሰዎች አስተያየት ላይ በተመሰረተ ክትትል በሚደረግ ጥሩ ማስተካከያ እና ማጠናከሪያ ትምህርት በጥልቅ ይቀየራል። ክትትል በሚደረግበት የጥራት ማስተካከያ ደረጃ፣ የተቀጠሩ ተቋራጮች ለፈጣን ቃላት የምላሽ ምሳሌዎችን ይጽፋሉ እና ሞዴሉን በቀጥታ ያሰለጥናሉ። በሰዎች አስተያየት ላይ በመመስረት የማጠናከሪያ ትምህርት ደረጃ፣ የሰው ገምጋሚዎች የሞዴሉን የውጤት ውጤት እንደ የግብአት ይዘት ምሳሌዎች ይመድባሉ። ከዚያም "የሽልማት ሞዴል" ለመማር እና በማጠናከሪያ ትምህርት ሞዴሉን የበለጠ ለማሻሻል ከላይ ያሉትን የንፅፅር ውጤቶችን ይተግብሩ። የሚገርም ዝቅተኛ ደረጃ የሰው ተሳትፎ እነዚህን ትላልቅ ሞዴሎች ማስተካከል ይችላል። ለምሳሌ፣ የ InstrumentGPT ሞዴል 40 የሚጠጉ የኮንትራክተሮች ቡድንን ከጅምላ ከሚሰበስቡ ድረ-ገጾች የተቀጠሩትን ቡድን ተጠቅሞ ለተለያዩ የህዝብ ቡድኖች ምርጫዎች ትኩረት የሚስቡ የአናታተሮችን ቡድን ለመምረጥ ያለመ የማጣሪያ ፈተና አልፏል።

እንደ እነዚህ ሁለት ጽንፍ ምሳሌዎች፣ ቀላል ክሊኒካዊ ቀመር [eGFR] እና ኃይለኛ LLM [GPT-4] እንደሚያሳዩት፣ የሰው ውሳኔ አሰጣጥ እና የሰዎች እሴቶች የሞዴል የውጤት ውጤቶችን በመቅረጽ ረገድ ወሳኝ ሚና ይጫወታሉ። እነዚህ የ AI ሞዴሎች የተለያዩ የታካሚ እና የህክምና እሴቶቻቸውን መያዝ ይችላሉ? በሕክምና ውስጥ የ AI አተገባበርን እንዴት በይፋ መምራት ይቻላል? ከዚህ በታች እንደተገለፀው የሕክምና ውሳኔ ትንተና እንደገና መመርመር ለእነዚህ ጉዳዮች በመርህ ላይ የተመሰረተ መፍትሄ ሊሰጥ ይችላል.

የሕክምና ውሳኔ ትንተና ለብዙ ክሊኒኮች አይታወቅም ፣ ግን በምክንያታዊ አመክንዮዎች መካከል ያለውን ልዩነት መለየት ይችላል (ከውሳኔ አሰጣጥ ጋር በተያያዙ ላልተረጋገጡ ውጤቶች ፣ ለምሳሌ በስእል 1 ላይ በሚታየው አወዛጋቢ ክሊኒካዊ ሁኔታ ውስጥ የሰው ልጅ እድገት ሆርሞን ማስተዳደር አለመቻሉ) እና ከግምት ውስጥ የሚገቡ ጉዳዮች (ከእነዚህ ውጤቶች ጋር ተያይዘው ለሚታዩ ግላዊ እሴቶች) እሴታቸው እንደ “መገልገያ” የሚለካው) ፣ እንደ ውስብስብ ውሳኔ ስርዓት 2 ሴ.ሜ. በውሳኔ ትንተና ውስጥ ክሊኒኮች በመጀመሪያ ከእያንዳንዱ ውጤት ጋር የተያያዙ ሁሉንም ሊሆኑ የሚችሉ ውሳኔዎችን እና እድሎችን መወሰን አለባቸው, ከዚያም በጣም ተስማሚ የሆነውን አማራጭ ለመምረጥ ከእያንዳንዱ ውጤት ጋር የተያያዘውን የሕመምተኛ (ወይም ሌላ አካል) መገልገያ ማካተት አለባቸው. ስለዚህ, የውሳኔ ትንተና ትክክለኛነት የሚወሰነው የውጤት መቼት ሁሉን አቀፍ እንደሆነ, እንዲሁም የመገልገያ መለኪያ እና የመገመቻው ግምት ትክክለኛ መሆን አለመሆኑን ነው. በሐሳብ ደረጃ፣ ይህ አካሄድ ውሳኔዎች በማስረጃ ላይ የተመሰረቱ እና ከታካሚ ምርጫዎች ጋር የተጣጣሙ መሆናቸውን ለማረጋገጥ ይረዳል፣ በዚህም በተጨባጭ መረጃ እና በግላዊ እሴቶች መካከል ያለውን ልዩነት ለማጥበብ። ይህ ዘዴ ከበርካታ አሥርተ ዓመታት በፊት በሕክምናው መስክ የተዋወቀው እና ለግለሰብ ታካሚ ውሳኔ አሰጣጥ እና ለሕዝብ ጤና ምዘና ተተግብሯል ፣ ለምሳሌ ለአጠቃላይ ህዝብ የኮሎሬክታል ካንሰር ምርመራ ምክሮችን ይሰጣል ።

በሕክምና ውሳኔ ትንተና ውስጥ መገልገያ ለማግኘት የተለያዩ ዘዴዎች ተዘጋጅተዋል. አብዛኛዎቹ ባህላዊ ዘዴዎች በግለሰብ ታካሚዎች በቀጥታ ዋጋ ያገኛሉ. በጣም ቀላሉ ዘዴ የደረጃ አሰጣጥን መጠቀም ሲሆን ታካሚዎች በዲጂታል ሚዛን (ለምሳሌ ከ 1 እስከ 10 ባለው የመስመር ላይ ሚዛን) ለተወሰነ ውጤት የመረጡትን ደረጃ የሚገመግሙበት ሲሆን ይህም በጣም የከፋ የጤና ውጤቶች (እንደ ሙሉ ጤና እና ሞት ያሉ) በሁለቱም ጫፎች ይገኛሉ. የጊዜ ልውውጥ ዘዴ ሌላው የተለመደ ዘዴ ነው. በዚህ ዘዴ ውስጥ ታካሚዎች ለደካማ የጤና ጊዜ ምን ያህል ጤናማ ጊዜን ለመለዋወጥ እንደሚፈልጉ መወሰን አለባቸው. መደበኛው የቁማር ዘዴ መገልገያን ለመወሰን ሌላው የተለመደ ዘዴ ነው። በዚህ ዘዴ ውስጥ ታካሚዎች ከሁለቱ አማራጮች ውስጥ የትኛውን እንደሚመርጡ ይጠየቃሉ-በተለመደው ጤና ውስጥ የተወሰኑ ዓመታትን በተወሰነ ዕድል (p) (t) መኖር እና በ 1-p የመሞት እድልን ይሸከማሉ; ወይም ለቲ ዓመታት በተለያዩ የጤና ሁኔታዎች ውስጥ መኖርዎን ያረጋግጡ። ለማንኛውም አማራጭ ምንም ምርጫ እስካላሳዩ ድረስ ታካሚዎችን በተለያዩ p-values ​​ብዙ ጊዜ ጠይቋቸው፣ ስለዚህ መገልገያ በታካሚ ምላሾች ላይ ተመስርቶ ይሰላል።
የግለሰብ ታካሚ ምርጫዎችን ለማንሳት ከሚጠቀሙባቸው ዘዴዎች በተጨማሪ ለታካሚው ህዝብ መገልገያ ለማግኘት ዘዴዎች ተዘጋጅተዋል. በተለይም የትኩረት ቡድን ውይይቶች (ታካሚዎችን አንድ ላይ በማሰባሰብ ስለተወሰኑ ልምዶች ለመወያየት) አመለካከታቸውን ለመረዳት ይረዳል። የቡድን መገልገያን ውጤታማ በሆነ መንገድ ለማዋሃድ, የተለያዩ የተዋቀሩ የቡድን ውይይት ዘዴዎች ቀርበዋል.
በተግባር, በክሊኒካዊ ምርመራ እና ህክምና ሂደት ውስጥ የመገልገያውን ቀጥተኛ መግቢያ በጣም ብዙ ጊዜ የሚወስድ ነው. እንደ መፍትሄ፣ የዳሰሳ መጠይቆች በህዝብ ደረጃ የመገልገያ ውጤቶችን ለማግኘት በአጋጣሚ ለተመረጡት ህዝቦች ይሰራጫሉ። አንዳንድ ምሳሌዎች የEuroQol 5-ልኬት መጠይቅ፣ ባለ 6-ልኬት የመገልገያ ክብደት አጭር ቅጽ፣ የጤና አገልግሎት መረጃ ጠቋሚ እና የካንሰር ልዩ የአውሮፓ ካንሰር ምርምር እና ህክምና ድርጅት የህይወት ጥራት መጠይቅ ኮር 30 መሳሪያ ያካትታሉ።