খবর

লার্জ ল্যাঙ্গুয়েজ মডেল (এলএলএম) তাৎক্ষণিক শব্দের উপর ভিত্তি করে প্ররোচনামূলক নিবন্ধ লিখতে পারে, পেশাদার দক্ষতা পরীক্ষায় উত্তীর্ণ হতে পারে এবং রোগী-বান্ধব এবং সহানুভূতিশীল তথ্য লিখতে পারে। তবে, এলএলএম-এ কল্পকাহিনী, ভঙ্গুরতা এবং ভুল তথ্যের সুপরিচিত ঝুঁকি ছাড়াও, অন্যান্য অমীমাংসিত সমস্যাগুলি ধীরে ধীরে ফোকাসে পরিণত হচ্ছে, যেমন এআই মডেলগুলি তাদের সৃষ্টি এবং ব্যবহারে সম্ভাব্য বৈষম্যমূলক "মানব মূল্যবোধ" ধারণ করে, এবং এমনকি যদি এলএলএম আর বিষয়বস্তু তৈরি না করে এবং স্পষ্টতই ক্ষতিকারক আউটপুট ফলাফলগুলি বাদ দেয়, তবুও "এলএলএম মান" মানব মূল্যবোধ থেকে বিচ্যুত হতে পারে।

অসংখ্য উদাহরণ থেকে বোঝা যায় যে, এআই মডেলদের প্রশিক্ষণের জন্য ব্যবহৃত তথ্য কীভাবে ব্যক্তিগত এবং সামাজিক মূল্যবোধকে এনকোড করে, যা মডেলের মধ্যে দৃঢ় হতে পারে। এই উদাহরণগুলিতে বিভিন্ন ধরণের প্রয়োগ অন্তর্ভুক্ত রয়েছে, যার মধ্যে রয়েছে বুকের এক্স-রে-এর স্বয়ংক্রিয় ব্যাখ্যা, ত্বকের রোগের শ্রেণীবিভাগ এবং চিকিৎসা সম্পদ বরাদ্দ সংক্রান্ত অ্যালগরিদমিক সিদ্ধান্ত গ্রহণ। আমাদের জার্নালে প্রকাশিত একটি সাম্প্রতিক প্রবন্ধে যেমন বলা হয়েছে, পক্ষপাতদুষ্ট প্রশিক্ষণ তথ্য সমাজে বিদ্যমান মূল্যবোধ এবং পক্ষপাতকে আরও বাড়িয়ে তুলতে এবং প্রকাশ করতে পারে। বিপরীতে, গবেষণায় আরও দেখা গেছে যে পক্ষপাত কমাতে এআই ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, গবেষকরা হাঁটুর এক্স-রে ফিল্মগুলিতে গভীর শিক্ষার মডেল প্রয়োগ করেছেন এবং হাঁটুর জয়েন্টের মধ্যে স্ট্যান্ডার্ড তীব্রতা সূচক (রেডিওলজিস্টদের দ্বারা গ্রেড করা) দ্বারা মিস করা কারণগুলি আবিষ্কার করেছেন, যার ফলে কালো এবং সাদা রোগীদের মধ্যে ব্যাখ্যাতীত ব্যথার পার্থক্য হ্রাস পেয়েছে।

যদিও ক্রমবর্ধমান সংখ্যক মানুষ AI মডেলগুলিতে পক্ষপাত উপলব্ধি করছে, বিশেষ করে প্রশিক্ষণের তথ্যের ক্ষেত্রে, AI মডেলগুলির বিকাশ এবং স্থাপনা প্রক্রিয়ায় মানবিক মূল্যবোধের অন্যান্য অনেক প্রবেশ বিন্দুতে যথেষ্ট মনোযোগ দেওয়া হয় না। চিকিৎসা AI সম্প্রতি চিত্তাকর্ষক ফলাফল অর্জন করেছে, তবে অনেকাংশে, এটি মানবিক মূল্যবোধ এবং ঝুঁকি মূল্যায়ন এবং সম্ভাব্য যুক্তির সাথে তাদের মিথস্ক্রিয়াকে স্পষ্টভাবে বিবেচনা করেনি, এবং এটি মডেল করা হয়নি।

এই বিমূর্ত ধারণাগুলিকে সুনির্দিষ্ট করার জন্য, কল্পনা করুন যে আপনি একজন এন্ডোক্রিনোলজিস্ট যিনি ৮ বছর বয়সী একটি ছেলের জন্য রিকম্বিন্যান্ট হিউম্যান গ্রোথ হরমোন লিখে দিতে বাধ্য, যার বয়স তার বয়সের ৩য় শতাংশের নিচে। ছেলেটির উদ্দীপিত হিউম্যান গ্রোথ হরমোনের মাত্রা ২ এনজি/এমএল (রেফারেন্স মান,>১০ এনজি/এমএল, মার্কিন যুক্তরাষ্ট্রের বাইরের অনেক দেশের জন্য রেফারেন্স মান হল>৭ এনজি/এমএল), এবং তার হিউম্যান গ্রোথ হরমোন কোডিং জিন বিরল নিষ্ক্রিয়তা মিউটেশন সনাক্ত করেছে। আমরা বিশ্বাস করি যে এই ক্লিনিকাল সেটিংয়ে হিউম্যান গ্রোথ হরমোন থেরাপির প্রয়োগ স্পষ্ট এবং অবিসংবাদিত।

নিম্নলিখিত পরিস্থিতিতে হিউম্যান গ্রোথ হরমোন থেরাপির প্রয়োগ বিতর্কের কারণ হতে পারে: একজন ১৪ বছর বয়সী ছেলের উচ্চতা সর্বদা তার সমবয়সীদের তুলনায় ১০ শতাংশের মধ্যে থাকে এবং উদ্দীপনার পরে হিউম্যান গ্রোথ হরমোনের সর্বোচ্চ মাত্রা ৮ এনজি/এমএল। উচ্চতাকে প্রভাবিত করতে পারে এমন কোনও কার্যকরী পরিবর্তন নেই, বা ছোট আকারের অন্যান্য কারণও জানা যায়নি এবং তার হাড়ের বয়স ১৫ বছর (অর্থাৎ কোনও বিকাশগত বিলম্ব নেই)। বিতর্কের একমাত্র অংশ হল বিশেষজ্ঞদের দ্বারা নির্ধারিত থ্রেশহোল্ড মানের পার্থক্য যা বিচ্ছিন্ন গ্রোথ হরমোনের ঘাটতি নির্ণয়ের জন্য ব্যবহৃত হিউম্যান গ্রোথ হরমোনের মাত্রা সম্পর্কে কয়েক ডজন গবেষণার উপর ভিত্তি করে তৈরি। অন্তত এই বিতর্ক রোগী, রোগীর বাবা-মা, স্বাস্থ্যসেবা পেশাদার, ওষুধ কোম্পানি এবং অর্থপ্রদানকারীদের দৃষ্টিকোণ থেকে হিউম্যান গ্রোথ হরমোন থেরাপি ব্যবহারের ঝুঁকি সুবিধা ভারসাম্য থেকে উদ্ভূত। পেডিয়াট্রিক এন্ডোক্রিনোলজিস্টরা ২ বছর ধরে গ্রোথ হরমোনের দৈনিক ইনজেকশনের বিরল প্রতিকূল প্রভাবগুলি বিবেচনা করতে পারেন যেখানে বর্তমানের তুলনায় প্রাপ্তবয়স্কদের শরীরের আকারে কোনও বৃদ্ধি না হওয়ার বা কেবল ন্যূনতম বৃদ্ধির সম্ভাবনা রয়েছে। ছেলেরা হয়তো বিশ্বাস করতে পারে যে তাদের উচ্চতা মাত্র ২ সেন্টিমিটার বাড়লেও, গ্রোথ হরমোন ইনজেকশন দেওয়া মূল্যবান, কিন্তু অর্থপ্রদানকারী এবং ওষুধ কোম্পানির মতামত ভিন্ন হতে পারে।

আমরা ক্রিয়েটিনিন ভিত্তিক eGFR কে উদাহরণ হিসেবে নিই, যা দীর্ঘস্থায়ী কিডনি রোগ নির্ণয় এবং পর্যায়ক্রমিককরণ, কিডনি প্রতিস্থাপন বা দানের শর্ত নির্ধারণ এবং অনেক প্রেসক্রিপশন ওষুধের জন্য হ্রাস মানদণ্ড এবং contraindication নির্ধারণের জন্য একটি বহুল ব্যবহৃত রেনাল ফাংশন সূচক। EGFR হল একটি সহজ রিগ্রেশন সমীকরণ যা পরিমাপিত গ্লোমেরুলার পরিস্রাবণ হার (mGFR) অনুমান করতে ব্যবহৃত হয়, যা একটি রেফারেন্স মান, তবে মূল্যায়ন পদ্ধতি তুলনামূলকভাবে জটিল। এই রিগ্রেশন সমীকরণটিকে একটি AI মডেল হিসাবে বিবেচনা করা যায় না, তবে এটি মানবিক মূল্যবোধ এবং সম্ভাব্য যুক্তি সম্পর্কে অনেক নীতি চিত্রিত করে।

eGFR-এ মানবিক মূল্যবোধ প্রবেশের প্রথম বিন্দু হল সমীকরণ স্থাপনের জন্য ডেটা নির্বাচন করা। eGFR সূত্রটি ডিজাইন করার জন্য ব্যবহৃত মূল সারিতে বেশিরভাগই কালো এবং সাদা অংশগ্রহণকারীদের সমন্বয়ে গঠিত, এবং অন্যান্য অনেক জাতিগত গোষ্ঠীর ক্ষেত্রে এর প্রযোজ্যতা স্পষ্ট নয়। এই সূত্রে মানবিক মূল্যবোধের পরবর্তী প্রবেশের বিন্দুগুলির মধ্যে রয়েছে: কিডনির কার্যকারিতা মূল্যায়নের জন্য প্রাথমিক উদ্দেশ্য হিসাবে mGFR নির্ভুলতা নির্বাচন করা, নির্ভুলতার গ্রহণযোগ্য স্তর কী, নির্ভুলতা কীভাবে পরিমাপ করা যায় এবং ক্লিনিকাল সিদ্ধান্ত গ্রহণের জন্য eGFR কে একটি থ্রেশহোল্ড হিসাবে ব্যবহার করা (যেমন কিডনি প্রতিস্থাপনের জন্য শর্ত নির্ধারণ করা বা ওষুধ নির্ধারণ করা)। অবশেষে, ইনপুট মডেলের বিষয়বস্তু নির্বাচন করার সময়, মানবিক মূল্যবোধগুলিও এই সূত্রে প্রবেশ করবে।

উদাহরণস্বরূপ, ২০২১ সালের আগে, নির্দেশিকাগুলিতে রোগীর বয়স, লিঙ্গ এবং বর্ণের উপর ভিত্তি করে eGFR সূত্রে ক্রিয়েটিনিনের মাত্রা সামঞ্জস্য করার পরামর্শ দেওয়া হয়েছিল (শুধুমাত্র কৃষ্ণাঙ্গ বা অ-কৃষ্ণাঙ্গ ব্যক্তিদের হিসাবে শ্রেণীবদ্ধ)। বর্ণের উপর ভিত্তি করে সমন্বয় mGFR সূত্রের নির্ভুলতা উন্নত করার লক্ষ্যে করা হয়েছিল, কিন্তু ২০২০ সালে, প্রধান হাসপাতালগুলি বর্ণ ভিত্তিক eGFR ব্যবহার নিয়ে প্রশ্ন তুলতে শুরু করে, কারণগুলি হল প্রতিস্থাপনের জন্য রোগীর যোগ্যতা বিলম্বিত করা এবং জাতিকে জৈবিক ধারণা হিসাবে সংহত করা। গবেষণায় দেখা গেছে যে বর্ণের পরিপ্রেক্ষিতে eGFR মডেল ডিজাইন করা নির্ভুলতা এবং ক্লিনিকাল ফলাফলের উপর গভীর এবং বিভিন্ন প্রভাব ফেলতে পারে; অতএব, নির্ভুলতার উপর নির্বাচনীভাবে মনোযোগ দেওয়া বা ফলাফলের একটি অংশের উপর মনোযোগ দেওয়া মূল্য বিচারকে প্রতিফলিত করে এবং স্বচ্ছ সিদ্ধান্ত গ্রহণকে আড়াল করতে পারে। অবশেষে, জাতীয় কর্মী গোষ্ঠী একটি নতুন সূত্র প্রস্তাব করেছে যা কর্মক্ষমতা এবং ন্যায্যতার বিষয়গুলির ভারসাম্য বজায় রাখার জন্য জাতি বিবেচনা না করেই পুনরায় ফিট করা হয়েছিল। এই উদাহরণটি দেখায় যে একটি সাধারণ ক্লিনিকাল সূত্রেরও মানবিক মূল্যবোধে অনেক প্রবেশের পয়েন্ট রয়েছে।

অল্প সংখ্যক ভবিষ্যদ্বাণীমূলক সূচক সহ ক্লিনিকাল সূত্রের তুলনায়, LLM-এ বিলিয়ন থেকে শত শত বিলিয়ন প্যারামিটার (মডেল ওজন) বা তার বেশি থাকতে পারে, যা বোঝা কঠিন করে তোলে। আমরা যে কারণে "বোঝা কঠিন" বলি তা হল বেশিরভাগ LLM-তে, প্রশ্নের মাধ্যমে প্রতিক্রিয়া জানার সঠিক উপায় ম্যাপ করা যায় না। GPT-4-এর জন্য প্যারামিটারের সংখ্যা এখনও ঘোষণা করা হয়নি; এর পূর্বসূরী GPT-3-এর 175 বিলিয়ন প্যারামিটার ছিল। আরও প্যারামিটারের অর্থ অগত্যা শক্তিশালী ক্ষমতা নয়, কারণ ছোট মডেলগুলিতে আরও গণনামূলক চক্র অন্তর্ভুক্ত থাকে (যেমন LLaMA [বৃহত্তর ভাষা মডেল মেটা AI] মডেল সিরিজ) অথবা মানুষের প্রতিক্রিয়ার উপর ভিত্তি করে সূক্ষ্মভাবে সুর করা মডেলগুলি বৃহত্তর মডেলের তুলনায় ভাল পারফর্ম করবে। উদাহরণস্বরূপ, মানব মূল্যায়নকারীদের মতে, InstrumentGPT মডেল (1.3 বিলিয়ন প্যারামিটার সহ একটি মডেল) মডেল আউটপুট ফলাফল অপ্টিমাইজ করার ক্ষেত্রে GPT-3-কে ছাড়িয়ে যায়।

GPT-4 এর নির্দিষ্ট প্রশিক্ষণের বিবরণ এখনও প্রকাশ করা হয়নি, তবে GPT-3, InstrumentGPT এবং অন্যান্য অনেক ওপেন-সোর্স LLM সহ পূর্ববর্তী প্রজন্মের মডেলগুলির বিবরণ প্রকাশ করা হয়েছে। আজকাল, অনেক AI মডেল মডেল কার্ডের সাথে আসে; GPT-4 এর মূল্যায়ন এবং সুরক্ষা ডেটা মডেল তৈরির কোম্পানি OpenAI দ্বারা প্রদত্ত একই ধরণের সিস্টেম কার্ডে প্রকাশিত হয়েছে। LLM তৈরিকে মোটামুটি দুটি পর্যায়ে ভাগ করা যেতে পারে: প্রাথমিক প্রাক-প্রশিক্ষণ পর্যায় এবং মডেল আউটপুট ফলাফল অপ্টিমাইজ করার লক্ষ্যে সূক্ষ্ম-সুরকরণ পর্যায়। প্রাক-প্রশিক্ষণ পর্যায়ে, মডেলটিকে মূল ইন্টারনেট পাঠ্য সহ একটি বৃহৎ সংগ্রহ সরবরাহ করা হয় যাতে এটি পরবর্তী শব্দ ভবিষ্যদ্বাণী করতে প্রশিক্ষণ দেয়। এই আপাতদৃষ্টিতে সহজ "স্বয়ংক্রিয় সমাপ্তি" প্রক্রিয়াটি একটি শক্তিশালী ভিত্তিগত মডেল তৈরি করে, তবে এটি ক্ষতিকারক আচরণের দিকেও নিয়ে যেতে পারে। মানবিক মূল্যবোধগুলি প্রাক-প্রশিক্ষণ পর্যায়ে প্রবেশ করবে, যার মধ্যে GPT-4 এর জন্য প্রাক-প্রশিক্ষণ ডেটা নির্বাচন করা এবং প্রাক-প্রশিক্ষণ ডেটা থেকে অশ্লীল সামগ্রীর মতো অনুপযুক্ত সামগ্রী অপসারণ করার সিদ্ধান্ত নেওয়া অন্তর্ভুক্ত। এই প্রচেষ্টা সত্ত্বেও, মৌলিক মডেলটি এখনও কার্যকর বা ক্ষতিকারক আউটপুট ফলাফল ধারণ করতে সক্ষম নাও হতে পারে। সূক্ষ্ম-সুরকরণের পরবর্তী পর্যায়ে, অনেক কার্যকর এবং ক্ষতিকারক আচরণের উদ্ভব হবে।

সূক্ষ্ম-সুরকরণ পর্যায়ে, মানুষের প্রতিক্রিয়ার উপর ভিত্তি করে তত্ত্বাবধানে সূক্ষ্ম-সুরকরণ এবং শক্তিবৃদ্ধি শিক্ষার মাধ্যমে প্রায়শই ভাষা মডেলগুলির আচরণ গভীরভাবে পরিবর্তিত হয়। তত্ত্বাবধানে সূক্ষ্ম-সুরকরণ পর্যায়ে, নিয়োগকৃত ঠিকাদার কর্মীরা তাৎক্ষণিক শব্দের জন্য প্রতিক্রিয়া উদাহরণ লিখবেন এবং সরাসরি মডেলটিকে প্রশিক্ষণ দেবেন। মানুষের প্রতিক্রিয়ার উপর ভিত্তি করে শক্তিবৃদ্ধি শিক্ষার পর্যায়ে, মানব মূল্যায়নকারীরা মডেল আউটপুট ফলাফলগুলিকে ইনপুট সামগ্রীর উদাহরণ হিসাবে বাছাই করবেন। তারপর "পুরষ্কার মডেল" শিখতে এবং শক্তিবৃদ্ধি শিক্ষার মাধ্যমে মডেলটিকে আরও উন্নত করতে উপরের তুলনামূলক ফলাফলগুলি প্রয়োগ করুন। আশ্চর্যজনক নিম্ন-স্তরের মানুষের সম্পৃক্ততা এই বৃহৎ মডেলগুলিকে সূক্ষ্ম-সুরকরণ করতে পারে। উদাহরণস্বরূপ, InstrumentGPT মডেলটি ক্রাউডসোর্সিং ওয়েবসাইটগুলি থেকে নিয়োগ করা প্রায় 40 জন ঠিকাদার কর্মীর একটি দল ব্যবহার করেছে এবং বিভিন্ন জনসংখ্যা গোষ্ঠীর পছন্দের প্রতি সংবেদনশীল টীকাকারদের একটি দল নির্বাচন করার লক্ষ্যে একটি স্ক্রিনিং পরীক্ষায় উত্তীর্ণ হয়েছে।

এই দুটি চরম উদাহরণ, যেমন সরল ক্লিনিকাল সূত্র [eGFR] এবং শক্তিশালী LLM [GPT-4], প্রমাণ করে যে, মানুষের সিদ্ধান্ত গ্রহণ এবং মানবিক মূল্যবোধ মডেল আউটপুট ফলাফল গঠনে একটি অপরিহার্য ভূমিকা পালন করে। এই AI মডেলগুলি কি তাদের বৈচিত্র্যময় রোগী এবং চিকিৎসক মূল্যবোধগুলিকে ধারণ করতে পারে? চিকিৎসায় AI প্রয়োগকে কীভাবে জনসাধারণের কাছে পরিচালিত করা যায়? নীচে উল্লিখিত হিসাবে, চিকিৎসা সিদ্ধান্ত বিশ্লেষণের পুনঃপরীক্ষা এই সমস্যাগুলির একটি নীতিগত সমাধান প্রদান করতে পারে।

চিকিৎসা সিদ্ধান্ত বিশ্লেষণ অনেক চিকিৎসকের কাছে পরিচিত নয়, তবে এটি সম্ভাব্য যুক্তি (সিদ্ধান্ত গ্রহণের সাথে সম্পর্কিত অনিশ্চিত ফলাফলের জন্য, যেমন চিত্র 1-এ দেখানো বিতর্কিত ক্লিনিকাল পরিস্থিতিতে মানুষের বৃদ্ধির হরমোন পরিচালনা করা হবে কিনা) এবং বিবেচনার কারণগুলির মধ্যে পার্থক্য করতে পারে (এই ফলাফলগুলির সাথে সংযুক্ত ব্যক্তিগত মানগুলির জন্য, যার মান "উপযোগিতা" হিসাবে পরিমাপ করা হয়, যেমন পুরুষের উচ্চতায় 2 সেমি বৃদ্ধির মান), জটিল চিকিৎসা সিদ্ধান্তের জন্য পদ্ধতিগত সমাধান প্রদান করে। সিদ্ধান্ত বিশ্লেষণে, চিকিৎসকদের প্রথমে প্রতিটি ফলাফলের সাথে সম্পর্কিত সমস্ত সম্ভাব্য সিদ্ধান্ত এবং সম্ভাব্যতা নির্ধারণ করতে হবে এবং তারপরে সবচেয়ে উপযুক্ত বিকল্পটি নির্বাচন করার জন্য প্রতিটি ফলাফলের সাথে সম্পর্কিত রোগীর (বা অন্য পক্ষের) উপযোগিতা অন্তর্ভুক্ত করতে হবে। অতএব, সিদ্ধান্ত বিশ্লেষণের বৈধতা ফলাফল সেটিং ব্যাপক কিনা, সেইসাথে উপযোগিতা পরিমাপ এবং সম্ভাব্যতার অনুমান সঠিক কিনা তার উপর নির্ভর করে। আদর্শভাবে, এই পদ্ধতিটি নিশ্চিত করতে সাহায্য করে যে সিদ্ধান্তগুলি প্রমাণ-ভিত্তিক এবং রোগীর পছন্দের সাথে সামঞ্জস্যপূর্ণ, যার ফলে বস্তুনিষ্ঠ তথ্য এবং ব্যক্তিগত মূল্যবোধের মধ্যে ব্যবধান কমিয়ে আনা হয়। এই পদ্ধতিটি বেশ কয়েক দশক আগে চিকিৎসা ক্ষেত্রে চালু করা হয়েছিল এবং ব্যক্তিগত রোগীর সিদ্ধান্ত গ্রহণ এবং জনসংখ্যার স্বাস্থ্য মূল্যায়নের ক্ষেত্রে প্রয়োগ করা হয়েছিল, যেমন সাধারণ জনগণের জন্য কোলোরেক্টাল ক্যান্সার স্ক্রিনিংয়ের জন্য সুপারিশ প্রদান করা।

চিকিৎসা সিদ্ধান্ত বিশ্লেষণে, উপযোগিতা অর্জনের জন্য বিভিন্ন পদ্ধতি তৈরি করা হয়েছে। বেশিরভাগ ঐতিহ্যবাহী পদ্ধতি সরাসরি পৃথক রোগীদের কাছ থেকে মূল্য অর্জন করে। সবচেয়ে সহজ পদ্ধতি হল একটি রেটিং স্কেল ব্যবহার করা, যেখানে রোগীরা একটি নির্দিষ্ট ফলাফলের জন্য তাদের পছন্দের স্তরটি ডিজিটাল স্কেলে (যেমন 1 থেকে 10 পর্যন্ত একটি রৈখিক স্কেল) মূল্যায়ন করে, যেখানে উভয় প্রান্তে সবচেয়ে চরম স্বাস্থ্য ফলাফল (যেমন সম্পূর্ণ স্বাস্থ্য এবং মৃত্যু) অবস্থিত থাকে। সময় বিনিময় পদ্ধতি আরেকটি সাধারণভাবে ব্যবহৃত পদ্ধতি। এই পদ্ধতিতে, রোগীদের সিদ্ধান্ত নিতে হয় যে তারা খারাপ স্বাস্থ্যের সময়ের বিনিময়ে কতটা স্বাস্থ্যকর সময় ব্যয় করতে ইচ্ছুক। স্ট্যান্ডার্ড জুয়া পদ্ধতি হল উপযোগিতা নির্ধারণের জন্য আরেকটি সাধারণভাবে ব্যবহৃত পদ্ধতি। এই পদ্ধতিতে, রোগীদের জিজ্ঞাসা করা হয় যে তারা দুটি বিকল্পের মধ্যে কোনটি পছন্দ করে: হয় একটি নির্দিষ্ট সম্ভাব্যতা (p) (t) সহ স্বাভাবিক স্বাস্থ্যে নির্দিষ্ট সংখ্যক বছর বেঁচে থাকুন, এবং 1-p সম্ভাব্যতা সহ মৃত্যুর ঝুঁকি বহন করুন; হয় ক্রস হেলথ অবস্থার অধীনে t বছর বেঁচে থাকার বিষয়টি নিশ্চিত করুন। রোগীদের বিভিন্ন p-মানে একাধিকবার জিজ্ঞাসা করুন যতক্ষণ না তারা কোনও বিকল্পের জন্য কোনও পছন্দ না দেখায়, যাতে রোগীর প্রতিক্রিয়ার উপর ভিত্তি করে উপযোগিতা গণনা করা যায়।
রোগীর ব্যক্তিগত পছন্দগুলি অর্জনের জন্য ব্যবহৃত পদ্ধতিগুলির পাশাপাশি, রোগীর জনসংখ্যার জন্য উপযোগিতা অর্জনের জন্য পদ্ধতিগুলিও তৈরি করা হয়েছে। বিশেষ করে ফোকাস গ্রুপ আলোচনা (রোগীদের নির্দিষ্ট অভিজ্ঞতা নিয়ে আলোচনা করার জন্য একত্রিত করা) তাদের দৃষ্টিভঙ্গি বুঝতে সাহায্য করতে পারে। গ্রুপ উপযোগিতা কার্যকরভাবে একত্রিত করার জন্য, বিভিন্ন কাঠামোগত গ্রুপ আলোচনা কৌশল প্রস্তাব করা হয়েছে।
বাস্তবে, ক্লিনিকাল রোগ নির্ণয় এবং চিকিৎসা প্রক্রিয়ায় ইউটিলিটির সরাসরি প্রবর্তন খুবই সময়সাপেক্ষ। সমাধান হিসেবে, জনসংখ্যা স্তরে ইউটিলিটি স্কোর পেতে সাধারণত জরিপ প্রশ্নাবলী এলোমেলোভাবে নির্বাচিত জনগোষ্ঠীর মধ্যে বিতরণ করা হয়। কিছু উদাহরণের মধ্যে রয়েছে ইউরোকিউল ৫-মাত্রিক প্রশ্নাবলী, ৬-মাত্রিক ইউটিলিটি ওয়েট শর্ট ফর্ম, হেলথ ইউটিলিটি ইনডেক্স এবং ক্যান্সার স্পেসিফিক ইউরোপীয় ক্যান্সার গবেষণা ও চিকিৎসা সংস্থা কোয়ালিটি অফ লাইফ প্রশ্নাবলী কোর ৩০ টুল।