AI Summary & Key Takeaways
AI InsightWe compared the reliability, overall quality, and readability of patient-facing texts generated by GPT-5.5 and Claude Opus 4.8.
📌 3 Key Takeaways
Abstract
Patients increasingly consult conversational artificial intelligence about hand and wrist conditions, but the performance of proprietary large language models remains unclear. We compared the reliability, overall quality, and readability of patient-facing texts generated by GPT-5.5 and Claude Opus 4.8. Thirty hand surgery topics were selected from orthopedic education resources and the authors' outpatient practice. Each model received the same prompt and generated one response per topic (60 texts). Two fellowship-trained, certified hand surgeons independently evaluated source-masked outputs. DISCERN assessed reliability and treatment information, the Global Quality Score (GQS) overall quality, and the Flesch-Kincaid Grade Level (FKGL) and Flesch Reading Ease (FRE) readability. Platforms were compared with the Mann-Whitney U test and interrater agreement with the intraclass correlation coefficient (ICC). Median DISCERN scores were 66.5 for GPT-5.5 and 63.5 for Claude Opus 4.8 (p = 0.143); median GQS was 4.0 for both (p = 0.389). Claude Opus 4.8 had a lower median FKGL (8.75 vs 10.4; p < 0.001) and higher median FRE (50.35 vs 43.6; p = 0.009). ICCs (95% CIs) were 0.755 (0.589-0.853) for DISCERN and 0.676 (0.458-0.807) for GQS. Expert-rated reliability and overall quality did not differ significantly, whereas Claude Opus 4.8 produced more favorable formula-based readability scores; median FKGL for both models nevertheless remained above the recommended sixth-grade level. Because FKGL and FRE quantify surface linguistic complexity rather than understanding, these findings describe written outputs only; they do not establish better patient comprehension, clinical effectiveness, factual equivalence, or safety.
Özet
Hastalar el ve el bileği hastalıkları hakkında bilgi edinmek için giderek daha fazla konuşmaya dayalı yapay zekâ araçlarına başvurmaktadır. Bununla birlikte, mevcut büyük dil modellerinin performansı yeterince tanımlanmamıştır. Bu çalışmada GPT-5.5 ve Claude Opus 4.8 tarafından üretilen hasta eğitimi metinlerinin güvenilirliği, genel kalitesi ve okunabilirliği karşılaştırıldı. Ortopedik eğitim kaynakları ve yazarların poliklinik pratiğine dayanarak 30 el cerrahisi konusu seçildi. Her model aynı istemle konu başına bir yanıt üretti (toplam 60 metin). Yan dal eğitimi almış iki el cerrahı, kaynak kimliği maskelenmiş metinleri bağımsız değerlendirdi. Güvenilirlik ve tedavi bilgisi DISCERN, genel kalite Global Kalite Skoru (GQS), okunabilirlik Flesch-Kincaid Sınıf Düzeyi (FKGL) ve Flesch Okuma Kolaylığı (FRE) ile değerlendirildi. Platformlar Mann-Whitney U testiyle, değerlendiriciler arası uyum sınıf içi korelasyon katsayısı (ICC) ile analiz edildi. Ortanca DISCERN puanı GPT-5.5 için 66,5, Claude Opus 4.8 için 63,5 idi (p = 0,143); ortanca GQS her iki modelde 4,0 bulundu (p = 0,389). Claude Opus 4.8 daha düşük FKGL (8,75'e karşı 10,4; p < 0,001) ve daha yüksek FRE (50,35'e karşı 43,6; p = 0,009) sağladı. ICC nokta tahminleri (%95 GA) DISCERN için 0,755 (0,589-0,853), GQS için 0,676 (0,458-0,807) idi. Uzmanlarca puanlanan güvenilirlik ve genel kalite bakımından anlamlı fark saptanmazken Claude Opus 4.8 daha olumlu formüle dayalı okunabilirlik göstergeleri ortaya koydu; her iki modelde de ortanca FKGL, önerilen altıncı sınıf okuma düzeyinin üzerinde bulundu. FKGL ve FRE yüzeysel dilsel karmaşıklığı ölçtüğünden bu bulgular daha iyi hasta anlayışının, klinik etkinliğin, olgusal eşdeğerliğin veya güvenliğin kanıtı olarak yorumlanmamalıdır.