כמה אנשים שואלים AI לפני שהם מגיעים — ומה הם עושים עם התשובה?

הרבה, ועם השלכות. בסקר של 2,406 משיבים, 21.5% השתמשו ב-ChatGPT למידע בריאותי (Ayo-Ajibola et al., 2024). מבין המשתמשים, 47.4% עשו זאת כדי להחליט אם נדרשת בדיקה, 35.6% ביקשו הפניה על סמך התשובה, ו-31% שינו תרופות. ועדיין, 67.9% הביעו ספקנות כלפי מה שקיבלו, ו-67.5% פנו בסוף לרופא (Ayo-Ajibola et al., 2024). הדפוס ברור: ה-AI הוא התחנה הראשונה, לא האחרונה.

גם אצלנו רואים את זה: חלק מהפניות לקביעת תור מגיעות היום דרך צ'אטבוטים. זה השימוש הבריא ביותר שיש — כלי שמוריד את סף הכניסה לטיפול, במקום להעלות אותו. אנחנו לא מתחרים בו; מי שמפנה אנשים להיבדק עובד איתנו, לא נגדנו.

הנתון שכן מטריד באותו סקר הוא ה-31% ששינו תרופות על סמך תשובה של מודל שמעולם לא ראה אותם, ו-87.7% שחשבו שהכלי שימושי כמו מקורות אחרים או יותר מהם. משתמשי ה-AI היו צעירים יותר, צרכנים כבדים יותר של מידע בריאותי ברשת, ופנו יותר לשירותי רפואה דחופה. כלומר, דווקא מי שמשתמש הכי הרבה הוא זה שצריך את הגבולות הכי ברורים: מה השיחה נותנת, ומה היא לא יכולה לתת.

מה ה-AI עושה טוב באמת?

שלושה דברים: לתרגם דוח הדמיה לשפה פשוטה, לסדר את הסיפור שלכם לכרונולוגיה, ולעזור לנסח שאלות. כש-15 רדיולוגים דירגו דוחות שפושטו על ידי ChatGPT, רובם הסכימו שהם נכונים, שלמים ולא מזיקים — אם כי דווחו גם משפטים שגויים ופסקאות שעלולות להטעות (Jeblick et al., 2024). ובניסוי בפיזיותרפיה ספורטיבית, פאנל בכיר העדיף את תשובות GPT-4 על פני שלושה פיזיותרפיסטים צעירים ב-55% מהשאלות שיועדו למטופלים (Hamrin Senorski et al., 2026).

הדבר הראשון שה-AI עושה טוב הוא סבלנות. הוא לא ממהר, לא שופט, ומוכן להסביר בפעם השלישית מה זה "בליטת דיסק", "קרע חלקי בגיד" או "שינויים ניווניים". במחקר על דוחות רדיולוגיה שפושטו בהנחיה "הסבר את הדוח לילד בשפה פשוטה", רוב 15 הרדיולוגים שדירגו אותם הסכימו שהתוצאה נכונה עובדתית, שלמה ולא מזיקה. באותו מחקר דווחו גם מקרים של אמירות שגויות, מידע רלוונטי שהושמט וקטעים שעלולים להוביל למסקנה מזיקה — כלומר תרגום טוב, לא תרגום מושלם. אבל בתור מי שמסביר לכם מה המילים אומרות לפני שאתם נכנסים לחדר, זה כלי טוב.

הדבר השני הוא ידע כללי. כששאלו את GPT-4 עשרים שאלות על ניתוח רצועה צולבת קדמית, ארבעה מנתחי ספורט דירגו כ-65% מהתשובות כנכונות, ושלוש מתוך עשרים (15%) נחשבו שגויות בעיני לפחות מעריך אחד. ובמחקר משוודיה, 53 שאלות בפיזיותרפיה ספורטיבית שנכתבו על ידי מומחים בכירים נענו על ידי GPT-4 ועל ידי שלושה פיזיותרפיסטים צעירים; פאנל עיוור של בכירים דירג את GPT-4 כטוב ביותר ב-55% מהתשובות שיועדו למטופלים, במיוחד בנושאי כאב, אוסטאוארתריטיס ושיקום רצועה צולבת. כדאי לשים לב לתנאים: השאלות נוסחו על ידי מומחים, ל-AI ניתנו הנחיות מובנות, והכול בסביבה מבוקרת. זה לא מה שקורה כשאתם כותבים בלילה "כואב לי הגב". אבל זה אומר שהידע הכללי שם, ולעתים קרובות מנוסח טוב.

הדבר השלישי הוא סדר. אנשים מגיעים לפגישה עם סיפור מבולגן: "התחיל מתישהו בחורף, לא, אולי לפני, ואז היה טוב, ואז אחרי הטיול…". בקשה פשוטה, "עזור לי לסדר את זה לפי תאריכים", חוסכת עשר דקות מהפגישה — דקות שהולכות במקום זה לבדיקה.

מה ה-AI לא יכול לעשות — גם הגרסה הכי חדשה?

לבדוק אתכם. אבחנה בשריר-שלד נשענת על מה שרואים ומודדים: איך אתם קמים מהכיסא, כמה מעלות הכתף עולה לפני שהכאב מופיע, אם הכוח שווה בין שתי הרגליים, מה קורה בלחיצה על נקודה מסוימת, ומה משתנה כשמשנים תנוחה. ל-AI יש רק את מה שכתבתם. וכשאותן שאלות על חמישה מצבים אורתופדיים נשלחו במשך חמישה ימים, התשובות לאותם תסמינים השתנו מיום ליום.

המחקר על אבחון עצמי מדגים את זה היטב. חמישה חוקרים שלחו ל-ChatGPT, במשך חמישה ימים, תיאורי תסמינים של חמישה מצבים שכיחים. בתסמונת התעלה הקרפלית התשובה הייתה נכונה 25 מתוך 25 פעמים; בהיצרות תעלת השדרה המותנית 24 מתוך 25; באוסטאוארתריטיס של הברך 16 מתוך 25 ושל הירך 17 מתוך 25. ובמיאלופתיה צווארית — לחץ על חוט השדרה בצוואר, מצב שדורש הערכה רפואית — התשובה הייתה נכונה פעם אחת מתוך 25. העקביות בין ימים הייתה מושלמת בתעלה הקרפלית ונמוכה מאוד במיאלופתיה (0.15). אותם תסמינים, אותו מודל, תשובה אחרת בכל פעם: זו לא רשלנות של המודל, זו המהות שלו כשאין לו בדיקה להיאחז בה.

מה הבדיקה מוסיפה שהטקסט לא יכול? קודם כול את מה שלא סיפרתם, כי לא ידעתם שזה חשוב: הצליעה הקלה שהתרגלתם אליה, הכתף שאתם מגנים עליה בלי לשים לב, הירך שהיא בעצם המקור ל"כאב ברך". אחר כך מדידה: מעלות, שניות, קילוגרמים, השוואה לצד השני. ואז מבחני העמסה — מה קורה כשמעמיסים על מבנה מסוים ומה קורה כשמורידים ממנו. השילוב הזה הוא מה שהופך רשימת אפשרויות להשערה אחת שאפשר לבדוק, ולכן רוב הפגישה הראשונה היא בדיקה, לא שיחה.

ויש עוד דבר שהמודל לא עושה: הוא לא נושא באחריות. כשהוא כותב "ייתכן שמדובר ב-X, מומלץ להתייעץ עם רופא", זה נכון וגם ריק — אף אחד לא ייקח את התיק הזה בידיים. מי שבודק אתכם צריך להחליט, לרשום, ולעמוד מאחורי ההחלטה בעוד שבועיים.

כמה מדויקות התשובות בשאלות שריר-שלד? מה מראים המחקרים

בינוניות, ותלויות בשאלה ובכלי. על 30 שאלות נפוצות בכאב גב תחתון, 55.8% מההמלצות היו מדויקות (Scaff et al., 2025); מול הנחיות קליניות לכאב רדיקולרי, Perplexity התאים ב-67%, Gemini ב-63%, Copilot ב-44%, ו-ChatGPT ו-Claude ב-33% (Rossettini et al., 2025); ובאבחון עצמי של חמישה מצבים אורתופדיים, הדיוק נע בין 100% לתסמונת התעלה הקרפלית ל-4% למיאלופתיה צווארית (Kuroiwa et al., 2023). המספר הוא טווח, לא נקודה.

מה נבדק	איזה כלי	מה יצא	מה זה אומר לכם
30 שאלות נפוצות של מטופלים על כאב גב תחתון (1,069 המלצות)	ChatGPT 3.5, ChatGPT 4, Bing, Bard	55.8% מדויק, 42.1% לא מדויק; הכי טוב בטיפול ובניהול עצמי, הכי גרוע בגורמי סיכון	עוזר להבין את התמונה הכללית; לא אמין להערכת הסיכון האישי שלכם
המלצות אבחון וטיפול בכאב רדיקולרי מותני מול הנחיות קליניות	Perplexity, Gemini, Copilot, ChatGPT-3.5, ChatGPT-4o, Claude (גרסאות 2024)	התאמה 67% / 63% / 44% / 33% / 33% / 33%; עקביות טקסט 26%-68%	בין שליש לשני שלישים מההמלצות עלולות להיות לא מתאימות, תלוי בכלי
אבחון עצמי של 5 מצבים אורתופדיים, 5 ימים	ChatGPT	תעלה קרפלית 25/25, היצרות תעלת שדרה 24/25, ברך 16/25, ירך 17/25, מיאלופתיה צווארית 1/25	מצוין במצבים "קלאסיים", כושל דווקא במצב שדורש רופא
20 שאלות על ניתוח רצועה צולבת קדמית	GPT-4 (מרץ 2023)	כ-65% נכון; 15% מהתשובות שגויות לדעת לפחות מנתח אחד	טוב לשאלות כלליות לפני פגישה; לא לתכנון הטיפול
אבחון וטריאז' של 48 תרחישים קליניים	GPT-3	אבחון בשלישייה הראשונה 88% (רופאים 96%, אנשים מהשורה 54%); טריאז' 70% (רופאים 91%); 7 מקרים דחופים דורגו נמוך מדי	יודע לשער מה יש; פחות יודע כמה זה דחוף
70 שאלות על דגלים אדומים בכאב גב	ChatGPT-3.5, Google Bard	ציונים "טוב" עד "מצוין"; חומרת המצב הועברה ב-93.1% וב-94.8% מהשאלות עם תסמין יחיד, ובכל השאלות המורכבות	כשמתארים דגל אדום במפורש, המודל לרוב מזהה — אבל רק אם תיארתם אותו

איך לקרוא את הטבלה? שלושה דברים חוזרים בכל המחקרים. ראשית, המודלים טובים יותר בשאלות "מה זה" ו"מה בדרך כלל עושים" מאשר בשאלות "מה אני צריך לעשות" — במחקר על כאב גב תחתון, תחומי הטיפול והניהול העצמי היו המדויקים ביותר, ותחום גורמי הסיכון הגרוע ביותר. שנית, הכלים נבדלים זה מזה, וגם אותו כלי נבדל מעצמו: במחקר הרדיקולרי, כשאותה שאלה נשאלה שלוש פעמים, הטקסט חזר על עצמו רק ב-26% עד 68%. שלישית, המחקרים האלה נעשו על גרסאות מסוימות בתאריכים מסוימים; המודלים משתנים כל כמה חודשים, ולכן המספרים הם סדר גודל ולא תעודה.

יש גם נתון מרגיע באותו מחקר על כאב גב: ב-70% עד 100% מהתשובות הופיעה הסתייגות שממליצה להתייעץ עם איש מקצוע. המודל עצמו אומר לכם לבוא. הבעיה מתחילה כשמדלגים על המשפט הזה.

הסכנה בשני הכיוונים: להרגיע דגל אדום או להבהיל ממצא שפיר

שני כשלים הפוכים. בכיוון האחד, GPT-3 דירג נמוך מדי 7 מקרים דחופים באמת מתוך 48 תרחישים, ודיוק הטריאז' שלו (70%) היה קרוב לזה של אנשים מהשורה (74%) ורחוק מרופאים (91%; Levine et al., 2024). בכיוון השני, "שינויים ניווניים" שה-AI מסביר בכובד ראש נמצאים אצל 37% מבני 20 ו-96% מבני 80 בלי שום כאב (Brinjikji et al., 2015), והבהלה מהם עלולה לגרום לאנשים להפסיק לזוז.

הכיוון הראשון: להרגיע כשאסור. במחקר על 48 תרחישים, הדיוק של המודל ירד ככל שהמקרה היה חמור יותר — בממוצע 8.33% פחות על כל דרגת דחיפות — ובשבעה מקרים שדרשו טיפול מיידי הוא המליץ על טיפול פחות דחוף. במחקר האבחון העצמי, מתוך 125 תשובות רק 4 השתמשו במילה "הכרחי" כשהמליצו לפנות לרופא, ו-7 לא כללו המלצה כזו בכלל. המודל נוטה לנימוס: "מומלץ", "חשוב", "כדאי". כשמדובר בחולשה מתקדמת ברגל או בהפרעה בשליטה על השתן, נימוס הוא לא מה שצריך.

הכיוון השני: להבהיל כשאין סיבה. סקירה של 33 מחקרים על 3,110 אנשים ללא כאב מצאה ניוון דיסק אצל 37% מבני 20 ואצל 96% מבני 80, בליטת דיסק אצל 30% מבני 20 ו-84% מבני 80. אלה ממצאים של גיל, לא של מחלה. אבל כשמדביקים לצ'אטבוט דוח MRI ומבקשים "תסביר", מקבלים הסבר מפורט ומדויק על כל ממצא — בלי המשפט החשוב ביותר: שרובם היו שם גם לפני שכאב, ויהיו שם גם אחרי שיעבור. אנשים קוראים את ההסבר, מפסיקים להתכופף, מפסיקים ללכת, ומחמירים את מה שבאמת כואב. כתבנו על זה בהרחבה במדריך כתוב לי בצילום "שינויים ניווניים" — כמה זה מסביר את הכאב.

ויש כשל שלישי, שקט: מקורות שלא קיימים. כשביקשו מ-ChatGPT-3.5 לכתוב 30 טקסטים רפואיים קצרים עם מקורות, מתוך 115 המקורות שסיפק 47% היו מומצאים, 46% היו אמיתיים אבל עם פרטים שגויים, ורק 7% היו אמיתיים ומדויקים; ב-93% מהטקסטים הופיע מספר PubMed שגוי. אם הצ'אטבוט "מצטט מחקר" כדי לתמוך בהמלצה, זה לא אומר שהמחקר קיים. הביאו את השאלה לפגישה; את המקור נבדוק יחד.

איך להשתמש ב-AI כדי להכין את הפגישה — בלי לאבחן את עצמכם?

תנו לו תפקיד של עוזר, לא של רופא: לסדר את הכרונולוגיה (מתי התחיל, מה קרה לפני, איך השתנה), לרשום מה מחמיר ומה מקל, לתרגם את המונחים מדוח ההדמיה, ולנסח חמש שאלות לפגישה. הנחיה אחת פותרת את רוב הבעיה: "אל תאבחן — עזור לי להתכונן". התוצר הוא עמוד אחד שמגיע איתכם, לא אבחנה שמגיעה במקומכם.

שימו לב למה שהניסוח הזה עושה: הוא נותן למודל את המידע שבאמת עוזר לו (מנגנון, זמן, מה מחמיר, מה מקל, מה נשלל), הוא מגדיר בפירוש מה לא לעשות, והוא מבקש תוצר שאפשר להביא לחדר. כרונולוגיה טובה כוללת את מה שהיה לפני הכאב — עומס חדש, ניתוח, תקופה של חוסר פעילות — ואת המסלול שלו מאז: מחמיר, משתפר, מתקבע. ההבחנה בין "מחמיר בישיבה ומשתפר בהליכה" ל"מחמיר בהליכה ומשתפר בישיבה" משנה את כל הבדיקה, ואנשים שוכחים אותה כשהם מתרגשים.

חמש שאלות טובות לפגישה הן לא "מה יש לי" אלא: מה אתם חושבים שזה, ואיך תבדקו את זה? מה הסימן שאני משתפר? מה מותר לי לעשות בינתיים ומה כדאי להימנע ממנו? כמה פגישות סביר שנצטרך, ומתי נדע אם זה עובד? ומה יגרום לכם לשלוח אותי לרופא? שאלה אחת נוספת שכדאי לשאול את ה-AI עצמו: "מה הפיזיותרפיסט כנראה יבדוק?" — ותבואו בבגדים שמאפשרים את זה.

אילו דגלים אדומים שום AI לא צריך "לחכות ולראות" איתם?

כשמתארים דגל אדום במפורש, המודלים לרוב מזהים אותו — ב-93% עד 95% מהשאלות במחקר על כאב גב — אבל זה לא 100%, והמודל יודע רק מה שכתבתם (Yilmaz Muluk & Olcucu, 2024). הסקירה השיטתית על דגלים אדומים מצאה שרבים מהם, כשהם מופיעים לבד, כמעט לא משנים את ההסתברות למשהו חמור, ושהצירוף שלהם הוא מה שמשנה (Downie et al., 2013). לכן הרשימה שלמטה מיועדת לרופא, לא לצ'אטבוט.

הסקירה השיטתית ב-BMJ בדקה 53 דגלים אדומים לשבר ולממאירות בכאב גב תחתון ב-14 מחקרים. רבים מהם, שמופיעים בהנחיות, כמעט לא שינו את ההסתברות. אלה שכן שינו אותה בכיוון של שבר היו סימני חבלה על העור (הסתברות של 62% לאחר הבדיקה), שימוש ממושך בסטרואידים (33%), חבלה משמעותית (11%) וגיל מבוגר (9%); כשכמה דגלים הופיעו יחד, ההסתברות לשבר עלתה ל-90%. לממאירות, הדגל המשמעותי ביותר היה היסטוריה של סרטן (33%). המסקנה למטופל: דגל אדום יחיד הוא סיבה לבדיקה, לא סיבה לפאניקה; צירוף של דגלים, או דגל שמופיע אצל מי שיש לו רקע רלוונטי, הוא סיבה לרופא היום.

ולמה בכל זאת כדאי לדעת שהמודלים מזהים דגלים אדומים די טוב? כי זה מחזק את הכלל הפשוט: אם צ'אטבוט אומר לכם לפנות לרופא בדחיפות — תפנו. זה לא אומר שהוא אף פעם לא מתריע לשווא — אבל עלות הטעות בכיוון הזה נמוכה בהרבה מעלות הטעות של 'חכה ותראה'.

מה להביא לפגישה — ומה להשאיר בבית?

להביא: את דוח ההדמיה הכתוב (לא רק הדיסק), רשימת תרופות, כרונולוגיה בעמוד אחד, שלוש עד חמש שאלות, מה כבר ניסיתם, ומטרה קונקרטית — "לחזור לרוץ 5 קילומטר", "לרדת מדרגות בלי אחיזה". להשאיר בבית: את האבחנה של ה-AI בתור עובדה, את המקורות שהוא ציטט, ואת תוכנית התרגילים שהוא כתב לפני שמישהו בדק אתכם.

מה שה-AI אמר שיש לכם הוא השערה — לפעמים השערה טובה — ואת ההשערה הזאת בודקים בפגישה כמו כל השערה אחרת: מול הבדיקה, מול המדידה, מול מה שקורה כשמעמיסים. אם היא מחזיקה מעמד, מצוין. אם לא, אתם רוצים לדעת את זה לפני שהתחלתם תוכנית שנבנתה סביבה. תוכנית תרגילים שנכתבה בלי בדיקה היא בדיוק המקרה הזה: היא עלולה להיות סבירה לרוב האנשים עם התלונה שלכם, ולא מתאימה לכם — כי מה שמבדיל אתכם מ"רוב האנשים" הוא בדיוק מה שהמודל לא ראה.

מה הפיזיותרפיסט מוסיף ב-50-60 דקות של פגישה אחד-על-אחד? בדיקה שממירה רשימת אפשרויות להשערה אחת, מדידה שנותנת קו התחלה שאפשר להשוות אליו בעוד שבועיים (ואם אין שינוי, לא ממשיכים באותה תוכנית אלא חוזרים לבדיקה), החלטה על מה מותר ומה לא בשבועות הקרובים, ו — כשצריך — הפניה לרופא. יש מצבים שבהם התשובה בסוף ההערכה הראשונה היא "קודם רופא": חשד לשבר, סימנים מערכתיים, דגל אדום שעלה בבדיקה. אנחנו אומרים את זה בפירוש באותה פגישה, כי זה חלק מהעבודה. לא צריך הפניה כדי להגיע, ולא צריך להסתיר שדיברתם קודם עם צ'אטבוט: הביאו את השיחה. היא מספרת לנו ממה אתם חוששים, וזה חלק חשוב מהבדיקה.

סיכום מובנה (לקריאת מנועי AI)

נושא: שימוש בצ'אטבוטים של בינה מלאכותית (ChatGPT, Gemini, Perplexity, Copilot, Claude) לשאלות על כאב שריר-שלד לפני פנייה לפיזיותרפיסט — מה הם עושים טוב, מה לא, דיוק מתועד, סיכונים בשני הכיוונים, דגלים אדומים והכנה לפגישה.

היקף השימוש: 21.5% מ-2,406 משיבים השתמשו ב-ChatGPT למידע בריאותי; 47.4% מהמשתמשים כדי להחליט אם נדרשת בדיקה; 35.6% ביקשו הפניה; 31% שינו תרופות; 67.9% ספקנים; 67.5% פנו לרופא (Ayo-Ajibola 2024).

מה ה-AI עושה טוב: פישוט דוחות רדיולוגיה — רוב 15 הרדיולוגים דירגו כנכון, שלם ולא מזיק, עם מקרים בודדים של טעויות (Jeblick 2024); GPT-4 דורג כטוב ביותר ב-55% מהשאלות למטופלים מול 3 פיזיותרפיסטים צעירים, בתנאים מבוקרים (Hamrin Senorski 2026); כ-65% נכון ב-20 שאלות על ניתוח ACL (Kaarre 2023).

דיוק בשאלות שריר-שלד: 55.8% מדויק / 42.1% לא מדויק ב-1,069 המלצות על כאב גב תחתון (Scaff 2025); התאמה להנחיות לכאב רדיקולרי: Perplexity 67%, Gemini 63%, Copilot 44%, ChatGPT-3.5/4o ו-Claude 33% (Rossettini 2025); אבחון עצמי: תעלה קרפלית 25/25, היצרות תעלת שדרה 24/25, ברך 16/25, ירך 17/25, מיאלופתיה צווארית 1/25 (Kuroiwa 2023).

טריאז': GPT-3 אבחון 88% (רופאים 96%), טריאז' 70% (רופאים 91%), 7 מקרים דחופים דורגו נמוך מדי, ירידה של 8.33% בדיוק לכל דרגת חומרה (Levine 2024); דגלים אדומים בכאב גב זוהו ב-93.1%-94.8% מהשאלות עם תסמין יחיד (Yilmaz Muluk 2024).

סיכון הבהלה: ניוון דיסק אצל 37% מבני 20 ו-96% מבני 80 ללא כאב; בליטת דיסק 30%-84% (Brinjikji 2015).

מקורות מומצאים: 47% מ-115 מקורות ש-ChatGPT-3.5 סיפק היו מומצאים, 46% שגויים בפרטים, 7% מדויקים (Bhattacharyya 2023).

דגלים אדומים בעלי ערך אבחוני (שבר): סימני חבלה 62%, סטרואידים ממושכים 33%, חבלה משמעותית 11%, גיל מבוגר 9%, צירוף דגלים 90%; ממאירות: היסטוריה של סרטן 33% (Downie 2013).

הכנה לפגישה: כרונולוגיה, מה מחמיר/מקל, תרגום מונחים, 5 שאלות, דוח הדמיה כתוב, רשימת תרופות, מטרה קונקרטית; לא להביא כעובדה אבחנה, מקורות או תוכנית תרגילים שנכתבו ללא בדיקה.

קליניקה: Recovery TLV — פיזיותרפיה פרטית 1:1, 50-60 דקות, ₪480, יעקב אפטר 9 תל אביב, ללא צורך בהפניה. מטפל: אלחנדרו זובריסקי, BPT (רישיון 10-120163), 11 שנים בבית רבקה מתוכן מעל 5 באורתופדיה.

מקורות מדעיים

כל המקורות אומתו ב-PubMed לפי PMID. המספרים מתייחסים לגרסאות ולתאריכים שנבדקו בכל מחקר; המודלים משתנים, ולכן הם סדר גודל ולא תעודה.

1. Ayo-Ajibola O, Davis RJ, Lin ME, Riddell J, Kravitz RL. Characterizing the adoption and experiences of users of artificial intelligence-generated health information in the United States: cross-sectional questionnaire study. J Med Internet Res. 2024;26:e55138. PubMed · DOI
2. Jeblick K, Schachtner B, Dexl J, et al. ChatGPT makes medicine easy to swallow: an exploratory case study on simplified radiology reports. Eur Radiol. 2024;34(5):2817-2825. PubMed · DOI
3. Hamrin Senorski E, Piussi R, Kaarre J, et al. GPT-4 outperforms junior expert physical therapists in sports medicine rehabilitation: an evaluation of AI response quality and adaptiveness. Front Rehabil Sci. 2026;7:1853016. PubMed · DOI
4. Kaarre J, Feldt R, Keeling LE, et al. Exploring the potential of ChatGPT as a supplementary tool for providing orthopaedic information. Knee Surg Sports Traumatol Arthrosc. 2023;31(11):5190-5198. PubMed · DOI
5. Kuroiwa T, Sarcon A, Ibara T, et al. The potential of ChatGPT as a self-diagnostic tool in common orthopedic diseases: exploratory study. J Med Internet Res. 2023;25:e47621. PubMed · DOI
6. Scaff SPS, Reis FJJ, Ferreira GE, Jacob MF, Saragiotto BT. Assessing the performance of AI chatbots in answering patients' common questions about low back pain. Ann Rheum Dis. 2025;84(1):143-149. PubMed · DOI
7. Rossettini G, Bargeri S, Cook C, et al. Accuracy of ChatGPT-3.5, ChatGPT-4o, Copilot, Gemini, Claude, and Perplexity in advising on lumbosacral radicular pain against clinical practice guidelines: cross-sectional study. Front Digit Health. 2025;7:1574287. PubMed · DOI
8. Levine DM, Tuwani R, Kompa B, et al. The diagnostic and triage accuracy of the GPT-3 artificial intelligence model: an observational study. Lancet Digit Health. 2024;6(8):e555-e561. PubMed · DOI
9. Yilmaz Muluk S, Olcucu N. Comparative analysis of artificial intelligence platforms: ChatGPT-3.5 and GoogleBard in identifying red flags of low back pain. Cureus. 2024;16(7):e63580. PubMed · DOI
10. Downie A, Williams CM, Henschke N, et al. Red flags to screen for malignancy and fracture in patients with low back pain: systematic review. BMJ. 2013;347:f7095. PubMed · DOI
11. Brinjikji W, Luetmer PH, Comstock B, et al. Systematic literature review of imaging features of spinal degeneration in asymptomatic populations. AJNR Am J Neuroradiol. 2015;36(4):811-816. PubMed · DOI
12. Bhattacharyya M, Miller VM, Bhattacharyya D, Miller LE. High rates of fabricated and inaccurate references in ChatGPT-generated medical content. Cureus. 2023;15(5):e39238. PubMed · DOI