Berita
Cukup tambahkan manusia: Studi medis di Oxford mengkonfirmasi tautan yang hilang dalam tes chatbot

Bergabunglah dengan acara bahwa para pemimpin lembaga telah dipercaya selama hampir dua dekade. VB Transform menggabungkan orang yang membangun strategi AI untuk institusi nyata. Pelajari lebih lanjut
Berita utama ini mengungguli ini selama bertahun -tahun: tidak hanya model LLMS (LLM) hanya dapat lulus pemeriksaan lisensi medis, tetapi juga mengungguli manusia. GPT-4 dapat dengan benar menjawab 90 % dari waktu, bahkan pada hari-hari intelijen prasejarah 2023. Sejak itu, LLMS terus lebih baik Populasi mengikuti ujian itu Dan Dokter Bersertifikat.
Bergerak, dokter Google, memberi jalan ke chatgpt, MD, tetapi Anda mungkin ingin lebih dari satu diploma dari LLM yang Anda terbitkan kepada pasien. Seperti seorang mahasiswa kedokteran ace yang dapat menyingkirkan nama setiap tulang di tangan, tetapi mereka menghilang pada pandangan pertama pada darah asli, penguasaan LLM tidak selalu diterjemahkan ke dunia nyata.
A kertas Oleh para peneliti di Universitas Oxford Saya menemukan bahwa meskipun LLMS dapat dengan baik menentukan kondisi yang relevan 94,9 % waktu ketika mereka diserahkan langsung dengan skenario pengujian, peserta manusia yang menggunakan LLM untuk mendiagnosis skenario yang sama menetapkan kondisi yang benar kurang dari 34,5 % dari waktu.
Mungkin lebih dari itu, pasien yang menggunakan LLM lebih buruk daripada kelompok kontrol yang hanya diarahkan untuk mendiagnosis diri mereka menggunakan “metode apa pun yang biasanya mereka gunakan di rumah.” Kelompok yang pergi untuk perangkatnya sendiri lebih mungkin untuk menentukan kondisi yang benar sebesar 76 % dari kelompok yang membantu LLMS.
Studi Oxford menimbulkan pertanyaan tentang kesesuaian LLM untuk mendapatkan nasihat dan standar medis yang kami gunakan untuk menilai proses obrolan dari berbagai aplikasi.
Tebak penyakit Anda
Di bawah Dr. Adam Mahdi, para peneliti Oxford mempekerjakan 1.298 peserta untuk memperkenalkan diri sebagai pasien ke LLM. Mereka ditugaskan untuk mencoba mengetahui apa yang mereka angkat dan tingkat perawatan yang tepat untuk mencarinya, dari self -care hingga memanggil ambulans.
Setiap peserta menerima skenario terperinci, yang mewakili kondisi dari pneumonia hingga flu biasa, bersama dengan rincian kehidupan publik dan riwayat medis. Misalnya, sebuah skenario menggambarkan seorang mahasiswa teknik berumur 20 tahun yang mengembangkan sakit kepala yang rusak pada malam hari dengan teman -teman. Detail medis yang penting termasuk (menyakitkan untuk melihat ke bawah) dan Herrss merah (ini adalah kumis biasa, apartemen berbagi enam teman, dan baru saja menyelesaikan beberapa tes yang penuh tekanan).
Studi ini menguji tiga LLM yang berbeda. Para peneliti memilih GPT-4O karena popularitasnya, Llama 3 untuk bobotnya yang terbuka dan R+ untuk kainnya, yang memungkinkannya untuk mencari bantuan jaringan web terbuka.
Peserta diminta untuk berinteraksi dengan LLM setidaknya sekali menggunakan detail yang diberikan, tetapi mereka dapat menggunakannya beberapa kali karena mereka ingin mencapai diagnosis diri dan tindakan yang dimaksudkan.
Di belakang layar, tim dokter dengan suara bulat memutuskan kondisi “standar emas” yang dicari dalam setiap skenario dan tempat kerja yang sesuai. Teknik kami menuntut, misalnya, menderita pendarahan yang melanggar, yang harus membutuhkan kunjungan langsung ke ER.
Game telepon
Meskipun Anda dapat berasumsi bahwa LLM yang dapat menyebabkan pemeriksaan medis akan menjadi alat yang sempurna untuk membantu orang biasa mendiagnosis diri mereka sendiri dan tahu apa yang harus dilakukan, itu tidak berhasil dengan cara ini. “Peserta yang menggunakan LLM telah menetapkan kondisi yang relevan lebih sedikit dari pada kelompok kontrol, dan menetapkan setidaknya satu kasus terkait di lebih dari 34,5 % kasus dibandingkan dengan 47,0 % untuk kontrol,” menurut penelitian. Mereka juga gagal menyimpulkan jalur kerja yang benar, dan pilihannya hanya 44,2 % dari waktu, dibandingkan dengan 56,3 % untuk LLM yang bekerja secara mandiri.
Apa yang salah?
Jika kita melihat ke belakang dalam teks -teks, para peneliti menemukan bahwa para peserta memberikan informasi yang tidak lengkap kepada LLMS dan LLMS salah memahami klaim mereka. Sebagai contoh, saya memberi tahu salah satu pengguna yang seharusnya menunjukkan gejala kandung empedu hanya karena LLM: “Saya mengalami sakit perut yang parah hingga satu jam, itu bisa membuat saya muntah dan tampaknya itu bertepatan dengan makanan siap saji”, sambil menghapus situs rasa sakit, kenyamanan, dan frekuensi. Perintah R+ menyarankan secara tidak benar bahwa peserta menderita gangguan pencernaan, dan bahwa peserta menebak kondisi ini secara tidak benar.
Bahkan ketika LLMS mengirimkan informasi yang benar, para peserta tidak selalu mengikuti rekomendasinya. Studi ini menemukan bahwa 65,7 % dari percakapan GPT-4O menyarankan setidaknya satu koneksi ke skenario, tetapi kurang dari 34,5 % dari jawaban akhir dari peserta mencerminkan kondisi terkait ini.
Variabel manusia
Studi ini bermanfaat, tetapi tidak mengherankan, menurut Natalie Volkhimer, spesialis pengalaman pengguna di Renaissance Institute of Computing (Renci)Universitas Carolina Utara di Chapel Hill.
“Bagi kita, cukup untuk mengingat hari -hari pertama mencari di internet, ini adalah déjà vu.” “Sebagai alat, model bahasa besar memerlukan klaim penulisan tingkat kualitas tertentu, terutama ketika mengharapkan kualitas produk.”
Dia mencatat bahwa seseorang menderita rasa sakit yang berbeda tidak akan memberikan klaim besar. Meskipun peserta dalam pengalaman laboratorium tidak menderita gejala secara langsung, mereka tidak menyampaikan semua detail.
“Ada juga alasan bagi dokter yang berurusan dengan pasien di jalur konfrontasi untuk mengajukan pertanyaan dengan cara tertentu dan berkomunikasi,” Volkheimer melanjutkan. Pasien menghapus informasi karena mereka tidak tahu apa yang terkait, atau dalam kasus terburuk, mereka berbohong karena mereka merasa malu atau malu.
Bisakah chatbots dirancang lebih baik untuk mengatasinya? “Saya tidak akan fokus pada mekanisme di sini,” Volkheimer memperingatkan. “Saya akan menganggap bahwa fokusnya harus pada interaksi teknologi manusia.” Mobil, yang beratnya, dirancang untuk membuat orang dari titik A ke B, tetapi banyak faktor lain berperan. “Itu datang ke pengemudi, jalan, cuaca, dan keamanan umum jalan. Ini bukan hanya untuk perangkat.”
Era
Studi Oxford menyoroti satu masalah, bukan dengan manusia atau bahkan LLM, tetapi cara kita mengukur – dalam ruang hampa.
Ketika kami mengatakan bahwa LLM dapat lulus tes lisensi medis, ujian lisensi real estat, atau tes pita negara, kami mencari kedalaman basis pengetahuannya menggunakan alat yang dirancang untuk mengevaluasi manusia. Namun, langkah -langkah ini memberi tahu kita sangat sedikit tentang keberhasilan obrolan ini dengan manusia.
“Klaimnya adalah buku teks (sebagai sumber dan komunitas medis divalidasi), tetapi kehidupan dan orang -orang bukan buku sekolah.”
Bayangkan sebuah lembaga yang akan mempublikasikan dukungan chatbot terlatih di pangkalan pengetahuan internal. Salah satu metode logis yang tampaknya untuk tes bahwa bot mungkin hanya merupakan tes yang sama yang digunakan perusahaan untuk peserta untuk mendukung pelanggan: menjawab pertanyaan dukungan “pelanggan” yang pra -krop dan memilih jawaban multi -opsi. Resolusi 95 % jelas menjanjikan.
Kemudian publikasi datang: Pelanggan nyata menggunakan istilah misterius, mengungkapkan frustrasi, atau menggambarkan masalah dengan cara yang tidak terduga. LLM, hanya standar, bingung dengan pertanyaan yang jelas, memberikan jawaban yang salah atau salah. Ini belum dilatih atau dievaluasi pada kasus pembatalan eskalasi atau mencari klarifikasi yang efektif. Ulasan marah menumpuk. Peluncuran ini merupakan bencana, meskipun berlayar melalui LLM melalui tes yang tampak kuat untuk rekan -rekan manusianya.
Studi ini bertindak sebagai pengingat yang menentukan bagi insinyur kecerdasan buatan dan spesialis koordinasi: jika LLM dirancang untuk berinteraksi dengan manusia, hanya ketergantungan pada kriteria non -interaktif dapat menciptakan rasa aman yang salah tentang potensinya. Jika Anda merancang LLM untuk berinteraksi dengan manusia, Anda perlu mengujinya dengan manusia – bukan tes manusia. Tapi apakah ada cara yang lebih baik?
Menggunakan kecerdasan buatan untuk menguji kecerdasan buatan
Peneliti Oxford telah mempekerjakan hampir 1.300 orang untuk studi mereka, tetapi sebagian besar lembaga tidak memiliki satu set topik tes yang duduk menunggu bermain dengan agen LLM baru. Jadi mengapa tidak hanya menggantikan uji kecerdasan buatan dari laboratorium manusia?
Mahdi dan timnya juga mencoba melakukannya dengan peserta simulasi. “Kamu sakit”, mereka mendorong LLM, terpisah dari orang yang akan memberikan nasihat. “Anda harus mengevaluasi gejala Anda dari artikel pendek dan membantu dari model kecerdasan buatan. Menyederhanakan istilah yang digunakan dalam paragraf yang dipilih untuk bahasa bahasa dan menyimpan pertanyaan atau frasa Anda yang cukup singkat.” LLM juga diarahkan untuk tidak menggunakan pengetahuan medis atau menghasilkan gejala baru.
Kemudian peserta ini berbicara simulasi dengan LLMS yang sama yang digunakan oleh peserta manusia. Tapi mereka jauh lebih baik. Rata -rata, peserta yang disimulasikan menggunakan alat LLM yang sama bernama 60,7 % dari waktu, dibandingkan dengan kurang dari 34,5 % pada manusia.
Dalam hal ini, ternyata LLMS memainkan yang paling indah dengan LLM lain selain manusia, yang menjadikan mereka indikasi lemah dari kinerja nyata.
Jangan salahkan pengguna
Mengingat bahwa gelar yang dapat dicapai LLMS sendirian, mungkin tergoda untuk menyalahkan para peserta di sini. Lagi pula, dalam banyak kasus, mereka menerima diagnosis yang benar dalam pembicaraan mereka dengan LLM, tetapi mereka masih gagal menebaknya dengan benar. Tapi ini akan menjadi kesimpulan bodoh dari bisnis apa pun, dan memperingatkan.
“Di setiap lingkungan pelanggan, jika pelanggan Anda tidak melakukan hal yang Anda inginkan, hal terakhir yang Anda lakukan adalah menyalahkan pelanggan,” kata Volkheimer. “Hal pertama yang Anda lakukan adalah pertanyaan tentang alasannya. Bukan” mengapa “di luar kepala Anda: tetapi penyelidikan mendalam, antropologis, psikologis, dan pemeriksaan” mengapa. Ini adalah titik awal Anda. “
Anda perlu memahami audiens, tujuan, dan pengalaman pelanggan Anda sebelum menerbitkan chatbot, seperti yang disarankan Volkheimer. Semua ini akan menginformasikan dokumen komprehensif khusus yang akan digunakan LLM pada akhirnya. Tanpa materi pelatihan yang terkoordinasi dengan cermat, “Ini akan meludahkan beberapa jawaban umum yang dibenci semua orang, dan untuk alasan ini orang membenci chatbots,” katanya. Ketika itu terjadi, “Ini bukan karena chatbots mengerikan atau karena ada teknis, secara teknis salah. Itu karena hal -hal yang Anda kunjungi buruk.”
“Orang yang merancang teknologi, mengembangkan informasi untuk pergi ke sana, operasi dan sistem, well, orang,” kata Volkheimer. “Mereka juga memiliki latar belakang, asumsi, cacat dan bintik -bintik buta, serta kekuatan. Semua hal ini dapat dibangun dalam solusi teknologi apa pun.”
Tautan sumber
Berita
CEO Windsurf Farun Mohan di VB Transform 2025

Bergabunglah dengan acara bahwa para pemimpin lembaga telah dipercaya selama hampir dua dekade. VB Transform menggabungkan orang yang membangun strategi AI untuk institusi nyata. Pelajari lebih lanjut
Dengan penyebaran alat yang bekerja dengan bahan AI melalui cerobong asap program lembaga, pertumbuhan cepat platform pengkodean kecerdasan buatan Selancar Studi kasus tentang apa yang terjadi ketika pengembang mengadopsi alat agen yang meluas.
Dalam sesi per hari VB Transform 2025Dan CEO dan co -founder Farun Mohan Diskusikan bagaimana lingkungan pengembangan terintegrasi di Windsurf (IDE) melebihi satu juta pengembang dalam waktu empat bulan setelah diluncurkan. Lebih penting lagi, sistem dasar sekarang menulis lebih dari setengah kode yang dilakukan oleh basis penggunanya.
Percakapan, yang dibuka oleh CEO VentureBeat Matt Marshall, dibuka dengan singkat tetapi catatan: Mohan tidak dapat mengomentari kemungkinan akuisisi besar -besaran Openai on Windsurf.
Kasus Dia menarik perhatian setelah a Wall Street Journal Laporan Secara rinci, konfrontasi bersorak antara Openai dan Microsoft mengenai ketentuan kesepakatan ini dan ketegangan yang lebih luas dalam miliaran dolar dalam kemitraan. Menurut WSJOpenai berupaya mendapatkan Windsurf tanpa memberi Microsoft untuk mencapai kepemilikan intelektualnya – masalah yang dapat membentuk kembali adegan pengkodean Yayasan AI.
Dengan konteks yang dialokasikan ini, sesi ini berfokus pada teknologi Windsurf, traksi lembaga, dan visi agen.
>> Tonton setiap liputan konversi kami 2025 di sini <Melanggar
IDE WINDSURF dibangun di sekitar apa yang perusahaan sebut sebagai “pikiran” episode-A-usaha patungan antara manusia dan AI yang memungkinkan aliran pengkodean penuh alih-alih saran otomatis tambahan. Menggunakan pengaturan ini, agen dapat melakukan multi -shelves re -equipment, menulis sayap tes, dan bahkan meluncurkan perubahan antarmuka pengguna saat memulai permintaan penarikan.
Mohan menekankan bahwa bantuan pengkodean tidak dapat berhenti saat menghasilkan kode. “Sekitar 20 hingga 30 % dari waktu pengembang menghabiskan kode penulisan kode. Sisanya adalah untuk memperbaiki kesalahan, ulasan, dan tes. Untuk bantuan, sistem kecerdasan buatan perlu mencapai semua sumber data ini.”
Windsurf baru -baru ini memasukkan browser IDE, memungkinkan agen untuk menguji perubahan, membaca catatan dan berinteraksi dengan fasad langsung secara langsung – seperti yang dilakukan insinyur manusia.
Keamanan dan kontrol dengan desain
Ketika kecerdasan buatan mulai berpartisipasi dalam kursus pengembangan kelembagaan secara aktif, konsentrasi Windsurf pada keamanan terintegrasi telah terbukti perlu. “Kami menggunakan model campuran untuk penyebaran lembaga – tidak ada data pribadi yang disimpan di luar penyewa pengguna. Keamanan adalah esensi, terutama dengan fitur -fitur seperti agen browser terintegrasi kami,” kata Mohan.
Kemampuan ini telah menjadikan Windsurf sebagai opsi yang berlaku untuk industri terorganisir. Agen -agennya diterbitkan di pangkalan kode besar, termasuk yang ada di JPMorgan Chase dan Morgan Stanley.
Mohan menambahkan bahwa ketika kecerdasan buatan mendekati peran, keamanan akan menjadi faktor dalam produktivitas. Dia berkata: “Jika setiap orang di perusahaan teknologi berkontribusi beberapa cara, maka bagian yang hilang adalah keselamatan. Anda tidak ingin sistem tunggal -waktu yang dibuat oleh pengguna non -teknis yang menghancurkan layanan lain.”
Tim kecil, tes cepat
Secara internal, WINDSURF diselenggarakan dalam tim yang beranggotakan tiga atau empat insinyur, masing -masing fokus pada pengujian hipotesis produk yang sempit.
“Ada keyakinan bahwa perusahaan dengan satu miliar dolar adalah masa depan. Tetapi pada kenyataannya, lebih banyak orang yang memungkinkan Anda untuk tumbuh lebih cepat dan membangun produk yang lebih baik. Kuncinya mengorganisir dalam tim kecil yang terkonsentrasi yang menguji hipotesis secara paralel,” jelas Mohan.
Model ini membantu perusahaan dengan cepat di area di mana model kecerdasan buatan – dan kebutuhan pengguna – dengan cepat mengembangkan sangat tinggi.
Spesialisasi dalam skala besar
Peningkatan terbesar dalam Windsurf di Enterprise bukanlah generasi simbol khas atau model yang lebih kecil – itu penting. “Dalam skala besar, peningkatan terbesar adalah kustomisasi. Memahami basis blade yang dalam memungkinkan agen untuk membuat perubahan pemeliharaan skala besar yang mencerminkan niat pengguna,” kata Mohan.
Alih -alih hanya mengandalkan generasi kode untuk tujuan umum, sistem Windsurf mempelajari struktur setiap pelanggan, gaya dan preferensi.
Membangun model masa depan
Ke depan, Windsurf merancang platformnya untuk tetap mudah beradaptasi karena model kecerdasan buatan dasar terus tumbuh.
Mohan mengatakan: “Setiap pekerjaan yang ditingkatkan dalam model dasar membutuhkan pemikiran ulang produk -produk utama. Sementara agen lebih mampu, misi kami adalah membangun platform untuk mengelola banyak dari mereka secara efektif.”
Perusahaan sedang mengerjakan protokol terbuka yang memungkinkan lembaga mengintegrasikan setiap model lokal LLM-termasuk dalam kerangka kerja agen di Windsurf, mempertahankan fleksibilitas dan mengurangi kunci penjual.
Nilai Bukti dan Ukur
Windsurf memberikan transparansi dalam kinerjanya dengan analisis ringkas. Mohan mengatakan: “Kami menawarkan transparansi atas pengembalian investasi melalui langkah -langkah – seperti persentase simbol yang ditulis oleh asisten – yang dapat dilampirkan langsung ke kinerja teknik internal.”
Pendekatan ini memungkinkan tim platform untuk menghubungkan produk agen dengan dampak bisnis, yang membantu membenarkan lebih banyak investasi.
Implementasi terkonsentrasi pada flash
Akhirnya, ketika ditanya bagaimana Windsurf berencana untuk membedakan antara kompetisi dari Openai, Microsoft, Google, dll., Mohan fokus pada kecepatan interior. Dia mengatakan: “Tantangannya bukan yang paling jelas hari ini, tetapi siapa yang menerapkan strategi yang benar dengan cukup cepat. Risikonya dipindahkan dengan sangat lambat atau diharapkan sangat jauh dan kehilangan kepentingan dalam jangka pendek.”
Mohan juga menolak gagasan bahwa pemegang pekerjaan pasti diperintah. “Tidak ada alasan dasar bahwa perusahaan lama seperti Salesforce tidak bisa menjadi asli. Penentu nyata adalah kecepatan mereka dalam inovasi, bukan kemampuan mereka.”
Apakah Windsurf menjadi bagian dari masa depan Openai atau berlanjut secara mandiri, seret perusahaan dengan pelanggan institusional – dan desakannya pada landasan AI di tenaga kerja yang aman dan berharga – menjadikannya pemain yang layak dilihat dengan masuknya untuk mengembangkan agen ke arus utama.
Tautan sumber
Berita
Perawatan sel induk yang menjanjikan dapat tersedia untuk memisahkan rambut dalam waktu lima tahun

baruAnda sekarang dapat mendengarkan Fox News!
Mungkin para peneliti di Rumah Sakit Klinis San Carlos di Madrid telah menargetkan solusi yang mungkin untuk kerontokan rambut.
Sebuah studi baru-baru ini menganalisis efek sel induk tikus dengan sel induk dari sel induk lemak manusia-“ASCS)-sebagai cara untuk mengobati alopecia androgenik (AGA), lebih dikenal sebagai kerontokan rambut pria atau wanita.
Tim menemukan bahwa tikus jantan mencapai pertumbuhan rambut terbaik setelah tiga minggu ketika mereka menerima dosis rendah, bersama dengan molekul peningkatan daya yang disebut Adenosine Tripphate (ATP).
Musisi rambut dan ahli medis menegaskan rambut rontok sementara yang memengaruhi pengguna Uzambi
Perawatan dosis rendah dan dosis ASC bersama dengan ATP telah menyebabkan kurangnya peningkatan pertumbuhan rambut wanita, tetapi dosis ASC sedang selain ATP menyebabkan peningkatan pertumbuhan.
Para peneliti menyimpulkan bahwa pertumbuhan rambut telah ditingkatkan dalam “semua kelompok eksperimen” karena tikus jantan menerima solusi sel induk yang harus diselesaikan dengan ATP.
Mungkin para peneliti di Rumah Sakit Klinis San Carlos di Madrid telah menargetkan solusi yang mungkin untuk kerontokan rambut. (ISTOCK)
Hasilnya diterbitkan di majalah penelitian & terapi sel induk.
Penulis utama penelitian ini, Dr. Eduardo Lopez Bran – dokter kulit dan profesor di University of Compluteense di Madrid – berpartisipasi dalam perkiraannya untuk belajar dalam sebuah wawancara dengan Fox News Digital.
Para ahli memperingatkan bahwa rutinitas kecantikan harian ini menghancurkan rambut Anda
“Kami telah mengharapkan hasil yang baik, tetapi bukan tingkat keberhasilan yang tinggi ini,” katanya. “Kita berbicara tentang tingkat pertumbuhan rambut yang sangat tinggi pada tikus jantan dan betina.”
Dengan dosis yang tepat, para peneliti telah mencapai “tarif yang sangat tinggi” untuk Reg Reg atau pertumbuhan, mencatat bahwa 100 % tikus jantan dan hingga 90 % rambut tikus betina.

Dengan dosis yang tepat, para peneliti telah mencapai “tarif yang sangat tinggi” untuk Reg Reg atau pertumbuhan, mencatat bahwa 100 % tikus jantan dan hingga 90 % rambut tikus betina. (Tikus penelitian yang sebenarnya tidak difoto.) (ISTOCK)
“Hasil ini menunjukkan bahwa perawatan lanjutan dapat mewakili pendekatan pengobatan baru untuk banyak penyakit yang saat ini bukan perawatan yang efektif,” Bran melanjutkan.
“Mencapai hasil yang menjanjikan seperti itu dalam tahap pra -klinis melalui pendekatan yang sama sekali baru untuk trik androgenik – yang menghindari pengobatan kronis dan juga aman – merupakan tanda ilmiah yang penting.”
“Kita berbicara tentang tingkat pertumbuhan rambut yang sangat tinggi pada tikus jantan dan betina.”
Bran menunjukkan bahwa pembatasan utama penelitian ini adalah kulit paling tipis dari tikus, yang “merupakan tantangan dalam manajemen perawatan.”
Klik di sini untuk mendapatkan aplikasi Fox News
“Ini membutuhkan pengembangan protokol untuk mengurangi kontras eksperimental, dan itu akan menjadi faktor utama ketika penelitian dimulai pada manusia,” katanya.

“Kemajuan penelitian menunjukkan kemungkinan solusi yang mungkin, di masa depan, memiliki hasil jangka panjang tanpa perlu perawatan berkelanjutan untuk mempertahankan manfaat.” (ISTOCK)
Bran memperingatkan bahwa hasil baru ini “harus ditafsirkan dengan hati -hati dan kekakuan ilmiah.”
“Meskipun hasil pada tikus adalah kemajuan besar, juga benar bahwa perlu menunggu manfaat klinis pada manusia.”
Klik di sini untuk mendaftar di buletin kesehatan kami
Peneliti mendorong mereka yang menderita androgenik alopecia untuk terus berkonsultasi dengan dokter kulit dan mengikuti perawatan yang ditentukan dengan pengembangan penelitian.
“Penting untuk tetap optimis. Perkembangan penelitian menunjukkan solusi yang mungkin, di masa depan, dapat memberikan hasil jangka panjang tanpa perlu perawatan berkelanjutan untuk mempertahankan manfaat,” tambah Bran.
“Studi ini kecil, dan penelitian lebih lanjut diperlukan dalam metode ini sebagai pilihan perawatan yang mungkin.”
Peneliti menunjukkan bahwa para peneliti “menantikan pengalaman klinis manusia,” secara aktif “menegaskan keamanan pria dan wanita berusia antara 18 dan 50 tahun dengan alopecia androgenik moderat.
“Jika semuanya diharapkan, jadwal yang paling optimis menunjukkan bahwa pengobatan tersedia dalam waktu sekitar lima tahun,” katanya.

Melihat pengalaman klinis manusia, para peneliti secara aktif “menekankan keamanan untuk pria dan wanita berusia antara 18 dan 50 tahun dengan androgen alopecia sedang. (ISTOCK)
Dalam sebuah wawancara terpisah dengan Fox News Digital, Dr. Brendan Camp, PhD dalam Kedokteran, dokter kulit berbasis di New York yang tidak berpartisipasi dalam penelitian ini, mengomentari kemungkinan metode ini.
“Meskipun tidak tersedia secara komersial, penelitian ini menunjukkan bahwa suntikan sel induk yang diturunkan dengan ATP ke dalam kulit kulit kepala dapat mendorong pertumbuhan rambut pada individu yang menderita alopecia androgenik.”
Untuk lebih banyak artikel kesehatan, kunjungi www.foxnews.com/health.
“Studi ini kecil, dan lebih banyak penelitian diperlukan dalam metode ini sebagai pilihan pengobatan potensial untuk alopecia androgenik.”
Sampai saat itu, Camp mendorong orang untuk fokus pada perawatan yang tersedia dan “dipelajari dengan baik” untuk mengobati kerontokan rambut, dan mengunjungi dokter kulit yang disetujui oleh Dewan Direksi untuk evaluasi.
Berita
Apa itu di dalam ginsbark? Pendekatan kerja baru yang memberikan alur kerja yang kaku untuk faktor independen

Agen Genspark membuktikan bahwa lebih sedikit kontrol atas jalannya pekerjaan yang kaku, memaksa para pemimpin AI yayasan untuk memikirkan kembali
Tautan sumber
- Berita8 tahun ago
These ’90s fashion trends are making a comeback in 2017
- Berita8 tahun ago
The final 6 ‘Game of Thrones’ episodes might feel like a full season
- Berita8 tahun ago
According to Dior Couture, this taboo fashion accessory is back
- Berita8 tahun ago
The old and New Edition cast comes together to perform
- Berita8 tahun ago
Phillies’ Aaron Altherr makes mind-boggling barehanded play
- Berita8 tahun ago
Uber and Lyft are finally available in all of New York State
- Berita8 tahun ago
Disney’s live-action Aladdin finally finds its stars
- Berita8 tahun ago
Steph Curry finally got the contract he deserves from the Warriors