Siūloma gerinti dirbtinio proto taikymą žmonių sveikatos apsaugai

Atsakingai įgyvendintas žmogiškųjų žinių ir dirbtinio proto bendradarbiavimas galėtų padėti sukurti veiksmingesnę ir labiau į žmogų sutelktą sveikatos priežiūros sistemą. Kokia dirbtinio proto (DI) ateitis laukia sveikatos priežiūros srityje? Kokiais atvejais DI gali būti naudingas mūsų sveikatos priežiūros sistemai, o kada turime elgtis atsargiai?

Dirbtinio proto diena

Minint Dirbtinio proto dieną (AI Appreciation Day), Europos akademijų mokslo patariamosios tarybos (EASAC) svetainės naujienų skiltyje askelbtas interviu su Alisone Naubile (Alison Noble).

Ji yra biomedicinos inžinerijos profesorė Oksfordo universitete, EASAC tarybos narė ir Karališkosios draugijos nominuota EASAC ir Europos medicinos mokslų akademijų federacijos (FEAM) bendrai vykdomo projekto „DI sveikatos apsaugoje“ darbo grupės narė.

– Ar galėtumėte papasakoti apie reikšmingiausius DI privalumus tiek ligoniams, tiek praktikuojantiems gydytojams?

– A. Naubilė: Ligoniams DI gali padėti nustatyti diagnozę anksčiau ir tiksliau, nes sudėtinguose duomenyse, pavyzdžiui, medicininiuose vaizduose ar genetiniuose profiliuose, geba aptikti subtilius dėsningumus, kurių žmogaus akys tiesiog negali matyti.

Tai gali padėti sudaryti individualiems poreikiams pritaikytus gydymo planus, padidinti jų veiksmingumą ir sumažinti šalutinį poveikį. Įsivaizduokite, kad DI nuspėja ligonio reakciją į tam tikrus vaistus arba nustato ankstyvuosius lėtinės ligos požymius.

DI sveikatos sistemoje

Gydytojai jau dabar mato, kaip DI padeda supaprastinti administracines užduotis ir atlaisvina laiką, kurį galima skirti tiesioginei ligonių priežiūrai.

Jis taip pat gali būti analitinė priemonė, padedanti priimti klinikinius sprendimus, suteikianti prieigą prie medicininės literatūros ir net didinanti chirurgijos tikslumą, pasitelkiant robotus. Iš tiesų, atsakingai derinant žmogaus patirtį ir dirbtinį protą, būtų galima sukurti veiksmingesnę ir labiau į žmogų sutelktą sveikatos priežiūros sistemą.

– Tokių vizijų įgyvendinimas neabejotinai susidurs su iššūkiais. Kokios pagrindinės kliūtys kyla įtraukiant dirbtinį protą į esamas sveikatos priežiūros sistemas ir darbo eigą ir kaip jas galima išspręsti?

– A. Naubilė: Tai tikrai dar tik pradžia, ir yra didelių iššūkių. Viena pagrindinių kliūčių – prieiga prie duomenų. DI klesti, kai naudojami aukštos kokybės, įvairūs ir gerai struktūrizuoti duomenys. Tačiau sveikatos priežiūros duomenys dažnai yra izoliuoti, neišsamūs arba saugomi skirtingose vietose skirtingais formatais.

Todėl labai svarbu užtikrinti senųjų sistemų ir naujų dirbtinio proto platformų sąveiką, kurios šiuo metu vis dar trūksta. Be to, labai svarbu stiprinti sveikatos priežiūros žinovų pasitikėjimą. Skeptiškai vertinamas dirbtinio proto įrankių tikslumas ir atskaitomybė. O kai kuriose medicinos srityse baiminamasi, kad DI pakeis žmogaus vaidmenį.

Atsižvelgiant į šiuos galutinių vartotojų nuogąstavimus, reikia patikimų patvirtinimo tyrimų, skaidrių DI modelių, galinčių suprantamai paaiškinti savo išvadasmedicinos žinovui (srities žinovui), ir išsamių mokymo programų, kurios parodytų, kaip DI papildo, o ne pakeičia klinikinių sprendimų priėmimą.

Galiausiai būtina gerinti reguliavimo sistemas, kad jos neatsiliktų nuo sparčios DI pažangos, užtikrintų saugą, veiksmingumą ir etišką diegimą, kartu skatindamos naujoves.

– Diskusijose apie DI nuolat aptariami duomenų privatumo ir etiniai klausimai. Ar galėtumėte plačiau aptarti etines problemas, susijusias su duomenų privatumu DI sveikatos priežiūros srityje? Kaip galime apsaugoti jautrius ligonių duomenis?

– A. Naubilė: Duomenų privatumas yra vienas svarbiausių etinių dalykų, į kuriuos reikia atsižvelgti diegiant DI. Sveikatos priežiūros srityje DI sistemos gali būti mokomos naudoti didžiulius kiekius labai jautrių ligonių duomenų. Taip pat įskaitant medicinines istorijas ir genetinius duomenis.

Jautrių duomenų apsauga

Svarbu apsaugoti šiuos duomenis nuo neteisėtos prieigos, netinkamo naudojimo ir pažeidimų. Svarbiausia yra taikyti patikimas saugumo priemones, pvz., pažangias šifravimo technologijas ir griežtą duomenų prieigos kontrolę.

DI modeliai taip pat gali būti kurti naudojant vadinamąsias privatumo stiprinimo technologijas. Pvz., federacinio mokymosi technologijas, kai mokymo duomenys nėra centralizuojami ar bendrai naudojami, bet saugiai laikomi atskirose vietose.

Etinė DI reikalauja skaidrių duomenų valdymo sistemų. Ligoniai turi duoti sutikimą, aiškiai suprasdami, kaip jų duomenys bus naudojami – ypač tikslais, nesusijusiais su tiesiogine priežiūra, pvz., moksliniams tyrimams ar komercinei plėtrai.

Kitas svarbus klausimas yra algoritminis šališkumas. Jei DI yra mokomas remiantis nepristatomaisiais duomenų rinkiniais, šališkumas greičiausiai išliks ir netgi gali padidinti esamus sveikatos priežiūros skirtumus.

Todėl norint užtikrinti pasitikėjimą ir teisingus sveikatos priežiūros rezultatus, labai svarbu rinkti įvairius bei įtraukius duomenis, suprasti šališkumą ir nuolat jį stebėti, taip pat didelį dėmesį skirti paaiškinamajam DI.

– Koks DI aspektas sveikatos priežiūros srityje šiuo metu yra mažiausiai ištirtas?

– A. Nobilė: Iki šiol daugiausia dėmesio buvo skiriama užduočių automatizavimui ir pagalbinėms DI technologijoms, skirtoms padėti žinovams atlikti įprastas užduotis ligoninėse. Tokiu atveju, jei DI nepavyksta, ekspertas gali perimti valdymą.

Mažiau dėmesio buvo skiriama pagalbinėms DI priemonėms, skirtoms klinikiniams sprendimams priimti nežinovams, stažuotojams ir retkarčiais jas naudojantiems vartotojams, pvz., bendrosios praktikos gydytojams.

Akivaizdu, kad tai galėtų būti pokyčių žingsnis, nes leistų tam tikras funkcijas, kurios šiuo metu yra ligoninių priežiūros dalis, perkelti į bendruomenės aplinką. Tai būtų naudinga ligoniams ir visai sveikatos sistemai. Tokiais atvejais ne visada tinka DI priemonės, sukurtos remiantis žinovų duomenimis ir skirtos žinovams.

Taip yra todėl, kad gali prireikti skirti daugiau dėmesio DI gedimų priežastims suprasti ir nuspręsti, kaip elgtis su DI klaidomis, nes vartotojas neturi žinovų žinių.

Ideali išeitis

Nuo pat pradžių kurti gaminius, atsižvelgiant į galutinio vartotojo poreikius, tačiau tai daryti kiekvieną kartą nuo nulio būtų brangu.

Gilesnis šio, žmogaus ir DI bendradarbiavimo klausimo, supratimas tampa aktyvia tarpdisciplininio tyrimo sritimi. Joje dalyvauja DI technologijų tyrėjai, klinikiniai žinovai ir elgsenos mokslininkai.