Naujienos

Siūloma tobulinti dirbtinio intelekto taikymą žmonių sveikatos apsaugai

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

Minint Dirbtinio intelekto dieną (AI Appreciation Day), Europos akademijų mokslo patariamosios tarybos (EASAC) svetainės naujienų skiltyje publikuotas interviu su 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 pacientams, tiek praktikuojantiems gydytojams?

A. Noble: Pacientams 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 paciento reakciją į tam tikrus vaistus arba nustato ankstyvuosius lėtinės ligos požymius. Gydytojai jau dabar mato, kaip DI padeda supaprastinti administracines užduotis ir atlaisvina laiką, kurį galima skirti tiesioginei pacientų 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 intelektą, būtų galima sukurti veiksmingesnę ir labiau į žmogų orientuotą  sveikatos priežiūros sistemą.

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

A. Noble: 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 intelekto  platformų sąveiką, kurios šiuo metu vis dar trūksta. Be to, labai svarbu stiprinti sveikatos priežiūros specialistų pasitikėjimą. Skeptiškai vertinamas dirbtinio intelekto 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 specialistui (srities ekspertui), ir išsamių mokymo programų, kurios parodytų, kaip DI papildo, o ne pakeičia klinikinių sprendimų priėmimą. Galiausiai būtina tobulinti reguliavimo sistemas, kad jos neatsiliktų nuo sparčios DI pažangos, užtikrintų saugą, veiksmingumą ir etišką diegimą, kartu skatindamos inovacijas.

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 jautrią pacientų informaciją?

A. Noble: Duomenų privatumas yra vienas svarbiausių etinių aspektų, į kuriuos reikia atsižvelgti diegiant DI. Sveikatos priežiūros srityje DI sistemos gali būti mokomos naudoti didžiulius kiekius labai jautrių pacientų duomenų, įskaitant medicinines istorijas ir genetinę informaciją. 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. Pacientai turi duoti informuotą 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 nereprezentatyviais 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. Noble: Iki šiol daugiausia dėmesio buvo skiriama užduočių automatizavimui ir pagalbinėms DI technologijoms, skirtoms padėti ekspertams atlikti įprastas užduotis ligoninėse. Tokiu atveju, jei DI nepavyksta, ekspertas gali perimti valdymą. Mažiau dėmesio buvo skiriama pagalbinėms DI priemonėms, skirtoms klinikiniams sprendimams priimti nespecialistams, stažuotojams ir retkarčiais jas naudojantiems vartotojams, pvz., bendrosios praktikos gydytojams. Akivaizdu, kad tai galėtų būti transformacinis žingsnis, nes leistų tam tikras funkcijas, kurios šiuo metu yra ligoninių priežiūros dalis, perkelti į bendruomenės aplinką – tai būtų naudinga pacientams ir visai sveikatos sistemai. Tokiais atvejais ne visada tinka DI priemonės, sukurtos remiantis ekspertų duomenimis ir skirtos ekspertams. Taip yra todėl, kad gali prireikti skirti daugiau dėmesio DI gedimų priežastims suprasti ir nuspręsti, kaip elgtis su DI klaidomis, nes vartotojas neturi ekspertinių žinių. Ideali išeitis – nuo pat pradžių kurti produktus, 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, kurioje dalyvauja DI technologijų tyrėjai, klinikiniai specialistai ir elgsenos mokslininkai.

Tekstą iš EASAC svetainės vertė Agnė Rodriguez