Al: Το πού ζούμε και εργαζόμαστε, η ηλικία μας και οι συνθήκες στις οποίες μεγαλώσαμε μπορεί να επηρεάσουν την υγεία μας και να οδηγήσουν σε ανισότητες, αλλά είναι δύσκολο να συλλάβουν και να αντιμετωπίσουν οι κλινικοί γιατροί και οι ερευνητές αυτούς τους παράγοντες. Μια νέα μελέτη από ερευνητές από το Mass General Brigham δείχνει ότι τα μεγάλα γλωσσικά μοντέλα (LLMs), ένας τύπος γενετικής τεχνητής νοημοσύνης (AI), μπορούν να εκπαιδευτούν ώστε να εξάγουν αυτόματα πληροφορίες σχετικά με κοινωνικούς καθοριστικούς παράγοντες της υγείας (SDoH) από τις σημειώσεις των γιατρών που θα μπορούσαν να αυξήσουν προσπάθειες εντοπισμού ασθενών που μπορεί να επωφεληθούν από την υποστήριξη πόρων.
Τα ευρήματα που δημοσιεύθηκαν στο npj Digital Medicine δείχνουν ότι τα βελτιωμένα μοντέλα μπορούσαν να προσδιορίσουν το 93,8 τοις εκατό των ασθενών με ανεπιθύμητους κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH, ενώ οι επίσημοι διαγνωστικοί κωδικοί περιλάμβαναν αυτές τις πληροφορίες μόνο στο 2% των περιπτώσεων. Αυτά τα εξειδικευμένα μοντέλα ήταν λιγότερο επιρρεπή σε προκατάληψη από τα γενικά μοντέλα όπως το GPT-4. «Στόχος μας είναι να εντοπίσουμε ασθενείς που θα μπορούσαν να επωφεληθούν από την υποστήριξη πόρων και κοινωνικής εργασίας και να επιστήσουμε την προσοχή στον ελλιπώς τεκμηριωμένο αντίκτυπο των κοινωνικών παραγόντων στα αποτελέσματα της υγείας», δήλωσε η αντίστοιχη συγγραφέας Danielle Bitterman, MD, μέλος ΔΕΠ στην Τεχνητή Νοημοσύνη στην Ιατρική (Artificial Intelligence in Medicine). (AIM) Πρόγραμμα στο Mass General Brigham και ιατρός στο Τμήμα Ακτινολογικής Ογκολογίας στο Brigham and Women’s Hospital. “Οι αλγόριθμοι που μπορούν να περάσουν μεγάλες ιατρικές εξετάσεις έχουν λάβει προσοχή, αλλά αυτό δεν είναι αυτό που χρειάζονται οι γιατροί στην κλινική για να βοηθήσουν στην καλύτερη φροντίδα των ασθενών κάθε μέρα. Αλγόριθμοι που μπορούν να παρατηρήσουν τι μπορεί να χάνουν οι γιατροί στον συνεχώς αυξανόμενο όγκο Τα ιατρικά αρχεία θα είναι κλινικά πιο σημαντικά και επομένως πιο ισχυρά για τη βελτίωση της υγείας». Οι ανισότητες στην υγεία συνδέονται ευρέως με τους κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH, συμπεριλαμβανομένης της απασχόλησης, της στέγασης και άλλων μη ιατρικών περιστάσεων που επηρεάζουν την ιατρική περίθαλψη. Για παράδειγμα, η απόσταση που ζει ένας καρκινοπαθής από ένα μεγάλο ιατρικό κέντρο ή η υποστήριξη που έχει από έναν σύντροφο μπορεί να επηρεάσει σημαντικά τα αποτελέσματα. Ενώ οι κλινικοί ιατροί μπορούν να συνοψίσουν τους σχετικούς κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH στις σημειώσεις επισκέψεών τους, αυτές οι ζωτικής σημασίας πληροφορίες σπάνια οργανώνονται συστηματικά στον ηλεκτρονικό φάκελο υγείας (EHR). Για να δημιουργήσουν μεγάλο γλωσσικό μοντέλο LM ικανό να εξάγει πληροφορίες για τους κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH, οι ερευνητές εξέτασαν χειροκίνητα 800 σημειώσεις γιατρών από 770 ασθενείς με καρκίνο που έλαβαν ακτινοθεραπεία στο Τμήμα Ογκολογίας Ακτινολογίας στο Brigham and Women’s Hospital. Πρόσθεσαν ετικέτες σε προτάσεις που αναφέρονται σε έναν ή περισσότερους από έξι προκαθορισμένους κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH: κατάσταση απασχόλησης, στέγαση, μεταφορά, γονική κατάσταση (αν ο ασθενής έχει παιδί κάτω των 18 ετών), σχέσεις και παρουσία ή απουσία κοινωνικής υποστήριξης. Χρησιμοποιώντας αυτό το “σχολιασμένο” σύνολο δεδομένων, οι ερευνητές εκπαίδευσαν τα υπάρχοντα μεγάλα γλωσσικά μοντέλα LM για να εντοπίζουν αναφορές σε κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH στις σημειώσεις των κλινικών γιατρών. Δοκίμασαν τα μοντέλα τους χρησιμοποιώντας 400 κλινικές σημειώσεις από ασθενείς που υποβλήθηκαν σε θεραπεία με ανοσοθεραπεία στο Ινστιτούτο Καρκίνου Dana-Farber και ασθενείς που εισήχθησαν στις μονάδες εντατικής θεραπείας στο Ιατρικό Κέντρο Beth Israel Deaconess.
Οι ερευνητές διαπίστωσαν ότι τα βελτιωμένα μεγάλα γλωσσικά μοντέλα LMs, ειδικά τα Flan-T5 LMs, μπορούσαν να προσδιορίσουν με συνέπεια σπάνιες αναφορές σε κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH στις σημειώσεις των κλινικών ιατρών. Η «μαθησιακή ικανότητα» αυτών των μοντέλων περιορίστηκε από τη σπανιότητα της τεκμηρίωσης κοινωνικών καθοριστικών παραγόντων της υγείας SDoH στο σετ εκπαίδευσης, όπου οι ερευνητές διαπίστωσαν ότι μόνο το 3% των προτάσεων στις σημειώσεις των κλινικών περιείχαν οποιαδήποτε αναφορά σε κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH. Για να αντιμετωπίσουν αυτό το ζήτημα, οι ερευνητές χρησιμοποίησαν το ChatGPT, ένα άλλο LM, για να δημιουργήσουν επιπλέον 900 συνθετικά παραδείγματα προτάσεων για κοινωνικούς καθοριστικούς παράγοντες της υγείας SDoH που θα μπορούσαν να χρησιμοποιηθούν ως ένα επιπλέον εκπαιδευτικό σύνολο δεδομένων. Μια σημαντική κριτική για τα παραγωγικά μοντέλα τεχνητής νοημοσύνης στην υγειονομική περίθαλψη είναι ότι μπορούν δυνητικά να διαιωνίσουν την προκατάληψη και να διευρύνουν τις ανισότητες στην υγεία. Οι ερευνητές διαπίστωσαν ότι το βελτιωμένο μεγάλο γλωσσικό μοντέλο LM τους ήταν λιγότερο πιθανό από το GPT-4 του OpenAI, ένα γενικό μεγάλο γλωσσικό μοντέλο LM, να αλλάξει την απόφασή του για ένα κοινωνικό καθοριστικό παράγοντα της υγείας SDoH με βάση τη φυλή/εθνικότητα και το φύλο των ατόμων. Οι ερευνητές δηλώνουν ότι είναι δύσκολο να κατανοήσουμε πώς σχηματίζονται και αποδομούνται οι προκαταλήψεις — τόσο σε μοντέλα ανθρώπων όσο και σε υπολογιστές. Η κατανόηση της προέλευσης της αλγοριθμικής προκατάληψης είναι μια συνεχής προσπάθεια για τους ερευνητές. “Εάν δεν παρακολουθούμε την αλγοριθμική μεροληψία όταν αναπτύσσουμε και εφαρμόζουμε μεγάλα γλωσσικά μοντέλα, θα μπορούσαμε να κάνουμε τις υπάρχουσες ανισότητες στην υγεία πολύ χειρότερες από ό,τι είναι επί του παρόντος”, δήλωσε ο Bitterman. “Αυτή η μελέτη έδειξε ότι η προσαρμογή των μεγάλων γλωσσικών μοντέλων LMs μπορεί να είναι μια στρατηγική για τη μείωση της αλγοριθμικής μεροληψίας, αλλά χρειάζεται περισσότερη έρευνα σε αυτόν τον τομέα.”
