Οι άλλες προκλήσεις θα είναι η κλιμάκωση των λύσεων από το ένα νοσοκομείο στο άλλο ή σε ένα ολόκληρο σύστημα. Η φροντίδα των ασθενών και οι διαδικασίες μπορεί να διαφέρουν σημαντικά και οι λύσεις τεχνητής νοημοσύνης μπορεί να χρειαστεί να προσαρμοστούν στο τοπικό πλαίσιο. Επιπλέον, ενώ αυτές οι λύσεις τεχνητής νοημοσύνης είναι πραγματικά συναρπαστικές, μπορεί να είναι πολύ ακριβές.
Al: Ο Muhammad Mamdani κατανοεί γιατί οι άνθρωποι είναι επιφυλακτικοί σχετικά με την τεχνητή νοημοσύνη που έχει λόγο στην υγειονομική περίθαλψη – αλλά ανησυχεί ακόμη περισσότερο για τους ασθενείς που περιμένουν να επωφεληθούν από τα δυνητικά σωτήρια οφέλη της ιατρικής που υποβοηθείται από την AI. Ως αντιπρόεδρος στην επιστήμη δεδομένων και προηγμένη ανάλυση στην Ενότητα Υγείας του Τορόντο (Unity Health Toronto) ο Mamdani έχει επιβλέψει την εφαρμογή περισσότερων από 50 λύσεων που βασίζονται σε τεχνητή νοημοσύνη στην κλινική πράξη—από ένα σύστημα έγκαιρης προειδοποίησης που χρησιμοποιεί ηλεκτρονικά ιατρικά αρχεία για να προβλέψει τον κίνδυνο θανάτου ενός ασθενούς ή που απαιτούν εντατική φροντίδα, σε ένα εργαλείο ανίχνευσης εγκεφαλικής αιμορραγίας που μπορεί να βοηθήσει στη γρήγορη πρόσβαση σε κρίσιμη θεραπεία. Και λέει ότι θα έρθουν περισσότερα το 2024.
«Ελπίζω να δω περισσότερη τεχνητή νοημοσύνη να χρησιμοποιείται για τη λήψη κλινικών αποφάσεων», λέει ο Mamdani, ο οποίος είναι καθηγητής στο τμήμα ιατρικής στην Ιατρική Σχολή Temerty του Πανεπιστημίου του Τορόντο και διευθυντής του Κέντρου Temerty για Έρευνα και Εκπαίδευση Τεχνητής Νοημοσύνης στην Ιατρική (T-CAIREM). Ωστόσο, παρά τη δυνατότητα της τεχνητής νοημοσύνης να μεταμορφώσει τη φροντίδα των ασθενών, δεν αποτελεί θεραπεία για τα υποκείμενα προβλήματα στο σύστημα υγείας του Καναδά, προειδοποιεί ο Mamdani, ο οποίος έχει διασταυρούμενα ραντεβού στη Σχολή Φαρμακευτικής Leslie Dan του U of T και στο Ινστιτούτο Πολιτικής Υγείας (U of T’s Leslie Dan Faculty of Pharmacy και στο Institute of Health Policy) , Διαχείριση και Αξιολόγηση στη Σχολή Δημόσιας Υγείας Dalla Lana (Dalla Lana School of Public Health). Ο Mamdani μίλησε πρόσφατα στο U of T News για το πώς η τεχνητή νοημοσύνη θα θα διαμορφώσει και πώς δεν θα διαμορφώσει την υγειονομική περίθαλψη το 2024. Πώς αναμένετε ότι η τεχνητή νοημοσύνη θα διαμορφώσει την υγειονομική περίθαλψη το 2024; Τα τελευταία χρόνια, βρισκόμαστε σε αυτήν την εποχή της διαφημιστικής εκστρατείας της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Πολλές κουβέντες, μερικοί άνθρωποι κάνουν μερικά μικρά πράγματα εδώ και εκεί, αλλά δεν είναι πραγματικά μεγάλη έκρηξη—και δεν είμαι σίγουρος ότι θα δούμε μεγάλη έκρηξη το 2024. Πολλοί οργανισμοί μπαίνουν ενεργά σε αυτόν τον χώρο, αλλά θα έλεγα ότι απέχουμε τουλάχιστον μερικά χρόνια από το να δούμε, πραγματικά, πολύ μεγάλες αλλαγές. Αντίθετα, νομίζω ότι θα δούμε μια πιο σταδιακή υιοθέτηση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Το 2024, ελπίζω να δω περισσότερη τεχνητή νοημοσύνη να χρησιμοποιείται για τη λήψη κλινικών αποφάσεων. Αυτήν τη στιγμή, βλέπουμε ότι χρησιμοποιείται περισσότερο για μη κλινικές ή διοικητικές εργασίες. Για παράδειγμα, αρκετές κλινικές πρωτοβάθμιας περίθαλψης και εξωτερικά ιατρεία χρησιμοποιούν γραφείς τεχνητής νοημοσύνης που μπορούν να “ακούν” μια συνομιλία μεταξύ ενός γιατρού και ενός ασθενούς, να μεταγράφουν την επίσκεψη και να παρέχουν μια πολύ καλή συνοπτική σημείωση. Οι γιατροί είναι διαβόητοι επειδή δεν γράφουν τα πάντα, και αυτό είναι πολύ ατυχές γιατί η ιατρική βασίζεται πολύ σε δεδομένα και πληροφορίες. Όταν ένας γιατρός μιλάει με έναν ασθενή, επικεντρώνεται στον ασθενή – όπως θα έπρεπε – αλλά όταν ο ασθενής φεύγει, μπορεί να έχει ξεχάσει πολλά από τα πράγματα που συζητήθηκαν ή να μην είχε χρόνο να γράψει τα πράγματα. Τότε έχετε ένα ατελές σύνολο δεδομένων την επόμενη φορά. Αρχίζουμε, επίσης, να βλέπουμε εργαλεία που μπορούν να λάβουν αυτές τις μεταγραφές για να προτείνουν διαγνώσεις ή να συστήσουν φάρμακα και, με το εντάξει του γιατρού, να στείλουν συνταγές στο φαρμακείο. Αυτό το ερχόμενο έτος, στην Ενότητα Υγείας (Unity Health) εργαζόμαστε για τη δημιουργία ενός περιβάλλοντος πολυτροπικών δεδομένων που ενσωματώνει όχι μόνο κλινικά δεδομένα, αλλά και δεδομένα ιατρικής απεικόνισης και δεδομένα κυματομορφής από οθόνες και αναπνευστήρες στα οποία μπορούμε να έχουμε πρόσβαση σε πραγματικό χρόνο. Για παράδειγμα, θα μπορούσατε να πάτε στη ΜΕΘ και να λαμβάνετε συνεχώς δεδομένα από αναπνευστήρες για να καταλάβετε εάν ένας ασθενής θα έχει πρόβλημα αναπνοής τα επόμενα 20 λεπτά.
Ποιοι είναι μερικοί από τους τρόπους με τους οποίους η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει τη φροντίδα των ασθενών;
Το δυναμικό είναι τεράστιο για την περίθαλψη ασθενών σε πολλούς τομείς. Το ένα αφορά λύσεις τύπου chatbot όπου μπορείτε να κάνετε ερωτήσεις σχετικά με ζητήματα που σχετίζονται με την υγεία. Υπάρχουν πολλές κλινικές τώρα όπου μπορείτε να μεταβείτε σε έναν ιστότοπο και να πείτε, “Έχω αυτά τα συμπτώματα. Τι πιστεύετε;” Ο άλλος τομέας που πιστεύω ότι θα είναι πιθανώς πιο χρήσιμος είναι η συνέχεια της περίθαλψης όταν ένας ασθενής φεύγει από το νοσοκομείο ή την κλινική. Συχνά, οι ασθενείς παραπονιούνται ότι δεν έχουν αρκετές πληροφορίες ή ότι δεν τους εξηγήθηκε τι να κάνουν στη συνέχεια. Βρίσκεστε σε αυτό το ίδρυμα και υποβάλλεστε σε όλες αυτές τις εξετάσεις και τις διαδικασίες, στη συνέχεια, όταν φύγετε, ο γιατρός σας λέει όλα αυτά τα πράγματα που πρέπει να κάνετε και βασικά είστε μόνοι σας—και μπορεί να μην θυμάστε τα μισά από αυτά που ειπώθηκαν. Η κακή επικοινωνία και διαχείριση μετά το εξιτήριο είναι ένας από τους λόγους που βλέπουμε πολλούς ασθενείς να εισάγονται ξανά στα νοσοκομεία. Τι θα γινόταν αν είχαμε ένα chatbot τεχνητής νοημοσύνης που θα μπορούσε να μείνει σε επαφή με τον ασθενή, να συνοψίσει το σχέδιο θεραπείας του, να απαντήσει στις ερωτήσεις του και να του πει να καλέσει τον γιατρό του όταν είναι απαραίτητο;
Ποιες είναι οι πιο σημαντικές προκλήσεις που προβλέπετε για την εφαρμογή τεχνολογιών τεχνητής νοημοσύνης σε περιβάλλοντα υγειονομικής περίθαλψης;
Θα πρέπει να μετριάζουμε τις προσδοκίες μας για την τεχνητή νοημοσύνη, γιατί όταν ασχολείστε με ένα σύστημα υγειονομικής περίθαλψης, πρέπει πρώτα να προσπαθήσετε να λύσετε το πρόβλημα του συστήματος και να χρησιμοποιήσετε την τεχνολογία για να επιτρέψετε τις κατάλληλες λύσεις. Πάρτε, για παράδειγμα, τα προβλήματα που βλέπουμε λόγω της έλλειψης ανταλλαγής πληροφοριών μεταξύ των παρόχων υγείας. Η τεχνητή νοημοσύνη είναι τόσο καλή όσο τα δεδομένα που δίνονται, επομένως, εάν ένας ασθενής πάει στο νοσοκομείο Χ για ένα πρόβλημα που αντιμετωπίστηκε στο νοσοκομείο Υ ένα μήνα νωρίτερα—αλλά τα δύο νοσοκομεία δεν μιλούν μεταξύ τους, θα να είστε τυφλοί σε αυτό που συνέβη στο νοσοκομείο Υ. Ως επαρχία, αν συγκεντρωνόμασταν και επιτρέπαμε σε αυτές τις πηγές δεδομένων να συνομιλούν μεταξύ τους σε πραγματικό χρόνο, η τεχνητή νοημοσύνη θα ήταν πολύ πιο ισχυρή.
Ποια είναι μερικά από τα ηθικά ζητήματα που πρέπει να λαμβάνονται υπόψη κατά την ανάπτυξη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη;
Προφανώς, πρέπει να έχετε ένα ισχυρό περιβάλλον για να προστατεύσετε το απόρρητο και την ασφάλεια των ασθενών. Αλλά ταυτόχρονα, πρέπει να έχετε ένα προοδευτικό πλαίσιο διακυβέρνησης δεδομένων που να επιτρέπει σε αυτά τα δεδομένα να έχουν πρόσβαση τα άτομα που τα χρειάζονται. Μια άλλη ανησυχία είναι να βεβαιωθείτε ότι οι αλγόριθμοί σας έχουν καλή απόδοση μεταξύ διαφόρων υποομάδων. Για παράδειγμα, αποδίδει εξίσου καλά μεταξύ των νέων έναντι των ηλικιωμένων, άρρωστων έναντι μη άρρωστων, αντρών έναντι γυναικών; Το πρόβλημα είναι ότι δεν έχουμε δεδομένα για όλες αυτές τις υποομάδες. Πώς ξέρουμε λοιπόν ότι οι αλγόριθμοί μας αποδίδουν εξίσου καλά σε μια φυλή έναντι άλλης ή σε όλα τα φύλα όταν δεν έχουμε τέτοια δεδομένα άμεσα διαθέσιμα; Οι άλλες προκλήσεις θα είναι η κλιμάκωση των λύσεων από το ένα νοσοκομείο στο άλλο ή σε ένα ολόκληρο σύστημα. Η φροντίδα των ασθενών και οι διαδικασίες μπορεί να διαφέρουν σημαντικά και οι λύσεις τεχνητής νοημοσύνης μπορεί να χρειαστεί να προσαρμοστούν στο τοπικό πλαίσιο. Επιπλέον, ενώ αυτές οι λύσεις τεχνητής νοημοσύνης είναι πραγματικά συναρπαστικές, μπορεί να είναι πολύ ακριβές. Ποιος τα πληρώνει λοιπόν; Στην Ενότητα Υγείας (Unity Health) έχουμε αναπτύξει περισσότερες από 50 λύσεις τεχνητής νοημοσύνης στην κλινική πράξη, με περισσότερες να κυκλοφορούν σύντομα. Άλλα νοσοκομεία θα πρέπει να διαθέτουν τέτοιου είδους εργαλεία, αλλά δεν έχουν όλα τους πόρους για να αναπτύσσουν και να βρίσκουν λύσεις τεχνητής νοημοσύνης και ως αποτέλεσμα οι ασθενείς υποφέρουν. Θα υπάρξουν κάποιες αποτυχίες καθώς και κάποιες επιτυχίες. Τα πιθανά οφέλη είναι πολύ μεγάλα για να τα αγνοήσουμε. Πρέπει να αναπτύξουμε την τεχνητή νοημοσύνη στην υγειονομική περίθαλψη προσεκτικά και υπεύθυνα. Η τεχνητή νοημοσύνη είναι εδώ και θα διαποτίσει την υγειονομική περίθαλψη – το πώς θα την διαπεράσει δεν έχει ακόμη καθοριστεί.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
