Θα μπορούσατε να συγχωρεθείτε επειδή σκεφτήκατε ότι το AI θα αντικαταστήσει σύντομα ανθρώπους γιατρούς με βάση τίτλους όπως "Ο γιατρός του AI θα σας δει τώρα", "Ο μελλοντικός σας γιατρός μπορεί να μην είναι άνθρωπος" και "Αυτό το AI χτυπά μόνο τους ανθρώπους για μια κλινική εξέταση . "Αλλά οι ειδικοί λένε ότι η πραγματικότητα είναι κάτι περισσότερο από μια συνεργασία παρά μια εξάλειψη: Οι ασθενείς θα μπορούσαν σύντομα να βρουν τη ζωή τους εν μέρει στα χέρια των υπηρεσιών ΑΠ που εργάζονται μαζί με τους ανθρώπους κλινικούς ιατρούς.
Δεν υπάρχει έλλειψη αισιοδοξίας για την ΑΠ στην ιατρική κοινότητα. Αλλά πολλοί επίσης προειδοποιούν ότι η διαφημιστική εκστρατεία γύρω από το AI δεν έχει ακόμη πραγματοποιηθεί σε πραγματικά κλινικά περιβάλλοντα. Υπάρχουν επίσης διαφορετικά οράματα για το πώς οι υπηρεσίες AI θα μπορούσαν να έχουν τον μεγαλύτερο αντίκτυπο. Και είναι ακόμα ασαφές αν η AI θα βελτιώσει τη ζωή των ασθενών ή απλώς την κατώτατη γραμμή για τις εταιρείες της Silicon Valley, τις οργανώσεις υγειονομικής περίθαλψης και τους ασφαλιστές.
"Νομίζω ότι όλοι οι ασθενείς μας θα πρέπει πραγματικά να θέλουν τις τεχνολογίες AI να επωφεληθούν από τις αδυναμίες του συστήματος υγειονομικής περίθαλψης, αλλά πρέπει να το κάνουμε σε μια διαφημιστική εκστρατεία εκτός της Silicon Valley", λέει ο Isaac Kohane, ερευνητής βιοϊατρικής πληροφορικής Ιατρική Σχολή του Χάρβαρντ.
Εάν το AI λειτουργεί όπως είχε υποσχεθεί, θα μπορούσε να εκδημοκρατίσει την υγειονομική περίθαλψη ενισχύοντας την πρόσβαση για τις υποβαθμισμένες κοινότητες και μειώνοντας το κόστος - ένα όφελος στις Ηνωμένες Πολιτείες, που κατατάσσεται κακώς σε πολλά υγειονομικά μέτρα παρά το μέσο ετήσιο κόστος υγειονομικής περίθαλψης 10.739 δολάρια ανά άτομο. Τα συστήματα AI θα μπορούσαν να ελευθερώσουν τους υπερβολικά νοσηλευμένους γιατρούς και να μειώσουν τον κίνδυνο ιατρικών σφαλμάτων που μπορεί να σκοτώσουν δεκάδες χιλιάδες, αν όχι εκατοντάδες χιλιάδες, Αμερικανών ασθενών κάθε χρόνο. Και σε πολλές χώρες με έλλειψη εθνικών ιατρών, όπως η Κίνα, όπου τα υπερπλασιωμένα τμήματα εξωτερικών ιατρείων των αστικών νοσοκομείων μπορούν να δουν έως και 10.000 άτομα την ημέρα, τέτοιες τεχνολογίες δεν χρειάζονται τέλεια ακρίβεια για να αποδειχθούν χρήσιμες.
Αλλά οι επικριτές επισημαίνουν ότι όλες αυτές οι υποσχέσεις θα μπορούσαν να εξαφανιστούν εάν η βιασύνη για την εφαρμογή του AI τσακίζει τα προσωπικά δικαιώματα των ασθενών, παραβλέπει τις προκαταλήψεις και τους περιορισμούς ή αποτυγχάνει να αναπτύξει υπηρεσίες με τρόπο που βελτιώνει τα αποτελέσματα υγείας για τους περισσότερους ανθρώπους.
"Με τον ίδιο τρόπο που οι τεχνολογίες μπορούν να κλείσουν τις ανισότητες, μπορούν να επιδεινώσουν τις ανισότητες", λέει ο Jayanth Komarneni, ιδρυτής και πρόεδρος του Human Dx Project, μιας κοινότητας δημοσίου συμφέροντος επικεντρωμένης στην πολυτομεακή ιατρική τεχνογνωσία. "Και τίποτα δεν έχει αυτή την ικανότητα να επιδεινώνει τις ανισότητες όπως το AI"
***
Σήμερα, οι πιο δημοφιλείς τεχνικές AI είναι η μηχανική μάθηση και ο νεότερος ξάδερφος της, η βαθιά εκμάθηση. Σε αντίθεση με τα προγράμματα ηλεκτρονικών υπολογιστών που ακολουθούν αυστηρά κανόνες γραμμένους από τον άνθρωπο, τόσο οι μηχανικοί μάθησης όσο και οι αλγόριθμοι βαθιάς μάθησης μπορούν να εξετάσουν ένα σύνολο δεδομένων, να μάθουν από αυτό και να κάνουν νέες προβλέψεις. Η βαθιά μάθηση, ειδικότερα, μπορεί να κάνει εντυπωσιακές προβλέψεις ανακαλύπτοντας πρότυπα δεδομένων που οι άνθρωποι μπορεί να χάσουν.
Αλλά για να αξιοποιήσουν στο έπακρο αυτές τις προβλέψεις στην υγειονομική περίθαλψη, το AI δεν μπορεί να το κάνει μόνο του. Αντίθετα, οι άνθρωποι πρέπει να βοηθήσουν στη λήψη αποφάσεων που μπορούν να έχουν σημαντικές συνέπειες για την υγεία και την οικονομία. Επειδή τα συστήματα AI στερούνται της γενικής νοημοσύνης των ανθρώπων, μπορούν να κάνουν αδιάφορες προβλέψεις που θα μπορούσαν να αποδειχθούν επιβλαβείς εάν οι γιατροί και τα νοσοκομεία τους ακολουθήσουν αδιαμφισβήτητα.
Το κλασικό παράδειγμα προέρχεται από τον Rich Caruana, ανώτερο ερευνητή της Microsoft Research, όπως εξήγησε στο περιοδικό Engineering and Technology πέρυσι. Στη δεκαετία του 1990, η Caruana εργάστηκε σε ένα έργο που προσπάθησε να χρησιμοποιήσει μια προηγούμενη μορφή μηχανικής μάθησης για να προβλέψει εάν ένας ασθενής με πνευμονία ήταν μια περίπτωση χαμηλού κινδύνου ή υψηλού κινδύνου. Το πρόβλημα όμως προέκυψε όταν το μοντέλο μηχανικής μάθησης προσπάθησε να προβλέψει την περίπτωση για τους πάσχοντες από άσθμα, οι οποίοι διατρέχουν υψηλό κίνδυνο επειδή οι προϋπάρχουσες δυσκολίες αναπνοής τους καθιστούν ευάλωτους στην πνευμονία. Το μοντέλο περιλάμβανε αυτούς τους ασθενείς ως χαμηλού κινδύνου, απαιτώντας μικρότερη παρέμβαση παρά νοσηλεία - κάτι που ποτέ δεν θα έκανε ένας ανθρώπινος εμπειρογνώμονας.
Εάν ακολουθήσετε τυφλά το μοντέλο, λέει ο Kenneth Jung, ερευνητής στο Κέντρο Στρατηγικής του Stanford για Βιοϊατρική Πληροφορική Έρευνα, "τότε έχετε φιλοξενήσει. Επειδή το μοντέλο λέει: «Ω, αυτό το παιδί με άσθμα ήρθε μέσα και πήραν πνευμονία αλλά δεν χρειάζεται να ανησυχούμε γι 'αυτούς και τους στέλνουμε σπίτι με μερικά αντιβιοτικά».
Οι προβλέψεις βαθιάς μάθησης μπορούν επίσης να αποτύχουν εάν συναντήσουν για πρώτη φορά ασυνήθιστα σημεία δεδομένων, όπως μοναδικά ιατρικά περιστατικά, ή όταν μαθαίνουν περίεργα πρότυπα σε συγκεκριμένα σύνολα δεδομένων που δεν γενικεύουν καλά σε νέες ιατρικές περιπτώσεις.
Οι προβλέψεις του AI καταφέρνουν καλύτερα όταν εφαρμόζονται σε μαζικά σύνολα δεδομένων, όπως στην Κίνα, η οποία έχει ένα πλεονέκτημα στην εκπαίδευση των συστημάτων AI χάρη στην πρόσβαση σε μεγάλους πληθυσμούς και δεδομένα ασθενών. Τον Φεβρουάριο, το περιοδικό Nature Medicine δημοσίευσε μια μελέτη από ερευνητές με έδρα το Σαν Ντιέγκο και Guangzhou της Κίνας, που έδειξαν πολλά υποσχέσεις για τη διάγνωση πολλών παιδικών παθήσεων που βασίζονται σε ηλεκτρονικά αρχεία υγείας περισσότερων από 567.000 παιδιών.
Αλλά ακόμη και μεγάλα σύνολα δεδομένων μπορεί να δημιουργήσουν προβλήματα, ιδιαίτερα όταν οι ερευνητές προσπαθούν να εφαρμόσουν τον αλγόριθμό τους σε έναν νέο πληθυσμό. Στη μελέτη Nature Medicine, όλα τα μισά εκατομμύρια ασθενείς προέρχονταν από ένα ιατρικό κέντρο στο Guangzhou, πράγμα που σημαίνει ότι δεν υπάρχει εγγύηση ότι τα διαγνωστικά διδάγματα από την εκπαίδευση σε αυτό το σύνολο δεδομένων θα ισχύουν για παιδιατρικές περιπτώσεις αλλού. Κάθε ιατρικό κέντρο μπορεί να προσελκύσει το δικό του μοναδικό σύνολο ασθενών - ένα νοσοκομείο γνωστό για το καρδιαγγειακό κέντρο του, για παράδειγμα, μπορεί να προσελκύσει περισσότερες κρίσιμες καρδιακές παθήσεις. Και τα ευρήματα από ένα νοσοκομείο του Guangzhou που προσελκύει κυρίως εθνοκάπητες ασθενείς μπορεί να μην μεταφράζονται σε ένα στη Σαγκάη με μεγαλύτερο αριθμό αλλοδαπών μη Κινέζων ασθενών.
Σε αυτή την ομιλία του TEDx του 2017, ο Shinjini Kundu του νοσοκομείου Johns Hopkins εξηγεί πώς τα εργαλεία AI έχουν τη δυνατότητα να συλλέξουν περισσότερα από ιατρικές εικόνες από ό, τι οι ίδιοι οι γιατροί - συμπεριλαμβανομένης της πρόβλεψης ασθενειών πριν οι ασθενείς παρουσιάσουν συμπτώματα.
Αυτή η παρέκταση θα αποδειχθεί δύσκολη και σε άλλες καταστάσεις. Για παράδειγμα, λέει ο Marzyeh Ghassemi, επιστήμονας πληροφορικής και βιοϊατρικής μηχανικής στο Πανεπιστήμιο του Τορόντο, λέει ότι έχετε 40.000 ασθενείς με ΜΕΘ στο ιατρικό κέντρο Beth Israel Deaconess - αυτό είναι ένα νοσοκομείο σε μια πόλη. "Και έτσι έχω όλα αυτά τα χαρτιά που έχουν κάνει προβλέψεις με αυτά τα δεδομένα. Λειτουργεί αυτό με άλλο νοσοκομείο στη Βοστώνη; Μπορεί. Λειτουργεί για νοσοκομείο σε άλλο κράτος; Θα λειτουργούσε σε άλλη χώρα; Δεν ξέρουμε. "
***
Ενώ τα μοντέλα AI μπορεί να μην λειτουργούν σε όλες τις περιπτώσεις, ο Ghassemi πιστεύει ότι η τεχνολογία αξίζει να διερευνηθεί. "Είμαι πολύ υπέρ της λήψης αυτών των μοντέλων από τον πάγκο μέχρι το κομοδίνο", λέει, "αλλά με πραγματικά επιθετικά προληπτικά βήματα".
Αυτά τα βήματα πρέπει να υπάρχουν σε όλη την ανάπτυξη και την ανάπτυξη της ΑΠ, λέει ο Ι. Glenn Cohen, καθηγητής Νομικής στο Πανεπιστήμιο του Χάρβαρντ και ηγέτης στο Σχέδιο Ιατρικής Ακριβείας, Τεχνητής Νοημοσύνης και Νόμου. Αυτό μπορεί να συνεπάγεται την επαλήθευση της ακρίβειας και της διαφάνειας των προβλέψεων ΑΕ. Και κατά τη συλλογή δεδομένων, οι ερευνητές θα πρέπει επίσης να προστατεύσουν την ιδιωτική ζωή των ασθενών και να ζητήσουν τη συγκατάθεσή τους για τη χρήση δεδομένων ασθενών για την κατάρτιση της ΑΠ
Το ζήτημα της συγκατάθεσης επανέρχεται όταν το μοντέλο AI είναι έτοιμο για πειραματικές κλινικές δοκιμές με πραγματικούς ασθενείς. "Πρέπει οι ασθενείς να σας ενημερώσουν ότι χρησιμοποιείτε τον αλγόριθμο πάνω τους και μήπως έχει σημασία αν η ΑΠ είναι εντελώς κατευθυντική φροντίδα ή εν μέρει κατευθυνόμενη φροντίδα;", λέει ο Cohen. "Υπάρχει πολύ λίγη σκέψη σε αυτά τα ερωτήματα."
Ο Ghassemi επίσης υποστηρίζει τον συχνά έλεγχο των αλγορίθμων AI για να διασφαλιστεί η δικαιοσύνη και η ακρίβεια σε διάφορες ομάδες ανθρώπων με βάση την εθνικότητα, το φύλο, την ηλικία και την ασφάλιση υγείας. Αυτό είναι σημαντικό δεδομένου του τρόπου με τον οποίο οι εφαρμογές AI σε άλλους τομείς έχουν ήδη δείξει ότι μπορούν εύκολα να πάρουν προκαταλήψεις.
Μετά από όλα αυτά τα βήματα, οι άνθρωποι και οι εταιρείες που παρέχουν υπηρεσίες AI θα πρέπει να λύσουν τη νομική ευθύνη σε περίπτωση αναπόφευκτων λαθών. Και σε αντίθεση με τις περισσότερες ιατρικές συσκευές, οι οποίες συνήθως χρειάζονται μόνο μία κανονιστική έγκριση, οι υπηρεσίες AI ενδέχεται να απαιτούν πρόσθετη επανεξέταση όποτε μαθαίνουν από νέα δεδομένα.
Ορισμένοι ρυθμιστικοί οργανισμοί επανεξετάζουν τον τρόπο με τον οποίο αξιολογούν την υγειονομική περίθαλψη AI Τον Απρίλιο, η αμερικανική Υπηρεσία Τροφίμων και Φαρμάκων (FDA) δημοσίευσε ένα έγγραφο συζήτησης για να ενημερωθεί δημόσια σχετικά με τον τρόπο ενημέρωσης της σχετικής ρυθμιστικής αναθεώρησης. "Αυτό που προσπαθούμε συνεχώς να κάνουμε εδώ είναι να επιστρέψουμε στον στόχο μας να δώσουμε στους ανθρώπους πρόσβαση σε τεχνολογίες, αλλά συνειδητοποιούμε επίσης ότι οι τρέχουσες μέθοδοι μας δεν λειτουργούν καλά", λέει ο Bakul Patel, διευθυντής ψηφιακής υγείας στο FDA. "Γι 'αυτό πρέπει να εξετάσουμε μια ολιστική προσέγγιση του κύκλου ζωής του προϊόντος."
Εκτός από τα ζητήματα που αφορούν την πρόσβαση, την προστασία της ιδιωτικής ζωής και τους κανονισμούς, δεν είναι ξεκάθαρο ποιος θα επωφεληθεί περισσότερο από τις υπηρεσίες υγειονομικής περίθαλψης του AI. Υπάρχουν ήδη ανισότητες στον τομέα της υγειονομικής περίθαλψης: Σύμφωνα με την Παγκόσμια Τράπεζα και τον Παγκόσμιο Οργανισμό Υγείας, ο μισός πληθυσμός του πλανήτη δεν έχει πρόσβαση σε βασικές υπηρεσίες υγειονομικής περίθαλψης και σχεδόν 100 εκατομμύρια άνθρωποι ωθούνται σε ακραία φτώχεια λόγω των δαπανών για την υγειονομική περίθαλψη. Ανάλογα με τον τρόπο με τον οποίο αναπτύσσεται, το AI θα μπορούσε είτε να βελτιώσει αυτές τις ανισότητες είτε να τις χειροτερέψει.
"Πολλές συζητήσεις σχετικά με τον AI έχουν σχέση με τον τρόπο εκδημοκρατισμού της υγειονομικής περίθαλψης και θέλω να το δω αυτό», λέει η Effy Vayena, βιοθεραπευτή στο Ομοσπονδιακό Ινστιτούτο Τεχνολογίας στην Ελβετία.
"Εάν καταλήγετε απλώς σε παροχή υπηρεσιών πιο φτηνών σε εκείνους που θα μπορούσαν να έχουν καλή υγειονομική περίθαλψη ούτως ή άλλως", προσθέτει, "Δεν είμαι σίγουρος αν αυτός είναι ο μετασχηματισμός που ψάχνουμε".
Ο τρόπος με τον οποίο όλα αυτά παίζουν εξαρτάται από τα διαφορετικά οράματα για την εφαρμογή του AI. Η έγκαιρη ανάπτυξη επικεντρώθηκε σε πολύ στενές διαγνωστικές εφαρμογές, όπως η εξέταση εικόνων για υπαινιγμούς για καρκίνο του δέρματος ή μύκητα νυχιών ή για ανάγνωση ακτίνων Χ στο στήθος. Ωστόσο, πιο πρόσφατες προσπάθειες προσπάθησαν να διαγνώσουν ταυτόχρονα πολλαπλούς παράγοντες υγείας.
Τον Αύγουστο του 2018, το νοσοκομείο Moorfields Eye στο Ηνωμένο Βασίλειο και το DeepMind. το εργαστήριο AI που εδρεύει στο Λονδίνο, το οποίο ανήκε στη μητρική εταιρεία Alphabet της Google, έδειξε ότι είχαν εκπαιδεύσει επιτυχώς ένα σύστημα AI για τον εντοπισμό περισσοτέρων από 50 οφθαλμικών νόσων σε σαρώσεις, οι οποίες ταιριάζουν με τις επιδόσεις κορυφαίων εμπειρογνωμόνων. Ομοίως, μεγάλες φιλοδοξίες οδήγησαν τη μελέτη του Σαν Ντιέγκο και της Guangzhou που εκπαίδευσε την AI για τη διάγνωση κοινών ασθενειών μεταξύ των παιδιών. Το τελευταίο δεν ήταν τόσο καλό στη διάγνωση των παιδιατρικών ασθενειών σε σύγκριση με τους ανώτερους γιατρούς, αλλά είχε καλύτερη απόδοση από κάποιους κατώτερους γιατρούς.
Τέτοια συστήματα ΑΠ μπορεί να μην χρειάζεται να ξεπεράσουν τους καλύτερους ανθρώπινους εμπειρογνώμονες για να βοηθήσουν τον εκδημοκρατισμό της υγειονομικής περίθαλψης, αλλά απλά να επεκτείνουν την πρόσβαση στα τρέχοντα ιατρικά πρότυπα. Ωστόσο, μέχρι στιγμής, πολλές προτεινόμενες εφαρμογές AI επικεντρώνονται στη βελτίωση του σημερινού επιπέδου φροντίδας παρά στην εξάπλωση της προσιτής υγειονομικής περίθαλψης, λέει ο Cohen: «Η δημοκρατικοποίηση του τι έχουμε ήδη θα ήταν πολύ μεγαλύτερη έκρηξη για το buck σας παρά να βελτιώσουμε αυτό που έχουμε πολλούς τομείς. "
Η Accenture, μια εταιρεία συμβούλων, προβλέπει ότι οι κορυφαίες εφαρμογές ΑΙ θα μπορούσαν να σώσουν την αμερικανική οικονομία 150 δισεκατομμύρια δολάρια ετησίως έως το 2026. Ωστόσο, είναι ασαφές εάν οι ασθενείς και τα συστήματα υγειονομικής περίθαλψης που συμπληρώνονται από δολάρια φορολογουμένων θα επωφεληθούν ή εάν περισσότερα χρήματα απλώς θα εισρεύσουν στις εταιρείες τεχνολογίας, οι φορείς παροχής υγειονομικής περίθαλψης και οι ασφαλιστές.
"Το ερώτημα ποιος πρόκειται να οδηγήσει αυτό και ποιος πρόκειται να πληρώσει γι 'αυτό είναι μια σημαντική ερώτηση", λέει ο Kohane. "Κάτι που είναι λίγο παραισθησιογόνο για όλα αυτά τα επιχειρηματικά σχέδια είναι ότι νομίζουν ότι ξέρουν πώς θα λειτουργήσει".
Ακόμη και αν οι υπηρεσίες AI κάνουν συμβουλές εξοικονόμησης κόστους, οι γιατροί και οι οργανισμοί υγείας μπορεί να διστάζουν να λάβουν συμβουλές από την AI, εάν κάνουν λιγότερα χρήματα ως αποτέλεσμα, προειδοποιεί ο Kohane. Αυτό μιλάει για το μεγαλύτερο συστημικό ζήτημα των ασφαλιστών υγείας των ΗΠΑ χρησιμοποιώντας ένα μοντέλο αμοιβής για υπηρεσία που ανταμείβει συχνά τους γιατρούς και τα νοσοκομεία για την προσθήκη δοκιμών και ιατρικών διαδικασιών, ακόμη και όταν δεν χρειάζονται.
***
Υπάρχει μια άλλη ευκαιρία για την ΑΠ που θα μπορούσε να βελτιώσει την ποιότητα της περίθαλψης ενώ εξακολουθεί να αφήνει τις περισσότερες ιατρικές διαγνώσεις στα χέρια των γιατρών. Στο βιβλίο του Deep Medicine του 2019, ο Eric Topol, διευθυντής και ιδρυτής του Ινστιτούτου Μεταγραφικών Ερευνών Scripps, μιλά για τη δημιουργία ουσιαστικά ενός υπερτροφοδοτούμενου ιατρικού βοηθού Siri - AI για να σημειώνει τις αλληλεπιδράσεις μεταξύ γιατρών και ασθενών τους, καταγράφει και υπενθυμίζει στους γιατρούς να ρωτήσουν για τα σχετικά τμήματα του ιστορικού του ασθενούς.
"Η φιλοδοξία μου είναι να αποσυμπιέζουμε το έργο των γιατρών και να απαλλαγούμε από τον ρόλο των καθηκόντων τους, να βοηθάμε τους ασθενείς να αναλαμβάνουν περισσότερη ευθύνη και να κλειδώνουν τα δεδομένα, ώστε να μην πάρει τόσο πολύ χρόνο για να αναθεωρήσει τα πράγματα", λέει ο Topol.
Αυτός ο "ποτέ ξεχασμένος ιατρικός βοηθός ή γραφέας", λέει ο Kohane, θα απαιτούσε AI που μπορεί να παρακολουθεί και να μεταγράφει αυτόματα πολλές φωνές μεταξύ γιατρών και ασθενών. Υποστηρίζει την ιδέα του Topol, αλλά προσθέτει ότι οι περισσότερες εφαρμογές AI που βρίσκονται σε εξέλιξη δεν φαίνονται να επικεντρώνονται σε αυτούς τους βοηθούς. Ωστόσο, ορισμένες εταιρείες όπως οι Saykara και DeepScribe έχουν αναπτύξει υπηρεσίες σε αυτές τις κατευθύνσεις, ακόμη και η Google συνεργάστηκε με το Πανεπιστήμιο του Στάνφορντ για να δοκιμάσει μια παρόμοια τεχνολογία "ψηφιακού γραφέα".
Ένας βοηθός του AI μπορεί να ακούγεται λιγότερο συναρπαστικός από έναν γιατρό AI, αλλά μπορεί να απελευθερώσει τους γιατρούς να αφιερώσουν περισσότερο χρόνο στους ασθενείς τους και να βελτιώσουν τη συνολική ποιότητα της περίθαλψης. Ειδικά οι οικογενειακοί γιατροί ξοδεύουν συχνά περισσότερο από το ήμισυ των εργάσιμων ημερών τους να εισάγουν δεδομένα σε ηλεκτρονικά αρχεία υγείας - έναν κύριο παράγοντα της σωματικής και συναισθηματικής εξουθένωσης, η οποία έχει σοβαρές συνέπειες, συμπεριλαμβανομένων των θανάτων των ασθενών.
Κατά ειρωνικό τρόπο, τα ηλεκτρονικά αρχεία υγείας υποτίθεται ότι βελτιώνουν την ιατρική φροντίδα και μειώνουν το κόστος κάνοντας πιο προσιτή την ενημέρωση των ασθενών. Τώρα ο Topol και πολλοί άλλοι ειδικοί επισήμαναν τα ηλεκτρονικά αρχεία υγείας ως προειδοποιητική ιστορία για τη σημερινή διαφημιστική εκστρατεία που περιβάλλει την ΑΠ στην ιατρική και την υγειονομική περίθαλψη.
Η εφαρμογή ηλεκτρονικών αρχείων υγείας έχει ήδη δημιουργήσει ένα συνονθύλευμα συστήματος που διαδίδεται μεταξύ εκατοντάδων ιδιωτικών πωλητών που επιτυγχάνουν κυρίως την απομόνωση των δεδομένων των ασθενών και το καθιστά απρόσιτο τόσο για τους ιατρούς όσο και για τους ασθενείς. Εάν η ιστορία είναι ένας οδηγός, πολλές εταιρείες τεχνολογίας και οι οργανώσεις υγειονομικής περίθαλψης θα αισθανθούν την έλξη για να ακολουθήσουν παρόμοιες διαδρομές με τη συσσώρευση ιατρικών δεδομένων για τα δικά τους συστήματα ΑΙ.
Ένας τρόπος γύρω από αυτό μπορεί να είναι η χρήση ενός συστήματος συλλογικής νοημοσύνης που συγκεντρώνει και κατατάσσει την ιατρική εμπειρογνωμοσύνη από διαφορετικές πηγές, λέει ο Κομνηνέι, ο οποίος προσπαθεί αυτή την προσέγγιση με το Human Dx. Υποστηριζόμενη από μεγάλες ιατρικές οργανώσεις όπως η Αμερικανική Ιατρική Εταιρεία, η Human Dx έχει χτίσει μια ηλεκτρονική πλατφόρμα για τη συγκέντρωση συμβουλών από χιλιάδες γιατρούς σε συγκεκριμένες ιατρικές περιπτώσεις. Το Komarneni ελπίζει ότι μια τέτοια πλατφόρμα θα μπορούσε, θεωρητικά, να συμπεριλάβει κάποια μέρα διαγνωστικές συμβουλές από πολλές διαφορετικές υπηρεσίες AI.
"Με τον ίδιο τρόπο που πολλοί επαγγελματίες του ανθρώπινου δυναμικού θα μπορούσαν να εξετάσουν την περίπτωσή σας στο μέλλον, δεν υπάρχει κανένας λόγος για τον οποίο η πολλαπλή AI δεν θα μπορούσε να το κάνει", λέει η Κομναρμένη.
Καθώς οι γιατροί περιμένουν τους βοηθούς του για την ΑΠ, τα projects με ανθρώπινο δυναμικό όπως το Human Dx "θα μπορούσαν σίγουρα να οδηγήσουν σε βελτιωμένες διαγνώσεις ή ακόμη και βελτιωμένες συστάσεις για θεραπεία", λέει ο Topol, ο οποίος συνυπέγραψε μια μελέτη του 2018 σε παρόμοια πλατφόρμα Medscape Consult. Το έγγραφο κατέληξε στο συμπέρασμα ότι η συλλογική ανθρώπινη νοημοσύνη θα μπορούσε να είναι μια «ανταγωνιστική ή συμπληρωματική στρατηγική» για την ΑΠ στην ιατρική.
Αλλά αν οι υπηρεσίες AI περάσουν όλες τις δοκιμές και τους πραγματικούς ελέγχους, θα μπορούσαν να γίνουν σημαντικοί εταίροι για τον άνθρωπο στην αναμόρφωση της σύγχρονης υγειονομικής περίθαλψης.
"Υπάρχουν πράγματα που τα μηχανήματα δεν θα κάνουν ποτέ καλά, και στη συνέχεια άλλοι όπου θα ξεπερνούν ό, τι μπορεί να κάνει οποιοσδήποτε άνθρωπος", λέει ο Topol. "Έτσι, όταν βάζετε τα δύο μαζί, είναι ένα πολύ ισχυρό πακέτο".
***
Ο Jeremy Hsu είναι ανεξάρτητος δημοσιογράφος με έδρα τη Νέα Υόρκη. Συχνά γράφει για την επιστήμη και την τεχνολογία για Backchannel, IEEE Spectrum, Popular Science και Scientific American, μεταξύ άλλων δημοσιεύσεων.
Αυτό το άρθρο δημοσιεύθηκε αρχικά στο Undark. Διαβάστε το αρχικό άρθρο.
