ΤΙ ΣΥΝΕΒΗ ΟΤΑΝ ΑΝΕΘΕΣΑΝ ΣΤΗΝ ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΝΑ ΛΕΙΤΟΥΡΓΗΣΕΙ ΜΙΑ ΟΛΟΚΛΗΡΗ ΚΛΙΝΙΚΗ

Τι θα γινόταν αν η τεχνητή νοημοσύνη λειτουργούσε μια ολόκληρη κλινική; Ερευνητές στην Κίνα αποφάσισαν να το δοκιμάσουν στην πράξη.

Θα επισκεπτόσουν μια κλινική, η λειτουργία της οποίας ρυθμίζεται σχεδόν εξ ολοκλήρου από τεχνητή νοημοσύνη (ΑΙ); Αν και το ερώτημα είναι θεωρητικό προς το παρόν, μια ομάδα επιστημόνων από την Κίνα αποφάσισε να δώσει μια πρώτη γεύση του τι θα συνέβαινε στην πράξη, δημιουργώντας μια οφθαλμολογική κλινική, στην οποία η ΑΙ ενσωματώθηκε σε πολλά στάδια της φροντίδας.

Στην AI-TEC (AI-Agent Augmented Tsinghua Eye Clinic), όπως ονόμασαν την κλινική οι ερευνητές από το Ινστιτούτο Οπτικής Επιστήμης και Μεταφραστικής Έρευνας του Πεκίνου (BERI) και το Πανεπιστήμιο Τσινγκχουά, το σύστημα τεχνητής νοημοσύνης σχεδιάστηκε ώστε να ενσωματωθεί πλήρως στην κλινική διαδικασία, από την προετοιμασία πριν από την εξέταση έως την παρακολούθηση του ασθενούς μετά την επίσκεψη, παραμένοντας υπό ανθρώπινη επίβλεψη.

Σύμφωνα με τη δημοσίευση στο Nature Medicine, η ομάδα παρουσιάζει «τα πρώτα μαθήματα από την εφαρμογή της AI πέρα από την απόδοση των αλγορίθμων, με στόχο τον μετασχηματισμό της κλινικής ροής εργασίας και την ενσωμάτωσή της σε ολόκληρο το σύστημα, εκεί όπου τελικά παράγεται η κλινική αξία».

Ερευνητές στην Κίνα δημιούργησαν μια οφθαλμολογική κλινική, στην οποία η τεχνητή νοημοσύνη ενσωματώθηκε σε πολλά στάδια της φροντίδας. iStock

Τα πρώτα προβλήματα της ΑΙ και οι λύσεις

Η αρχή της AI-TEC ξεκίνησε με κάποια εμπόδια, καθώς η AI δεν είχε ιδιαίτερα υψηλή απόδοση στην αναγνώριση οφθαλμολογικών παθήσεων, όπως το γλαύκωμα και η ηλικιακή εκφύλιση της ωχράς κηλίδας. Παρά το τεράστιο υλικό που χρησιμοποιήθηκε για την εκπαίδευση του συστήματος, πολλές από τις σχεδόν 27.000 εικόνες που φόρτωσαν στο μοντέλο δεν ήταν υψηλής ποιότητας και τους έλειπε η λεπτομερής αξιολόγηση από ειδικούς.

Μετά την τροφοδότηση του συστήματος με επιπλέον 1.426 εικόνες υψηλής ποιότητας, τις οποίες είχαν ελέγξει και επισημάνει ειδικοί οφθαλμίατροι, τα αποτελέσματα βελτιώθηκαν σημαντικά. Η επίδοση του συστήματος ξεπέρασε το 0,93 στον δείκτη AUROC, ο οποίος δείχνει την ικανότητα μιας μεθόδου να ξεχωρίζει ποιος θα εμφανίσει ένα συγκεκριμένο αποτέλεσμα, π.χ. ποιοι θα παραμείνουν υγιείς και ποιοι θα ασθενήσουν. Μάλιστα, ήταν περίπου αντίστοιχη με εκείνη άλλων σύγχρονων συστημάτων ανάλυσης οφθαλμολογικών εικόνων.

Η ακρίβεια της AI, ωστόσο, δεν ήταν το μοναδικό πρόβλημα. Πέντε μήνες μετά την εφαρμογή του συστήματος, η χρήση των διαδικασιών της AI-TEC είχε μειωθεί σημαντικά. Μόλις 41 από τις 1.113 εξετάσεις που πραγματοποιήθηκαν εκείνον τον μήνα, δηλαδή το 3,8%, χρησιμοποίησαν τις διαθέσιμες διαδικασίες AI. Εν προκειμένω, η λύση δόθηκε όταν οι ερευνητές τροποποίησαν το σύστημα ώστε να γίνει ταχύτερο, με λιγότερα κλικ και λιγότερη χειροκίνητη εισαγωγή δεδομένων. Τον επόμενο μήνα, η χρήση αυξήθηκε σε 259 από τις 1.126 συνολικά εξετάσεις, φτάνοντας το 23%.

Οι επιστήμονες επεσήμαναν την ανάγκη για στενή συνεργασία μεταξύ γιατρών και ερευνητών AI κατά την εφαρμογή τέτοιων συστημάτων. iStock

Σύμφωνα με τους ερευνητές, η αλλαγή έδειξε πόσο σημαντικό είναι το εργαλείο AI να εντάσσεται ομαλά στην καθημερινή εργασία των γιατρών: «η αποτελεσματικότητά του δεν εξαρτιόταν από την απόδοση κάποιου μεμονωμένου αλγορίθμου, αλλά από την ποιότητα των δεδομένων, την αλληλεπίδραση με τη ροή εργασίας, τη συμμετοχή των κλινικών γιατρών, την επαρκή διακυβέρνηση και παρακολούθηση και την κλινική αξία που μπορούσε να μετρηθεί».

Ένα δεύτερο σημείο που επεσήμαναν οι ερευνητές είναι η ανάγκη για στενή συνεργασία μεταξύ γιατρών και ερευνητών AI κατά την εφαρμογή τέτοιων συστημάτων. Όπως διαπιστώθηκε, το feedback των γιατρών θα πρέπει να δίνεται άμεσα για να διενεργούνται απαραίτητες αλλαγές με αποτύπωμα στην κλινική πρακτική.

Τι δείχνει το πείραμα για τις κλινικές του μέλλοντος;

Η εμπειρία της AI-TEC είναι η τελευταία προσθήκη στον ευρύτερο διάλογο για τους πράκτορες τεχνητής νοημοσύνης (AI agents) στην υγεία. Πρόσφατη ανασκόπηση 510 δημοσιεύσεων γύρω από το θέμα κατέληξε ότι τέτοια συστήματα θα πρέπει να αξιολογούνται με βάση και άλλες παραμέτρους πέρας της διαγνωστικής ακρίβειας, όπως:

• η ολοκλήρωση των εργασιών
• η αποδοτικότητα
• ο χρόνος απόκρισης
• η ασφάλεια
• η ποιότητα των αποτελεσμάτων
• η αλληλεπίδραση με τους επαγγελματίες υγείας και τους ασθενείς.

Η διαφορετική προσέγγιση του ασθενούς από την τεχνητή νοημοσύνη και τον γιατρό είναι μία από τις βασικές προκλήσεις που θα χρειαστεί να αντιμετωπίσουν για την ανάπτυξη τέτοιων συστημάτων. iStock

Ένα δεύτερο σημείο προσοχής είναι η διαφορετική προσέγγιση του ασθενούς από την τεχνητή νοημοσύνη και τον γιατρό. Η κινεζική κλινική AI-TEC μπορεί να αναλύσει μια εικόνα και να εκτιμήσει αν υπάρχει κάποια πάθηση, ενώ ο γιατρός ξεκινά από τον ασθενή και τα συμπτώματά του, εξετάζοντας το πρόβλημα που αναφέρει και την πορεία του.

Αυτή η διαφορά, καταλήγουν οι ερευνητές, είναι ενδεχομένως μία από τις βασικές προκλήσεις που θα χρειαστεί να αντιμετωπίσουν για την ανάπτυξη τέτοιων συστημάτων. Γι’ αυτό στις μελλοντικές δοκιμές, θα πρέπει να εξεταστεί η επίδραση της AI στην πράξη, στις ιατρικές διαδικασίες μια κλινικής και στα αποτελέσματα για τους ασθενείς.

Όπως σημειώνει η ερευνητική ομάδα, «η επιτυχία ενός συστήματος υγείας που βασίζεται εξαρχής στην AI θα πρέπει τελικά να μετράται από το κατά πόσο μετασχηματίζεται η κλινική ροή εργασίας και από το κατά πόσο η AI βελτιώνει τα αποτελέσματα για την υγεία, και όχι από το αν επιτυγχάνει καλύτερες επιδόσεις σε τυποποιημένες δοκιμές», γράφουν οι ερευνητές.