Παρά ταύτα, έχοντας τη δυνατότητα ταχείας ανάλυσης μεγάλου όγκου δεδομένων, οι αλγόριθμοι της τεχνητής νοημοσύνης μπορούν σήμερα να εντοπίζουν μοτίβα για διάφορες παθολογικές καταστάσεις, βοηθώντας τους επαγγελματίες υγείας στην τελική διάγνωση και λήψη απόφασης για τη θεραπεία.
Η μεγαλύτερη εφαρμογή των συστημάτων στην υγεία αφορά στην ανάλυση εικόνας (αξονική ή μαγνητική τομογραφία, μαστογραφία κ.α.) μέσω των οποίων εντοπίζονται π.χ. κακοήθειες σε στάδια που το ανθρώπινο μάτι δεν μπορεί να διακρίνει. Βεβαίως, καμία εκ των μεθόδων αυτών δεν μπορεί να υποκαταστήσει τον ιατρό, καθότι αυτός και μόνο διαθέτει σημαντικά στοιχεία από την κλινική εξέταση των ασθενών, τα οποία χρησιμοποιεί σε συνδυασμό με τον απεικονιστικό ή/και εργαστηριακό έλεγχο, θέτοντας την οριστική διάγνωση κάθε νόσου. Με άλλα λόγια, όταν συζητάμε για τεχνητή νοημοσύνη, εννοούμε την συνθήκη η οποία δεν μπορεί να εξελιχθεί από μόνη της ως υποκατάστατο του ανθρώπινου παράγοντα ακόμη και αν μελλοντικά αυτή μετουσιωθεί σε αυτοματοποιημένη λήψη αποφάσεων στη βάση διαγνωστικών και θεραπευτικών αλγορίθμων.
Η τεχνητή νοημοσύνη θα μπορούσε να φανεί χρήσιμη, υπό την προϋπόθεση ότι θα αξιολογείται σε κάθε της βήμα από τους ιατρούς που θα λαμβάνουν τις τελικές θεραπευτικές αποφάσεις σε συνεργασία με τους ασθενείς τους. Επομένως μιλάμε για ένα σύστημα που σκέφτεται πολύ γρήγορα, χωρίς το ίδιο να μπορεί να αποφασίσει.
Πρέπει να γίνει αντιληπτό, ότι με την πολυπλοκότητα που προκαλείται από τον συνδυασμό της επιστημονικής έρευνας, των ραγδαίων τεχνολογικών εξελίξεων, της διάθεσης μεγάλου όγκου δεδομένων, αλλά και της επέκτασης των ψηφιακών λειτουργιών σε πολλά πεδία των συστημάτων υγείας, η τεχνητή νοημοσύνη καθίσταται εξ ορισμού απαραίτητη.
Τα συμπεράσματα μελέτης
Γνωρίζουμε ότι για κάθε έναν διαγνωσμένο διαβητικό, υπάρχει άλλος ένας που ίσως δεν το γνωρίζει. Αυτό το κενό διάγνωσης ίσως μπορέσει να το καλύψει η τεχνητή νοημοσύνη.
Πρόσφατη εφαρμοσμένη μελέτη της τεχνητής νοημοσύνης σε ομάδες εθελοντών από ερευνητές του εργαστηρίου Krick στον Καναδά (Dr. Kaufman-Ontario), δοκίμασε μια νέα εφαρμογή στο κινητό μέσω ενός προγράμματος «μηχανικής μάθησης» για τη διάγνωση του σακχαρώδη διαβήτη, χρησιμοποιώντας την ανάλυση της φωνής. Η έρευνα δημοσιεύθηκε στο Ιατρικό περιοδικό Mayo Clinic: Digital Ηealth. Συγκεκριμένα, εντοπίσθηκαν και επιβεβαιώθηκαν δεκαπέντε (15) διαφορές της φωνής ανάμεσα σε υγιείς και διαβητικούς, τις οποίες δεν μπορεί να εντοπίσει φυσιολογικά το ανθρώπινο αυτί, όπως την ένταση, τον τόνο, την χροιά, την συχνότητα κλπ και αφού πρώτα τις συσχέτισε και με καταχωρημένα ανθρωπομετρικά στοιχεία (φύλο, βάρος, ύψος, άλλες γνωστές πληροφορίες υγείας κλπ), έδωσε απάντηση για την ύπαρξη ή όχι Σακχαρώδη Διαβήτη τύπου 2. Το σύστημα μπόρεσε να προβλέψει με ακρίβεια την νόσο στο 89% των συμμετεχόντων γυναικών και στο 86% των αντίστοιχων ανδρών. Μάλιστα ο χρόνος για την διάγνωση ήταν από έξι (6) έως δέκα (10) δευτερόλεπτα μόνο με την ανάλυση της φωνής. Πραγματικά εντυπωσιακό!
Η Τεχνητή Νοημοσύνη (AI=Artificial Inteligence) έχει μπει πια δυναμικά στον ιατρικό κόσμο και όλο πιο συχνά θα συναντάμε τέτοια επιτεύγματα στη διάγνωση (αλλά σταδιακά και στη θεραπεία). Λέγεται μάλιστα ότι η ”τεχνολογία της φωνής” θα είναι ένας ιδιαίτερος τομέας μιας και αποτελεί ένα εύκολο εργαλείο ανάλυσης.
Η «μηχανική μάθηση» είναι στην ουσία ένα τμήμα της τεχνικής νοημοσύνης, όπου μέσω ενός ειδικού αλγορίθμου εκπαιδεύεται να βρίσκει π.χ. μοτίβα ή συσχετίσεις και αφού τα αναλύσει να μπορεί να κάνει μια πρόβλεψη-διάγνωση. Μάλιστα όσο μεγαλώνει η εμπειρία του, τόσο οι προβλέψεις βελτιώνονται. Άρα χωρίς να είναι προγραμματισμένο, μπορεί να προβεί (άτυπα) σε διάγνωση.
Συμπερασματικά
Η δυνατότητα που μπορεί να μας παρέχει η τεχνητή νοημοσύνη θα έχει πολλαπλά οφέλη που θα ξεκινούν από την επεξεργασία μεγάλων βάσεων δεδομένων σε μικρό χρονικό διάστημα και θα φτάνουν μέχρι και την υποστήριξη της κλινικής διάγνωσης.
Η λήψη θεραπευτικών αποφάσεων με βάση πραγματικά δεδομένα εκβάσεων μεγάλου αριθμού ασθενών θα εγγυάται την αυξημένη πιθανότητα επίτευξης του διαχρονικού στόχου που είναι «η κατάλληλη θεραπεία στον κατάλληλο ασθενή», με τα οφέλη να επεκτείνονται και στην εξοικονόμηση πόρων των συστημάτων υγείας.
Η επιστημονική κοινότητα θεωρεί επιτακτική την ανάγκη διαμόρφωσης, το συντομότερο δυνατόν, ενός θεσμικού πλαισίου που θα ρυθμίζει όλα τα κρίσιμα σημεία εφαρμογής της τεχνητής νοημοσύνης στην υγεία. Αυτό υποδηλώνει ότι το τελευταίο πράγμα που θέλουμε είναι να χάσουμε την ευκαιρία να εκμεταλλευθούμε την τεχνητή νοημοσύνη γιατί δεν έχουμε έτοιμο το «περιβάλλον» για την εφαρμογή της. Η χώρα μας, λαμβάνοντας υπόψη και παρακολουθώντας την ταχύτητα ανάπτυξης τέτοιων χρήσιμων εργαλείων στις πολύ προηγμένες χώρες, οφείλει να κινηθεί γρήγορα στο πεδίο της ψηφιοποίησης αρχείων, ώστε να μη μείνει ουραγός σε αυτόν τον τομέα.
Την ώρα που μιλάμε για τεχνητή νοημοσύνη και τροφοδότηση των συστημάτων με δεδομένα, στην Ελλάδα ο ιατρός εξακολουθεί να ζητάει πληροφορίες για προηγούμενες θεραπείες και αποτελέσματα εξετάσεων από τον ίδιο τον ασθενή. Επιπλέον, η ψηφιοποίηση όλων των ιατρικών πληροφοριών των πολιτών και η δυνατότητα αναζήτησης και άμεσης εύρεσης διαθέσιμων δομών και φροντίδας υγείας θα συμβάλλει στη βελτίωση των διαδικασιών και των συνθηκών πρόσβασης των πολιτών στο σύστημα υγείας (π.χ. στην αναζήτηση μιας κλίνης σε ΜΕΘ), αλλά και στην προτυποποίηση της χρήσης των υγειονομικών υπηρεσιών, με αποτέλεσμα τη βέλτιστη κατανομή των πόρων που διατίθενται για την υγεία. Αν και ο τομέας είναι αρκετά νέος, η τεχνητή νοημοσύνη έχει τη δυνατότητα να διαδραματίσει στο εγγύς μέλλον, σημαντικότατο ρόλο στο σύστημα υγειονομικής περίθαλψης.
Πηγή: Γλυκός Πλανήτης
