Πέννυ Μπουλούτζα
Η αλματώδης ανάπτυξη της τεχνητής νοημοσύνης έχει ανοίξει τη συζήτηση για τα επαγγέλματα που «κινδυνεύουν» να αντικατασταθούν από συστήματα AI (Artificial Intelligence). «Σε αυτά δεν συμπεριλαμβάνονται γιατροί και νοσηλευτές», τονίζουν οι ειδικοί επιστήμονες.
Μία από τις βασικές εφαρμογές των συστημάτων τεχνητής νοημοσύνης αφορά την υποστήριξη της κλινικής απόφασης. Εχοντας τη δυνατότητα ταχείας ανάλυσης μεγάλου όγκου δεδομένων, οι αλγόριθμοι της τεχνητής νοημοσύνης μπορούν να εντοπίζουν μοτίβα για διάφορες καταστάσεις υγείας και να βοηθούν τους επαγγελματίες υγείας στην τελική διάγνωση και λήψη απόφασης για τη θεραπεία. «Αυτή τη στιγμή η μεγαλύτερη εφαρμογή των συστημάτων AI στην υγεία είναι στην ανάλυση εικόνας. Π.χ. σε μια αξονική τομογραφία, μια μαστογραφία κ.ά. μπορεί να εντοπίσει κακοήθειες σε στάδια που το ανθρώπινο μάτι δεν μπορεί να ξεχωρίσει. Ομως αυτό σε καμία περίπτωση δεν μπορεί να υποκαταστήσει τον γιατρό», σημειώνει στην «Κ» η καθηγήτρια Βιολογίας/Γενετικής – Νανοϊατρικής της Ιατρικής Σχολής του ΕΚΠΑ, Μαρία Γαζούλη. Ο καθηγητής Πολιτικής Υγείας, κοσμήτωρ της Σχολής Κοινωνικών και Πολιτικών Επιστημών του Πανεπιστημίου Πελοποννήσου, Κυριάκος Σουλιώτης, τονίζει στην «Κ» πως «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. Αυτή η συνθήκη όμως δεν σημαίνει ότι μπορεί να εξελιχθεί σε υποκατάστατο του ανθρώπινου παράγοντα, π.χ. με την αυτοματοποιημένη λήψη αποφάσεων στη βάση διαγνωστικών και θεραπευτικών αλγορίθμων. Αυτοί είναι χρήσιμοι υπό την προϋπόθεση ότι θα αξιολογηθούν από τους γιατρούς, οι οποίοι θα λάβουν τις αποφάσεις σε συνεργασία με τους ασθενείς. Με λίγα λόγια είναι ένα σύστημα που σκέφτεται πολύ γρήγορα, αλλά δεν παίρνει αποφάσεις».
Την προηγούμενη εβδομάδα ο Παγκόσμιος Οργανισμός Υγείας προειδοποίησε για τη χρήση της τεχνητής νοημοσύνης, τονίζοντας μεταξύ άλλων ότι τα δεδομένα που χρησιμοποιεί μπορεί να είναι μεροληπτικά ή να χρησιμοποιούνται λανθασμένα. Η κ. Γαζούλη επισημαίνει ότι «καθώς οι προγραμματιστές δημιουργούν συστήματα τεχνητής νοημοσύνης εμφανίζονται αρκετοί κίνδυνοι και προκλήσεις: o κίνδυνος για τους ασθενείς από σφάλματα του συστήματος, για το απόρρητο και πολλά άλλα».
Οι καθηγητές τονίζουν την ανάγκη διαμόρφωσης, το συντομότερο δυνατόν, ενός θεσμικού πλαισίου που θα ρυθμίζει όλα τα κρίσιμα σημεία εφαρμογής της τεχνητής νοημοσύνης στην υγεία. «Το τελευταίο που θέλουμε είναι να χάσουμε την ευκαιρία να εκμεταλλευθούμε την τεχνητή νοημοσύνη γιατί δεν έχουμε έτοιμο το “περιβάλλον” για την εφαρμογή της», τονίζει ο κ. Σουλιώτης. Σύμφωνα με τον ίδιο, η χώρα μας 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 γιατρός εξακολουθεί και ζητεί πληροφορίες για προηγούμενες θεραπείες και αποτελέσματα εξετάσεων από τον ίδιο τον ασθενή.
ΥΠΕΡ
Εγκαιρη πρόγνωση, ταχύτερηανάπτυξη νέων φαρμάκων
Ενα εργαλείο με τεράστιες δυνατότητες ως προς τη βελτίωση της ικανότητας διάγνωσης παθήσεων, την υποστήριξη της κλινικής απόφασης για την αποτελεσματικότερη θεραπεία αλλά και την πιο εύκολη πρόσβαση του ασθενούς στο σύστημα υγείας χαρακτηρίζουν οι ειδικοί επιστήμονες της Υγείας τα συστήματα τεχνητής εφαρμογής.
Οπως σημειώνει στην «Κ» ο κ. Κυριάκος Σουλιώτης, «η δυνατότητα που παρέχει η τεχνητή νοημοσύνη έχει πολλαπλά οφέλη, όπως η επεξεργασία μεγάλων βάσεων δεδομένων σε μικρό χρονικό διάστημα και, στη βάση αυτής, η υποστήριξη της κλινικής απόφασης. Η λήψη αποφάσεων θεραπείας με βάση πραγματικά δεδομένα εκβάσεων μεγάλου αριθμού ασθενών εγγυάται αυξημένη πιθανότητα επίτευξης του διαχρονικού στόχου που είναι “η κατάλληλη θεραπεία στον κατάλληλο ασθενή”, με τα οφέλη να επεκτείνονται και στην οικονομική λειτουργία των συστημάτων υγείας.
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, όπως π.χ. σε μια κλίνη σε ΜΕΘ, αλλά και στην προτυποποίηση της χρήσης των υγειονομικών υπηρεσιών, με αποτέλεσμα τη βέλτιστη κατανομή των πόρων».
Η κ. Μαρία Γαζούλη τονίζει ότι «αν και ο τομέας είναι αρκετά νέος, η τεχνητή νοημοσύνη έχει τη δυνατότητα να παίξει σημαντικούς ρόλους στο σύστημα υγειονομικής περίθαλψης».
Σύμφωνα με την καθηγήτρια, η πιο εντυπωσιακή χρήση της ιατρικής τεχνητής νοημοσύνης είναι να κάνει πράγματα που οι «ανθρώπινοι» πάροχοι υγείας δεν μπορούν ακόμη να κάνουν. Μπορεί να χρησιμοποιηθεί για την ανάλυση απεικόνισης, όπως ακτινογραφίες και μαγνητική τομογραφία, για να βοηθήσει τους γιατρούς να εντοπίσουν ασθένειες και να σχεδιάσουν τη θεραπεία. «Για παράδειγμα», σημειώνει, «αλγόριθμοι με τεχνητή νοημοσύνη μπορούν να ανιχνεύσουν σημάδια καρκίνου στις μαστογραφίες με υψηλό βαθμό ακρίβειας, κάτι που μπορεί να βοηθήσει τους γιατρούς να κάνουν διάγνωση και να προγραμματίσουν τη θεραπεία πιο γρήγορα».
Τα συστήματα AI μπορούν να οδηγήσουν σε έγκαιρη πρόγνωση. Οπως λέει η κ. Γαζούλη, ηλεκτρονικά αρχεία υγείας και άλλα δεδομένα ασθενών μπορούν να αναλυθούν από την τεχνητή νοημοσύνη για να προβλεφθεί ποιοι ασθενείς κινδυνεύουν να αναπτύξουν ορισμένες καταστάσεις. Αυτό μπορεί να βοηθήσει τους γιατρούς να παρέμβουν εγκαίρως, πριν μια κατάσταση γίνει πιο σοβαρή, και μπορεί επίσης να βοηθήσει τους οργανισμούς υγειονομικής περίθαλψης να κατανέμουν τους πόρους πιο αποτελεσματικά.
Πεδίο εφαρμογής της είναι και η ανάπτυξη νέων φαρμάκων. Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για την εξέταση δεδομένων σχετικά με τις αλληλεπιδράσεις και τις παρενέργειες φαρμάκων, καθώς και για την πρόβλεψη ενώσεων που θα είναι πιο αποτελεσματικές στη θεραπεία ορισμένων καταστάσεων. Αυτό μπορεί να επιταχύνει τη διαδικασία ανακάλυψης και ανάπτυξης φαρμάκων, η οποία μπορεί τελικά να οδηγήσει σε νέες θεραπείες για τους ασθενείς.
Διαγνώσεις από μακριά
Η τεχνητή νοημοσύνη μπορεί να μοιραστεί την τεχνογνωσία και τις επιδόσεις των ειδικών για να συμπληρώσει τους παρόχους υγείας, όπως π.χ. έναν γενικό γιατρό σε απομακρυσμένη δομή. Η κ. Γαζούλη εξηγεί ότι «π.χ., πολλά προγράμματα τεχνητής νοημοσύνης χρησιμοποιούν εικόνες του ανθρώπινου ματιού για να δώσουν διαγνώσεις που διαφορετικά θα απαιτούσαν οφθαλμίατρο».
ΚΑΤΑ
Κίνδυνος μεροληψίας και διαρροής πληροφοριών
Η διασφάλιση του απορρήτου και της διαθεσιμότητας έγκυρων και αντιπροσωπευτικών δεδομένων αποτελεί βασική πρόκληση αλλά και προϋπόθεση για την αξιοποίηση συστημάτων τεχνητής νοημοσύνης στον τομέα της υγείας και της υγειονομικής περίθαλψης.
Ο κ. Κυριάκος Σουλιώτης αναφέρει ότι «αναμφίβολα πρόκειται για κάτι σχετικά νέο στην υγειονομική περίθαλψη και εύλογα προκαλούνται ανησυχίες για τους κινδύνους π.χ. από την τροφοδότηση των συστημάτων τεχνητής νοημοσύνης με μη έγκυρα δεδομένα ή τη διαρροή εμπιστευτικών και ευαίσθητων πληροφοριών υγείας των πολιτών. Επιπλέον, ανησυχία έχει διατυπωθεί για τον κίνδυνο σταδιακής υποκατάστασης του ανθρώπινου παράγοντα στις υπηρεσίες υγείας, με πολλαπλές επιπτώσεις στην απασχόληση και στην ποιότητα των φροντίδων υγείας».
Οπως επισημαίνει η κ. Μαρία Γαζούλη, «όσον αφορά την εφαρμογή της τεχνητής νοημοσύνης στον κλάδο της υγειονομικής περίθαλψης, το απόρρητο αποτελεί σημαντική ανησυχία. Τα δεδομένα ασθενών αποτελούνται από εξαιρετικά ευαίσθητα προσωπικά αναγνωρίσιμα στοιχεία (PII), όπως ιατρικό ιστορικό, στοιχεία ταυτότητας και πληροφορίες πληρωμής, τα οποία προστατεύονται από κανονιστικές οδηγίες που παρέχονται από τον GDPR και το HIPAA.
Ομως, όταν τα δεδομένα ανεβαίνουν σε μια cloud υπηρεσία προκειμένου να αναλυθούν από συστήματα AI, υπάρχουν ανοιχτά ζητήματα ασφάλειας». Σύμφωνα με την καθηγήτρια, ένας κίνδυνος αφορά και τη διαθεσιμότητα των δεδομένων. «Η εκπαίδευση των συστημάτων τεχνητής νοημοσύνης απαιτεί μεγάλες ποσότητες δεδομένων από πηγές όπως ηλεκτρονικά αρχεία υγείας, αρχεία φαρμακείων, ασφαλιστικών εταιρειών ή πληροφορίες που δημιουργούνται από τους καταναλωτές, όπως ιχνηλάτες φυσικής κατάστασης ή ιστορικό αγορών. Αλλά τα δεδομένα υγείας είναι συχνά προβληματικά και κατακερματισμένα», σημειώνει και συνεχίζει: «Οι ασθενείς συνήθως βλέπουν διαφορετικούς παρόχους και αλλάζουν ασφαλιστικές εταιρείες, οδηγώντας σε διαχωρισμό δεδομένων σε πολλαπλά συστήματα και πολλαπλές μορφές. Αυτός ο κατακερματισμός αυξάνει τον κίνδυνο λάθους, μειώνει την πληρότητα των συνόλων δεδομένων και αυξάνει το κόστος συλλογής τους, γεγονός που περιορίζει επίσης τους τύπους οντοτήτων που μπορούν να αναπτύξουν αποτελεσματική τεχνητή νοημοσύνη στον τομέα της υγείας».
Ανισότητες
Στο ίδιο πλαίσιο, υπάρχει και ο κίνδυνος μεροληψίας και ανισότητας στην τεχνητή νοημοσύνη στον τομέα της υγείας. Οπως επισημαίνει η κ. Γαζούλη, τα συστήματα AI μαθαίνουν από τα δεδομένα στα οποία εκπαιδεύονται και μπορούν να ενσωματώσουν προκαταλήψεις από αυτά τα δεδομένα. «Για παράδειγμα, εάν τα διαθέσιμα δεδομένα για την τεχνητή νοημοσύνη συλλέγονται κυρίως σε ακαδημαϊκά ιατρικά κέντρα, το προκύπτον σύστημα AI θα γνωρίζει λιγότερα για ασθενείς από πληθυσμούς που συνήθως δεν συχνάζουν στα ακαδημαϊκά ιατρικά κέντρα. Ακόμη κι αν τα συστήματα τεχνητής νοημοσύνης μαθαίνουν από ακριβή, αντιπροσωπευτικά δεδομένα, μπορεί να υπάρχουν προβλήματα εάν αυτές οι πληροφορίες αντικατοπτρίζουν υποκείμενες προκαταλήψεις και ανισότητες στο σύστημα υγείας».
Η έλλειψη διαφάνειας αποτελεί επίσης προβληματικό σημείο. «Πολλά συστήματα τεχνητής νοημοσύνης θεωρούνται “μαύρα κουτιά” επειδή είναι δύσκολο να κατανοήσουμε πώς κατέληξαν σε μια συγκεκριμένη απόφαση. Αυτή η έλλειψη διαφάνειας μπορεί να δυσκολέψει τους γιατρούς και άλλους επαγγελματίες υγείας να εμπιστευθούν τα αποτελέσματα ενός συστήματος AI», τονίζει η κ. Γαζούλη.
