Τεχνητή νοημοσύνη: Μία επανάσταση στην Υγεία

Θα ξεπεράσει η ΑΙ σε δυνατότητες τον άνθρωπο στη διάγνωση και τη θεραπεία ασθενειών Ή η πρόοδος που σημειώνεται είναι ο καλύτερος δυνατός σύμβουλος; Ο Γιώργος Παπαδόπουλος, υποψήφιος διδάκτωρ του Imperial College του Λονδίνου και Ανώτερος Ερευνητής στην Ομάδα Κβαντικής Έρευνας της JPMorgan, εξηγεί ότι «Η τεχνητή νοημοσύνη έχει κάνει σημαντικά βήματα στον τομέα της υγείας τα τελευταία χρόνια, οδηγώντας σε πολυάριθμες καινοτόμες λύσεις που έχουν τη δυνατότητα να βελτιώσουν σημαντικά τη φροντίδα των ασθενών». Στη συζήτηση που είχαμε μαζί του, επιχειρεί να εκλαϊκεύσει σύνθετες και δυσνόητες έννοιες που αφορούν στο παρόν και το μέλλον μας. Η τεχνητή νοημοσύνη είναι εδώ, προχωράει και με την πρόοδο της μας κάνει πιο αισιόδοξους στο κομμάτι της υγείας.

Ο κ. Παπαδόπουλος εκτιμά ότι ένας από τους πιο υποσχόμενους τομείς της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη είναι η διάγνωση και η ανίχνευση ασθενειών. Μας δίνει ένα παράδειγμα: «Ερευνητές στο Πανεπιστήμιο του Στάνφορντ ανέπτυξαν έναν αλγόριθμο βαθιάς μάθησης (Deep Learning) που μπορεί να ανιχνεύσει με ακρίβεια τον καρκίνο του δέρματος, αναλύοντας εικόνες σπίλων και άλλων δερματικών βλαβών. Ο αλγόριθμος, ο οποίος εκπαιδεύτηκε σε περισσότερες από 100.000 εικόνες δερματικών βλαβών, ξεπέρασε 21 δερματολόγους σε μια κλινική δοκιμή, αποδεικνύοντας τη δυνατότητα της τεχνητής νοημοσύνης να βελτιώσει την ακρίβεια των διαγνώσεων στον τομέα της υγειονομικής περίθαλψης».

Σε ποιους άλλους τομείς της υγείας έχουμε δει βελτίωση; «Ένας άλλος τομέας είναι η πρόβλεψη των αποτελεσμάτων των ασθενών και η βελτιστοποίηση των σχεδίων θεραπείας. Ερευνητές στο Πανεπιστήμιο του Τορόντο ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που μπορεί να προβλέψει ποιοι ασθενείς κινδυνεύουν να αναπτύξουν επιπλοκές μετά από χειρουργική επέμβαση, επιτρέποντας στους γιατρούς να λαμβάνουν προληπτικά μέτρα για να μειώσουν την πιθανότητα τέτοιων επιπλοκών. Ομοίως, έχουν αναπτυχθεί αλγόριθμοι τεχνητής νοημοσύνης που μπορούν να βοηθήσουν στη δημιουργία εξατομικευμένων σχεδίων θεραπείας για καρκινοπαθείς, λαμβάνοντας υπόψη παράγοντες όπως ο τύπος και το στάδιο του καρκίνου, καθώς και το ιατρικό ιστορικό και η γενετική του ασθενούς».

«Στη μηχανική βιοϊατρική και στην ανάπτυξη φαρμάκων, η τεχνητή νοημοσύνη και η βιοστατιστική έχουν συμβάλει επίσης ενεργά στην πρόοδο βοηθώντας τους ερευνητές να αναλύσουν και να ερμηνεύσουν μεγάλες ποσότητες δεδομένων (Big Data) πολύ πιο γρήγορα και με ακρίβεια από ό,τι είναι δυνατό με τις παραδοσιακές μεθόδους. Μοντέλα αναλύουν μοτίβα και σχέσεις που μπορεί να είναι ενδεικτικές ασθένειας ή άλλων καταστάσεων υγείας. Αυτά τα συστήματα AI μπορούν να βοηθήσουν τους ερευνητές να εντοπίσουν πιθανούς στόχους για νέες θεραπείες ή να προβλέψουν την πιθανότητα ανταπόκρισης ενός ασθενούς σε μια συγκεκριμένη θεραπεία», προσθέτει. 

Στο εργαστήριο Molly Stevens Bio engineering Lab στο Imperial College London, στο οποίο ο κ. Παπαδόπουλος εργάζεται ως ερευνητής, γίνεται έρευνα για βιοαισθητήρες, που θα μπορούν να χαρτογραφούν μοτίβα δεδομένων ώστε να προβλέπουν πιθανές ασθένειες. Επίσης, πραγματοποιούν έρευνες για τον σχεδιασμό και τη βελτιστοποίηση της παροχής θεραπειών, όπως μέσω της ανάπτυξης έξυπνων νανο-συστημάτων χορήγησης φαρμάκων που μπορούν να χορηγούνται στο σώμα και στοχεύουν συγκεκριμένα κύτταρα ή ιστούς στο σώμα.

Επανάσταση και στην περίθαλψη

«Η τεχνητή νοημοσύνη έχει τη δυνατότητα να φέρει επανάσταση στον τρόπο παροχής της υγειονομικής περίθαλψης, μέσω της χρήσης εικονικών βοηθών και άλλων ψηφιακών τεχνολογιών. Τα συστήματα τηλεϊατρικής που λειτουργούν με τεχνητή νοημοσύνη μπορούν να επιτρέψουν στους γιατρούς να κάνουν εξ αποστάσεως διάγνωση και θεραπεία ασθενών, βελτιώνοντας την πρόσβαση στην υγειονομική περίθαλψη σε δύσκολα προσβάσιμες περιοχές», μας εξηγεί και δίνει το εξής παράδειγμα: «Στην επεξεργασία φυσικής γλώσσας (NLP) τα παραγωγικά γλωσσικά μοντέλα (Generative Language Models) μπορούν να μιμηθούν το ανθρώπινο γράψιμο και να αντλήσουν γνώση από τα παγκόσμια δεδομένα. Μεγάλα γλωσσικά μοντέλα (LLM) όπως το Chat GPT μπορούν να συμβάλουν σημαντικά στη βιομηχανία υγειονομικής περίθαλψης, επιτρέποντας την ανάπτυξη εφαρμογών αυτοματοποιημένης συνομιλίας (chat bot) με τεχνητή νοημοσύνη και εικονικούς βοηθούς που μπορούν να παρέχουν στους ασθενείς πρόσβαση σε πληροφορίες και υποστήριξη υγειονομικής περίθαλψης. Αυτοί οι εικονικοί βοηθοί μπορούν να βοηθήσουν τους ασθενείς στη διαχείριση της υγείας τους απαντώντας σε ερωτήσεις, παρέχοντας υπενθυμίσεις για τη λήψη φαρμάκων και προτείνοντας αλλαγές στον τρόπο ζωής για τη βελτίωση της συνολικής υγείας και ευεξίας τους». 

«Επιπλέον, τα chat bots και οι εικονικοί βοηθοί μπορούν να χρησιμεύσουν ως πρώτο σημείο επαφής για ασθενείς που αναζητούν ιατρική φροντίδα, προσδιορίζουν τα συμπτώματα και παρέχουν συστάσεις για περαιτέρω φροντίδα, όπως απαιτείται. Με την αυτοματοποίηση αυτών των εργασιών, τα μεγάλα γλωσσικά μοντέλα μπορούν να συμβάλουν στη μείωση του φόρτου εργασίας των επαγγελματιών υγείας και στη βελτίωση της αποτελεσματικότητας του συστήματος υγειονομικής περίθαλψης στο σύνολό του», συμπληρώνει.

Προβλήματα και ανησυχίες

Τι κίνδυνοι μπορεί να συνοδεύουν αυτά τα μοντέλα; «Υπάρχουν ορισμένα προβλήματα και ανησυχίες για την ασφάλεια, σε σχέση με τη χρήση της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη. Ένα από τα κύρια προβλήματα είναι η πιθανότητα μεροληψίας στα συστήματα τεχνητής νοημοσύνης, η οποία μπορεί να οδηγήσει σε ανακριβή ή άδικα αποτελέσματα. Για παράδειγμα, εάν ένα σύστημα τεχνητής νοημοσύνης για τη διάγνωση ασθενειών εκπαιδεύεται σε δεδομένα που είναι προκατειλημμένα με κάποιο τρόπο (π.χ. περιέχει έναν δυσανάλογο αριθμό συγκεκριμένων εθνοτήτων ή φύλων), το σύστημα μπορεί να παράγει μεροληπτικά αποτελέσματα όταν εφαρμόζεται σε νέα δεδομένα. Αυτό μπορεί να έχει σοβαρές συνέπειες για τους ασθενείς, καθώς μπορεί να οδηγήσει σε λανθασμένες διαγνώσεις ή ακατάλληλη θεραπεία».

Ένα άλλο πρόβλημα είναι η πιθανότητα παραβιάσεων δεδομένων και άλλων περιστατικών ασφάλειας, εξηγεί ο κ. Παπαδόπουλος. «Με την αυξανόμενη χρήση ηλεκτρονικών αρχείων υγείας (EHR) και άλλων ψηφιακών τεχνολογιών υγείας, υπάρχει ο κίνδυνος πρόσβασης σε ευαίσθητα δεδομένα ασθενών από μη εξουσιοδοτημένα άτομα. Αυτό θα μπορούσε να οδηγήσει σε παραβιάσεις της ιδιωτικής ζωής και άλλες σοβαρές συνέπειες για τους ασθενείς».

«Συνολικά, ενώ η τεχνητή νοημοσύνη έχει τη δυνατότητα να ωφελήσει σημαντικά τη βιομηχανία υγειονομικής περίθαλψης, είναι σημαντικό να αντιμετωπιστούν αυτά και άλλα προβλήματα και ανησυχίες για την ασφάλεια, προκειμένου να διασφαλιστεί ότι η τεχνολογία χρησιμοποιείται με υπεύθυνο και ηθικό τρόπο», προσθέτει.

Υπάρχουν τρόποι επίλυσης; «Η ομοσπονδιακή μάθηση (Federated Learning) και η τεχνολογία κατανεμημένου καθολικού (Distributed  Ledger Technology - DLT), γνωστή στους περισσότερους ως block chain, έχουν τη δυνατότητα να ωφελήσουν σημαντικά τον κλάδο της υγειονομικής περίθαλψης. Η ομοσπονδιακή μάθηση είναι μια προσέγγιση μηχανικής μάθησης (Machine Learning) που επιτρέπει σε πολλά μέρη να εκπαιδεύσουν ένα μοντέλο μηχανικής μάθησης με τα δικά τους δεδομένα, χωρίς να αποκαλύπτουν τα δεδομένα τους μεταξύ τους, διασφαλίζοντας παράλληλα ότι τα δεδομένα παραμένουν ασφαλή και προστατευμένα. Αυτό είναι ιδιαίτερα χρήσιμο στον κλάδο της υγειονομικής περίθαλψης, όπου το απόρρητο και η ασφάλεια των δεδομένων είναι υψίστης σημασίας. Η τεχνολογία κατανεμημένου καθολικού, από την άλλη πλευρά, έχει τη δυνατότητα να φέρει επανάσταση στον τρόπο με τον οποίο αποθηκεύονται και μοιράζονται τα δεδομένα υγειονομικής περίθαλψης και που μπορεί να χρησιμοποιηθεί για την ασφαλή αποθήκευση και διαχείριση δεδομένων. Στον κλάδο της υγειονομικής περίθαλψης, η τεχνολογία θα μπορούσε να χρησιμοποιηθεί για τη δημιουργία μιας ασφαλούς, αποκεντρωμένης πλατφόρμας για την αποθήκευση και την κοινή χρήση ιατρικών αρχείων και άλλων δεδομένων υγειονομικής περίθαλψης. Αυτό θα μπορούσε να βοηθήσει στη βελτίωση της αποτελεσματικότητας του συστήματος, καθώς και στη διασφάλιση του απορρήτου και της ασφάλειας των δεδομένων των ασθενών».