Dirbtinio intelekto ekspertai aptaria, kaip integruoti patikimą dirbtinį intelektą į sveikatos priežiūrą, kodėl tarpdisciplininis bendradarbiavimas yra labai svarbus ir generatyvinio dirbtinio intelekto potencialą tyrimuose.
Gegužės 14 d. Stanfordo universiteto Medicinos mokykloje vykusiame pirmajame RAISE sveikatos simpoziume Feifei Li ir Lloydas Minoras pasakė įžangines kalbas. Steve'as Fishas
Dauguma žmonių, kuriuos paveikė dirbtinis intelektas, yra patyrę kažkokią „aha“ akimirką, atverdami savo protus galimybių pasauliui. Gegužės 14 d. vykusiame atidarymo RAISE sveikatos simpoziume Stanfordo universiteto Medicinos mokyklos dekanas ir Stanfordo universiteto medicinos reikalų viceprezidentas Lloydas Minoras pasidalijo savo požiūriu.
Kai vieno smalsaus paauglio paprašė apibendrinti savo išvadas apie vidinę ausį, jis kreipėsi į generatyvinį dirbtinį intelektą. „Aš paklausiau: „Kas yra viršutinio kanalo dehiscencijos sindromas?“ Minoras tai pasakė beveik 4000 simpoziumo dalyvių. Per kelias sekundes pasirodė kelios pastraipos.
„Jie geri, tikrai geri“, – sakė jis. „Tai, kad ši informacija buvo surinkta į glaustą, apskritai tikslų ir aiškiai pagal prioritetus suskirstytą ligos aprašymą. Tai išties nuostabu.“
Daugelis, kaip ir Minoras, džiaugėsi šiuo pusės dienos renginiu, kuris buvo Stanfordo universiteto Medicinos mokyklos ir Stanfordo į žmogų orientuoto dirbtinio intelekto instituto (HAI) pradėto projekto „RAISE Health“ (RAISE sveikatos iniciatyvos) rezultatas, kuriuo siekiama padėti atsakingai naudoti dirbtinį intelektą biomedicininiuose tyrimuose, švietime ir pacientų priežiūroje. Pranešėjai nagrinėjo, ką reiškia įdiegti dirbtinį intelektą medicinoje taip, kad jis būtų ne tik naudingas gydytojams ir mokslininkams, bet ir skaidrus, sąžiningas bei teisingas pacientams.
„Mes tikime, kad tai technologija, kuri pagerina žmogaus galimybes“, – teigė Fei-Fei Li, Stanfordo inžinerijos mokyklos kompiuterių mokslo profesorė, „RAISE Health with Minor“ projekto direktorė ir HAI bendradirektorė. Karta po kartos gali atsirasti naujų technologijų: nuo naujų antibiotikų molekulinių sekų iki biologinės įvairovės žemėlapių sudarymo ir paslėptų fundamentaliosios biologijos dalių atskleidimo, DI spartina mokslinius atradimus. Tačiau ne visa tai yra naudinga. „Visos šios programos gali turėti nenumatytų pasekmių, todėl mums reikia kompiuterių mokslininkų, kurie atsakingai kurtų ir diegtų [dirbtinį intelektą], bendradarbiaudami su įvairiomis suinteresuotosiomis šalimis – nuo gydytojų ir etikos specialistų... iki saugumo ekspertų ir kitų“, – sako ji. „Tokios iniciatyvos kaip „RAISE Health“ rodo mūsų įsipareigojimą tai įgyvendinti.“
Trijų Stanfordo medicinos padalinių – Medicinos mokyklos, Stanfordo sveikatos priežiūros ir Stanfordo universiteto Vaikų sveikatos medicinos mokyklos – sujungimas ir jo ryšiai su kitomis Stanfordo universiteto dalimis pastatė jį į tokią padėtį, kurioje ekspertai grumiasi su dirbtinio intelekto plėtros valdymo ir integracijos klausimais sveikatos priežiūros ir medicinos srityje. Medicina, skambėjo dainoje.
„Esame gerai pasirengę tapti dirbtinio intelekto kūrimo ir atsakingo diegimo pradininkais – nuo fundamentalių biologinių atradimų iki vaistų kūrimo tobulinimo ir klinikinių tyrimų procesų efektyvumo didinimo, taip pat ir faktinio sveikatos priežiūros paslaugų teikimo. Sveikatos priežiūra. Sveikatos priežiūros sistemos struktūros“, – sakė jis.
Keletas kalbėtojų pabrėžė paprastą koncepciją: sutelkite dėmesį į vartotoją (šiuo atveju – pacientą arba gydytoją), o visa kita seks savaime. „Tai pacientui suteikia visų mūsų veiksmų centre vietą“, – sakė dr. Lisa Lehmann, Brighamo ir moterų ligoninės bioetikos direktorė. „Turime atsižvelgti į jų poreikius ir prioritetus.“
Iš kairės į dešinę: STAT naujienų vedėja Mohana Ravindranath; Jessica Peter Lee iš „Microsoft Research“; Sylvia Plevrits, biomedicininių duomenų mokslo profesorė, aptaria dirbtinio intelekto vaidmenį medicininiuose tyrimuose. Steve'as Fishas
Diskusijos pranešėjai, tarp kurių buvo ir Stanfordo universiteto medicinos bioetikos specialistė Mildred Cho, MD, ir „Google“ vyriausiasis klinikinis pareigūnas Michaelas Howellas, atkreipė dėmesį į ligoninių sistemų sudėtingumą, pabrėždami būtinybę suprasti jų paskirtį prieš bet kokią intervenciją. Įgyvendinti ją ir užtikrinti, kad visos sukurtos sistemos būtų įtraukios ir įsiklausytų į žmones, kuriems jos yra skirtos padėti.
Vienas iš svarbiausių aspektų yra skaidrumas: jis aiškiai parodo, iš kur gaunami algoritmo mokymui naudojami duomenys, kokia pirminė algoritmo paskirtis ir ar būsimi pacientų duomenys ir toliau padės algoritmui mokytis, be kitų veiksnių.
„Bandymas numatyti etines problemas, kol jos netapo rimtos, [reiškia] rasti tobulą aukso vidurį, kai apie technologiją žinoma pakankamai, kad būtų galima ja pasitikėti, bet ne anksčiau, nei [problema] toliau plinta ir ją galima išspręsti anksčiau“, – sakė Dentonas Charas, medicinos mokslų kandidatas, Vaikų anesteziologijos, perioperacinės medicinos ir skausmo medicinos katedros docentas. Pasak jo, vienas iš svarbiausių žingsnių yra visų suinteresuotųjų šalių, kurioms technologija gali turėti įtakos, nustatymas ir jų pačių norėtų atsakyti į šiuos klausimus.
Jesse Ehrenfeldas, medicinos mokslų daktaras, Amerikos medicinos asociacijos prezidentas, aptaria keturis veiksnius, skatinančius bet kokių skaitmeninių sveikatos priežiūros įrankių, įskaitant ir dirbtinio intelekto valdomus, diegimą. Ar tai veiksminga? Ar tai veiks mano įstaigoje? Kas moka? Kas yra atsakingas?
Michaelas Pfefferis, medicinos mokslų daktaras, „Stanford Health Care“ vyriausiasis informacijos pareigūnas, pateikė neseniai pateiktą pavyzdį, kai daugelis problemų buvo išbandytos su Stanfordo ligoninių slaugytojais. Klinikams padeda dideli kalbos modeliai, kurie teikia pradines anotacijas gaunamiems pacientų pranešimams. Nors projektas nėra tobulas, gydytojai, padėję kurti technologiją, teigia, kad šis modelis palengvina jų darbo krūvį.
„Mes visada sutelkiame dėmesį į tris svarbius dalykus: saugumą, efektyvumą ir įtrauktį. Esame gydytojai. Prisiekiame „nekenkti“, – sakė Nina Vasan, MD, psichiatrijos ir elgesio mokslų klinikinė asistentė profesorė, prisijungusi prie Char ir Pfeffer grupės. „Tai turėtų būti pirmasis būdas įvertinti šias priemones.“
Nigamas Shahas, medicinos ir biomedicininių duomenų mokslo profesorius, medicinos mokslų daktaras ir biomedicininių duomenų mokslo mokslų daktaras, diskusiją pradėjo šokiruojančia statistika, nepaisant teisingo įspėjimo auditorijai. „Kalbu bendrais terminais ir skaičiais, o kartais jie būna labai tiesmuki“, – sakė jis.
Pasak Shaho, dirbtinio intelekto sėkmė priklauso nuo mūsų gebėjimo jį plėsti. „Tinkamas mokslinis modelio tyrimas trunka apie 10 metų, ir jei kiekviena iš 123 stipendijų ir rezidentūros programų norėtų išbandyti ir įdiegti modelį tokiu griežtumu, būtų labai sunku atlikti teisingą mokslinį darbą, nes šiuo metu organizuojame savo pastangas ir [bandome]]. Kad kiekviena mūsų vieta veiktų tinkamai, kainuotų 138 mlrd. dolerių“, – sakė Shahas. „Mes negalime to sau leisti. Todėl turime rasti būdą plėstis, turime plėstis ir atlikti gerą mokslinį darbą. Griežtumo įgūdžiai yra vienoje vietoje, o mastelio keitimo įgūdžiai – kitoje, todėl mums reikės tokio tipo partnerystės.“
Prodekanas Yuan Ashley ir Mildred Cho (registratūra) dalyvavo RAISE sveikatos seminare. Steve Fish
Kai kurie simpoziumo pranešėjai teigė, kad tai galima pasiekti vykdant viešojo ir privačiojo sektorių partnerystes, pavyzdžiui, neseniai priimtą Baltųjų rūmų vykdomąjį įsakymą dėl saugaus, patikimo ir patikimo dirbtinio intelekto kūrimo ir naudojimo bei Sveikatos priežiūros dirbtinio intelekto konsorciumo (CHAI).
„Didžiausią potencialą turinti viešojo ir privačiojo sektorių partnerystė yra tarp akademinės bendruomenės, privačiojo ir viešojo sektorių“, – teigė Laura Adams, Nacionalinės medicinos akademijos vyresnioji patarėja. Ji pažymėjo, kad vyriausybė gali užtikrinti visuomenės pasitikėjimą, o akademiniai medicinos centrai gali užtikrinti teisėtumą, o privatus sektorius gali suteikti techninę patirtį ir kompiuterių laiką. „Mes visi esame geresni už bet kurį iš mūsų ir pripažįstame, kad... negalime melstis, kad realizuotume [dirbtinio intelekto] potencialą, jei nesuprantame, kaip bendrauti vieniems su kitais.“
Keletas kalbėtojų teigė, kad dirbtinis intelektas taip pat daro įtaką moksliniams tyrimams – nesvarbu, ar mokslininkai jį naudoja biologinėms dogmoms tirti, ar naujoms sintetinių molekulių sekoms ir struktūroms numatyti, siekiant paremti naujus gydymo būdus, ar net padeda jiems apibendrinti ar parašyti mokslinius straipsnius.
„Tai galimybė pamatyti nežinomybę“, – sakė Jessica Mega, MD, Stanfordo universiteto Medicinos mokyklos kardiologė ir „Alphabet's Verily“ bendraįkūrėja. Mega paminėjo hiperspektrinį vaizdavimą, kuris fiksuoja žmogaus akiai nematomas vaizdo ypatybes. Idėja yra panaudoti dirbtinį intelektą patologijos preparatų modeliams, kurių žmonės nemato ir kurie rodo ligą, aptikti. „Raginu žmones priimti nežinomybę. Manau, kad kiekvienas čia pažįsta ką nors, turintį kokią nors sveikatos būklę ir kuriam reikia kažko daugiau, nei galime pasiūlyti šiandien“, – sakė Mejia.
Diskusijos dalyviai taip pat sutarė, kad dirbtinio intelekto sistemos suteiks naujų būdų atpažinti ir kovoti su šališku sprendimų priėmimu, nesvarbu, ar jį priima žmonės, ar dirbtinis intelektas, su galimybe nustatyti šališkumo šaltinį.
„Sveikata yra daugiau nei vien medicininė priežiūra“, – sutiko keli diskusijos dalyviai. Pranešėjai pabrėžė, kad tyrėjai, rinkdami įtraukius duomenis ir įtraukdami dalyvius į tyrimus, dažnai neatsižvelgia į socialinius sveikatos veiksnius, tokius kaip socialinis ir ekonominis statusas, pašto kodas, išsilavinimo lygis, rasė ir etninė priklausomybė. „Dirbtinis intelektas yra toks veiksmingas, kokie yra duomenys, kuriais remiantis modelis yra apmokytas“, – teigė Michelle Williams, Harvardo universiteto epidemiologijos profesorė ir Stanfordo universiteto Medicinos mokyklos epidemiologijos ir gyventojų sveikatos docentė. „Jei darome tai, ko siekiame. Geriname sveikatos rezultatus ir panaikiname nelygybę, turime užtikrinti, kad renkame aukštos kokybės duomenis apie žmonių elgesį ir socialinę bei gamtinę aplinką.“
Natalie Pageler, MD, pediatrijos ir medicinos klinikos profesorė, teigė, kad apibendrinti vėžio duomenys dažnai neapima duomenų apie nėščias moteris, todėl modeliuose neišvengiamai atsiranda šališkumo ir dar labiau padidėja esami sveikatos priežiūros skirtumai.
Pediatrijos ir medicinos profesorius dr. Davidas Magnusas teigė, kad, kaip ir bet kuri nauja technologija, dirbtinis intelektas gali įvairiais būdais pagerinti arba pabloginti padėtį. Pasak Magnuso, rizika yra ta, kad dirbtinio intelekto sistemos sužinos apie nelygybę sveikatos srityje, kurią lemia socialiniai sveikatos veiksniai, ir sustiprins šiuos rezultatus savo rezultatais. „Dirbtinis intelektas yra veidrodis, atspindintis visuomenę, kurioje gyvename“, – sakė jis. „Tikiuosi, kad kiekvieną kartą, kai turėsime galimybę atkreipti dėmesį į kokią nors problemą – laikyti veidrodį prieš save – tai bus motyvacija gerinti situaciją.“
Jei negalėjote dalyvauti RAISE Health seminare, sesijos įrašą galite rasti čia.
Stanfordo universiteto Medicinos mokykla yra integruota akademinė sveikatos priežiūros sistema, kurią sudaro Stanfordo universiteto Medicinos mokykla ir suaugusiųjų bei vaikų sveikatos priežiūros sistemos. Kartu jos realizuoja visą biomedicinos potencialą, bendradarbiaudamos su tyrimais, švietimu ir klinikine pacientų priežiūra. Daugiau informacijos rasite med.stanford.edu.
Naujas dirbtinio intelekto modelis padeda Stanfordo ligoninės gydytojams ir slaugytojams bendradarbiauti siekiant pagerinti pacientų priežiūrą.
Įrašo laikas: 2024 m. liepos 19 d.