Τεχνητή νοημοσύνη και ιατρική
Πρακτικοί και ηθικοί προβληματισμοί
Τι είναι η τεχνητή νοημοσύνη;
Η τεχνητή νοημοσύνη είναι ένας κλάδος της επιστήμης της πληροφορικής ο οποίος ασχολείται με την αυτοματοποίηση νοητικών εργασιών που φυσιολογικά πραγματοποιούνται από ανθρώπους.
Υπάρχουν πολλές διαβαθμίσεις στην τεχνητή νοημοσύνη. Στην πιο απλή περίπτωση ένας αλγόριθμος υποδεικνύει προδιαγεγραμμένες λύσεις για μια σειρά από πιθανά προδιαγεγραμμένα σενάρια. Έχουμε έτσι ένα ¨έξυπνο¨ πλυντήριο ρούχων ή ένα ¨έξυπνο¨ κλιματιστικό.
Υπάρχουν όμως πιο δύσκολα προβλήματα όπως η αναγνώριση λόγου ή εικόνων οπού χρειάζονται τεχνικές εκμάθησης της μηχανής. Στον κλασσικό προγραμματισμό δίνουμε στον υπολογιστή ένα σύνολο δεδομένων και έναν αλγόριθμό επεξεργασίας και περιμένουμε αποτελέσματα. Στο machine learning δίνουμε στον υπολογιστή ένα σύνολό δεδομένων και μία σειρά αποτελεσμάτων και περιμένουμε από το μηχάνημα να μας δώσει τον αλγόριθμο. Ο αλγόριθμος αυτός ελέγχεται και μετά χρησιμοποιείται σε ένα μεγαλύτερο σύνολο δεδομένων για να βγάλει αποτελέσματα. Πρακτικά ο αλγόριθμος συνίσταται στην τροποποίηση και βελτιστοποίηση στατιστικών μοντέλων πρόβλεψης όπως η γραμμική παλινδρόμηση, η λογιστική παλινδρόμηση και τα δέντρα αποφάσεων.
Το επόμενο στάδιο είναι η ανάπτυξη τεχνητών νευρωνικών δικτύων. Τα τεχνητά νευρωνικά δίκτυα αποτελούνται από αλληλοσυνδεόμενους κόμβους οι οποίοι ονομάζονται perceptron. Πρακτικά κάθε perceptron είναι ένας αλγόριθμος εκμάθησης μηχανής ο οποίος δέχεται διάφορα δεδομένα και βγάζει ένα αποτέλεσμα. Τυπικά ένα τεχνητό νευρωνικό δίκτυο αποτελείται από μία σειρά perceptron εισαγωγής και μία σειρά εξόδου με πολλαπλές ενδιάμεσες ¨κρυμμένες¨ σειρές.
Τα απλά νευρωνικά δίκτυα δυσκολεύονται στην αναγνώριση εικόνας γιατί κάθε pixel αναλύεται ξεχωριστά. Η λύση είναι η προσθήκη μιας συνελικτικής σειράς νευρώνων με έργο τη διατήρηση του συσχετισμού στο χώρο. Τα συνελικτικά νευρωνικά δίκτυα (convolutional neural networks) φιλτράρουν μία εικόνα σε πολλαπλά επίπεδα οδηγώντας σε ένας βαθμό ανάλυσης ο οποίος μπορεί να είναι αφηρημένος αλλά χρήσιμος για την εξαγωγή προβλέψεων. Αυτό είναι το deep learning.
Ήδη από αυτή την πρόχειρη περιγραφή φαίνονται τα πρώτα προβλήματα στην χρήση τεχνητής νοημοσύνης. Η ποιότητα ενός αλγορίθμου εκμάθησης μηχανής εξαρτάται από το κατά πόσο η αρχική βάση δεδομένων εκμάθησης είναι στατιστικά αντιπροσωπευτική του συνόλου και κατά πόσο τα αρχικά δεδομένα έχουν καταλογοποιηθεί σωστά. Υπάρχει ο κίνδυνος εισαγωγής κάθε είδους στατιστικού bias. Ένα άλλο πρόβλημα είναι ότι τα ενδιάμεσα ¨κρυμμένα¨ επίπεδα ενός νευρωνικού δικτύου λειτουργούν ως ένα ¨μαύρο κουτί¨ τη λειτουργία του οποίου δεν μπορούμε να ελέγξουμε και να διασταυρώσουμε. Είναι προφανές ότι η τεχνητή νοημοσύνη είναι ένα εργαλείο το οποίο δεν μπορεί να χρησιμοποιηθεί χωρίς πολύ καλή γνώση του τρόπου λειτουργίας του.
Τεχνητή νοημοσύνη στην ιατρική πραξη.
Στη σημερινή εποχή τα συστήματα υγείας αντιμετωπίζουν πολλά προβλήματα. Το κυριότερο είναι το αυξανόμενο κόστος. Ο πληθυσμός στις δυτικές κοινωνίες είναι γερασμένος και με χρόνια προβλήματα υγείας. Ταυτόχρονα παρατηρείται μία έλλειψη σε ιατρικό προσωπικό. Η έλλειψη γιατρών σε ορισμένες χώρες μπορεί να είναι τεχνητή λόγω περιορισμών στην εκπαίδευση και ειδίκευση αλλά είναι γεγονός ότι το ιατρικό επάγγελμα απαιτεί χρονοβόρα εκπαίδευση, είναι εξουθενωτικό και πλέον οι οικονομικές απολαβές είναι αναντίστοιχες του κόπου και της ευθύνης σε σχέση με άλλες επαγγελματικές επιλογές στις αναπτυγμένες χώρες.
Τα συστήματα υγείας χρειάζονται τρόπους να εξοικονομήσουν εργατοώρες και ταυτόχρονα να έχουν μία καλύτερη εικόνα της υγείας του πληθυσμού. Υπάρχουν εκτιμήσεις ότι εφαρμογές τεχνητής νοημοσύνης μπορεί να βοηθήσουν στην εξοικονόμηση 150 δισεκατομμυρίων δολαρίων το χρόνο από τις δαπάνες υγείας στις ΗΠΑ.
Το Αμερικανικό σύστημα υγείας χαρακτηρίζεται από ένα τεράστιο όγκο γραφειοκρατίας στα θέματα τιμολόγησης και αποζημίωσης των υπηρεσιών υγείας. Η γραφειοκρατία είναι ένας από τους κύριους λόγους επαγγελματικής εξουθένωσης των γιατρών στις ΗΠΑ. Η τεχνητή νοημοσύνη υπόσχεται την αυτοματοποίηση αυτών των διαδικασιών. Προς το παρών δεν υπάρχει ακόμα κάποια ευρεία εφαρμογή αυτού του είδους.
Η τεχνητή νοημοσύνη είναι πολύ καλή στην αναγνώριση εικόνας. Στις ειδικότητες της ακτινολογίας, παθολογικής ανατομίας, δερματολογίας και οφθαλμιατρικής ένα σύστημα τεχνητής νοημοσύνης μπορεί πολύ γρήγορα να εκπαιδευτεί σε ακρίβεια διάγνωσης αντίστοιχης ενός πολύ έμπειρου ανθρώπου. Η τεχνητή νοημοσύνη έχει επίσης το πλεονέκτημα της συνεχούς εργασίας χωρίς λάθη κόπωσης.
Μία από τις προτεινόμενες χρήσης της τεχνητής νοημοσύνης στην ιατρική είναι η ανάπτυξη προγνωστικών μοντέλων για το ποιοι κινδυνεύουν από μία ασθένεια ή επιπλοκή. Βέβαια τα μοντέλα αυτά ήδη υπάρχουν και ένας αλγόριθμος τεχνητής νοημοσύνης είναι μάλλον άχρηστος σε έναν γιατρό εκτός και αν ο γιατρός δουλεύει σε βιομηχανικούς ρυθμούς. Η τεχνητή νοημοσύνη θα είναι μάλλον επιβεβλημένη όμως αν η πρωτοβάθμια φροντίδα υγείας αφεθεί σε μη ιατρικά χέρια.
Η χρήση τεχνητής νοημοσύνης συστήνεται και για την καλύτερη εναρμόνιση και επιβολή πρωτοκόλλων θεραπείας και συνταγογράφησης τα οποία έχουν αποδειχθεί πιο αποτελεσματικά από τη συνήθη ιατρική πράξη αλλά τα οποία δεν εφαρμόζονται όσο συχνά θα έπρεπε. Είναι αλήθεια ότι οι γιατροί συχνά ακολουθούν αμυντική ιατρική η οποία δεν είναι επιστημονικά τεκμηριωμένη αλλά είναι επίσης πιθανό ότι ο λόγος για τον οποίο δεν ακολουθείται ένα πρωτόκολλο είναι ότι έχει βασιστεί σε μη ρεαλιστικά δεδομένα που δεν έχουν εφαρμογή στην καθημερινή πράξη.
Πώς γίνεται η διάγνωση.
Αντίθετα από ότι μπορεί να πιστεύει κανείς η διάγνωση δεν είναι μια μηχανιστική διαδικασία. Το πρώτο και πιο σημαντικό βήμα είναι η λήψη ιστορικού. Η λήψη ιστορικού είναι μία ανακριτική διαδικασία όπου ο γιατρός επαναλαμβάνει ερωτήσεις, ζητάει διευκρινήσεις και διασταυρώνει απαντήσεις. Δεν είναι ότι ο ασθενής λέει πάντα ηθελημένα ψέματα αλλά η συμπτωματολογία ποτέ δεν είναι σαφής και παθογνωμονική μίας μόνο ασθένειας. Επίσης υπάρχουν προβλήματα επικοινωνίας. Μπορεί να οφείλονται στο διανοητικό ή πολιτισμικό υπόβαθρο του ασθενή αλλά και στην καλύτερη των περιπτώσεων σπάνια ο γιατρός και ο ασθενής χρησιμοποιούν έναν όρο με το ίδιο νόημα.
Λέγεται ότι η λήψη του ιστορικού είναι το 90% της διάγνωσης αλλά η λήψη ιστορικού συχνά δεν καταλήγει σε διάγνωση. Αυτό που συμβαίνει είναι ότι ο γιατρός παίρνει το ρίσκο και την ευθύνη να πει στον ασθενή ότι δεν έχει κάτι σημαντικό , να δώσει μια αγωγή βάση της πιο πιθανής διάγνωσης ή να ζητήσει περαιτέρω εξετάσεις. Υπάρχει πιθανότητα να μην απαντηθεί ποτέ το ερώτημα του ασθενή σχετικά με την αιτία της πάθησής του.
Η αλήθεια είναι ότι δεν γνωρίζουμε όλες τις απαντήσεις. Στην επιστήμη της τεχνητής νοημοσύνης ονομάζεται παραίσθηση (hallucination) μία απάντηση που δίνεται με φαινομενική αυτοπεποίθηση από το μηχάνημα αλλά η οποία δεν μπορεί να δικαιολογηθεί με βάση τα δεδομένα εκπαίδευσης του αλγόριθμου. Όταν κάνει κάτι αντίστοιχο ο γιατρός, συνήθως βαφτίζει την απάντηση του ¨σύνδρομο κάτι¨.
Αρκετές από τις εξετάσεις στις οποίες θα χρειαστεί να υποβληθεί ο ασθενής είναι επεμβατικού χαρακτήρα. Νοσηλευτικό προσωπικό μπορεί να εκπαιδευτεί στη διενέργεια επεμβατικών εξετάσεων αλλά θα χρειαστεί η βοήθεια της τεχνητής νοημοσύνης στην ερμηνεία των αποτελεσμάτων. Η τεχνητή νοημοσύνη όμως προβλέπεται να είναι ένας πολύ κακός συνεργάτης ο οποίος λαμβάνει όλη τη δόξα όταν τα πράγματα πάνε καλά και μεταθέτει όλο τον ψόγο όταν τα πράγματα πάνε στραβά. Αναρωτιέμαι ποιος και με ποια αμοιβή θα δεχθεί αυτή την ευθύνη στην συνεργασία με τη μηχανή;
Τι γιατρό θέλουμε;
Ο μάγος-γιατρός είναι πιθανό να είναι το πρώτο επάγγελμα που υπήρξε ποτέ, πολύ πριν τη συσσώρευση κεφαλαίου, την εξειδίκευση και τον καταμερισμό εργασίας. Η ανθρωπότητα δεν έχει αλλάξει πολύ τα τελευταία 20.000 χρόνια. Εξακολουθούμε να διαβάζουμε τα ζώδια, να πηγαίνουμε σε καφετζούδες και ομοιοπαθητικούς, να κάνουμε τάματα, να πίνουμε φραπελιά και νερό του Καματερού. Ο κόσμος ψάχνει φθηνές, γρήγορες και μαγικές λύσεις για όλα. Πρόκειται για μία ψευδαίσθηση. Ακόμα και αν ο γιατρός είναι δωρεάν, η ιατρική δεν θα είναι ποτέ. Η απόκτηση και διατήρηση της προσωπικής υγείας απαιτεί κόπο, χρήμα και επιστημονικό αλφαβητισμό. Δεν μπορούμε όμως να παραβλέψουμε ότι αυτό που σταθερά ψάχνει ο κόσμος στο πρόσωπο του θεραπευτή του είναι το χάρισμα της ενσυναίσθησης, της επικοινωνίας και της δημιουργίας δεσμών εμπιστοσύνης. Η σύγχρονη ιατρική κατηγορείται ότι έχει χάσει το χάρισμα αυτό σε μεγάλο βαθμό αλλά δεν πιστεύω ότι η ανθρωπότητα θα εμπιστευτεί μια βιομηχανοποιημένη και απρόσωπη ιατρική προσέγγιση.
¨Το άζυμο ψωμί της γνώσης θα συντηρήσει τη ζωή, αλλά είναι βαρετό, εκτός εάν ζυμωθεί με τη μαγιά της προσωπικότητας¨
Στρατηγός Patton
Όσο και να λοιδορείται το ιατρικό επάγγελμα, δεν πρέπει να ξεχνάμε ότι οι γιατροί πάντα ασκούσαν ακτιβιστική δράση για τα δικαιώματα του ασθενή. Από την καταγγελία των κοινωνικών συνθηκών που προκαλούν τις αρρώστιες μέχρι τον τσακωμό για μια θέση στη λίστα του χειρουργείου ή μια έγκριση φαρμάκου από την ασφαλιστική εταιρία. Δυσκολεύομαι να φανταστώ να τα κάνει αυτά κάποιος που δεν έχει το status του γιατρού ή ένας αλγόριθμος που ανήκει σε μια πολυεθνική εταιρία.
Ηθικά προβλήματα στην τεχνητή νοημοσύνη.
Οι αλγόριθμοι machine learning έχουν τεράστια όρεξη για δεδομένα και συχνά χρειάζονται τα δεδομένα εκατομμυρίων ασθενών για να εκπαιδευτούν και να αποδώσουν σωστά. Δεδομένα για τα οποία κανείς ασθενής δεν έδωσε συγκατάθεση για ανάπτυξη και εμπορική χρήση από τρίτα πρόσωπα.
Μια δεκαετία πριν είχε γίνει μεγάλη συζήτηση για τις κυτταρικές σειρές HeLa. Τα κύτταρα αυτά προέκυψαν από τα κύτταρα καρκίνου του τραχήλου της μήτρας μιας 30χρονης αφρο-αμερικανίδας της Henrietta Lacks. Τα κύτταρα αυτά χρησιμοποιήθηκαν σε πολλές μελέτες με προσοδοφόρα αποτελέσματα όσο η οικογένεια Lacks παρέμεινε στην φτώχεια και χωρίς υγειονομική περίθαλψη. Αυτή τη στιγμή παρουσιάζεται το ίδιο πρόβλημα μεγεθυμένο κατά εκατομμύρια.
Είναι φαινομενικά παράδοξο το γεγονός ότι ενώ οι αλγόριθμοι τεχνητής νοημοσύνης είναι συχνά παράγωγο της οικουμενικής πνευματικής παραγωγής και προσωπικών δεδομένων, η ιδιοκτησία της τεχνητής νοημοσύνης δεν είναι οικουμενική αλλά περιορίζεται σε λίγες εταιρίες με πρόσβαση σε ισχυρή υπολογιστική δύναμη. Το γεγονός ότι μια μορφή του chatGPT προσφέρεται δωρεάν, δεν σημαίνει ότι η πρόσβαση στην τεχνητή νοημοσύνη θα είναι δωρεάν στο μέλλον όταν θα κάνει την πραγματική διαφορά.
Υπάρχουν ακόμα νομικά θέματα. Ποιος ευθύνεται για αποφάσεις που πάρθηκαν με την βοήθεια και καθοδήγηση τεχνητής νοημοσύνης; Έχει ευθύνη ο πάροχος υπηρεσιών υγείας (sic) για έναν αλγόριθμο τη λειτουργία του οποίου δεν κατανοεί; Έχει ευθύνη η εταιρία κατασκευής του αλγόριθμου; Το πρόβλημα είναι δύσκολο γιατί η λογική ενός συστήματος τεχνητής νοημοσύνης μπορεί να είναι πολύ περίπλοκη για να εξηγηθεί. Για να γίνει αποδεκτό ένα σύστημα τεχνητής νοημοσύνης θα πρέπει ο κατασκευαστής να δίνει αναλυτικές πληροφορίες για το πως δημιουργήθηκε ένας αλγόριθμος και να μπορεί να τεκμηριώνει τον τρόπο με τον οποίο βγαίνουν τα αποτελέσματα.
Πολλές από τις αισιόδοξες εκτιμήσεις σχετικά από τα οφέλη της τεχνητής νοημοσύνης χαρακτηρίζονται από μία αφελή άγνοια του πως λειτουργεί η ανθρώπινη κοινωνία. Η υπόσχεση για καλύτερη διάγνωση δεν έχει κανένα νόημα αν δεν έχεις πρόσβαση στη θεραπεία. Η έρευνα της Ελληνικής Στατιστικής Αρχής για το 2022 έδειξε ότι το 24% όσων είχε ανάγκη για υπηρεσίες υγείας, δεν τις έλαβε και ο κύριος λόγος (67%) ήταν οικονομικός. Το πρόβλημα είναι πιο έντονο σε χώρες χωρίς καθολικά συστήματα κάλυψης υγείας.
Ας μην έχουμε αυταπάτες. Η γενικευμένη είσοδος της τεχνητής νοημοσύνης στην παροχή υπηρεσιών υγείας θα πρέπει να θεωρείται δεδομένη μέσα στα επόμενα χρόνια. Είναι μάλλον απίθανο όμως να φέρει κάποια αλλαγή στο συνολικό επίπεδο υγείας. Εν τούτοις η γνώση του πως δουλεύουν τα συστήματα τεχνητής νοημοσύνης είναι απαραίτητη για τον έλεγχο της εφαρμογής τους.
Βιβλιογραφία:
- Artificial intelligence in medicine
- Deep learning
- Introduction to Machine Learning, Neural Networks, and Deep Learning
- Artificial Intelligence in Primary Health Care: Perceptions, Issues, and Challenges
- Explainable artificial intelligence (XAI) in deep learning-based medical image analysis
No comment