Οι φαρμακευτικές εταιρείες χρησιμοποιούν πάρα πολύ το ChatGPT; 

Το σωστό ερώτημα σήμερα δεν είναι πόσο χρησιμοποιεί κάποιος την Τεχνητή Νοημοσύνη. Είναι πώς τη χρησιμοποιεί, με ποια δεδομένα, με ποιον έλεγχο και κυρίως με ποιο αποτέλεσμα.

Το ChatGPT έκανε γνωστή στο ευρύ κοινό τη generative AI. Η επόμενη μεγάλη αλλαγή, όμως, δεν είναι απλώς ένα καλύτερο chatbot. Είναι οι AI agents.

Ένας AI agent δεν περιορίζεται στο να απαντήσει σε μία ερώτηση. Μπορεί, υπό συγκεκριμένους κανόνες και ανθρώπινη εποπτεία, να αναλύσει έναν στόχο, να διασπάσει ένα σύνθετο πρόβλημα σε επιμέρους εργασίες, να αναζητήσει στοιχεία, να χρησιμοποιήσει διαφορετικές βάσεις δεδομένων και εργαλεία, να συγκρίνει εναλλακτικές λύσεις, να εντοπίσει ασυνέπειες και να προτείνει επόμενες ενέργειες.

Με απλά λόγια, περνάμε από το «ρώτησα την AI κάτι» στο «χρησιμοποιώ ένα ψηφιακό σύστημα που μπορεί να εκτελέσει μία ολόκληρη ακολουθία αναλυτικών εργασιών».

Και αυτή η αλλαγή έχει ήδη αρχίσει. 

Αξίζει να δούμε τι συμβαίνει σε έναν χώρο στον οποίο το κόστος ενός λάθους μπορεί να είναι ακραίο: την άμυνα.

Στις Ηνωμένες Πολιτείες, η Τεχνητή Νοημοσύνη και η Generative AI χρησιμοποιούνται ήδη για decision support, operational planning, logistics, intelligence, cyber operations και προσομοίωση σεναρίων. Στελέχη και μονάδες των αμερικανικών ενόπλων δυνάμεων χρησιμοποιούν συστήματα AI για να εξετάζουν διαφορετικά επιχειρησιακά σενάρια, να εντοπίζουν κινδύνους, να δοκιμάζουν υποθέσεις και να υποστηρίζουν διαδικασίες στρατιωτικού σχεδιασμού.

Αυτό φυσικά δεν σημαίνει ότι ένας αλγόριθμος αποφασίζει μόνος του αν θα γίνει ένας πόλεμος ή πώς θα διεξαχθεί μια επιχείρηση. Σημαίνει ότι η AI λειτουργεί ως πολλαπλασιαστής της ανθρώπινης αναλυτικής ικανότητας. Μπορεί να επεξεργαστεί τεράστιο όγκο πληροφοριών, να δημιουργήσει εναλλακτικά σενάρια, να εντοπίσει αδυναμίες ενός σχεδίου και να βοηθήσει τον άνθρωπο να αποφασίσει ταχύτερα και καλύτερα. 

Στην Υγεία, από την άλλη, η συζήτηση δεν είναι πλέον θεωρητική. Η AI χρησιμοποιείται ήδη διεθνώς στη διάγνωση, στην απεικονιστική ιατρική, στη βιοϊατρική έρευνα, στην ανάπτυξη φαρμάκων, στην υποστήριξη κλινικών αποφάσεων, στην οργάνωση της ιατρικής πληροφορίας, στη διοίκηση νοσοκομείων και στην επικοινωνία με τους ασθενείς.

Οι δυνατότητές της, όμως, δεν σταματούν στην κλινική πράξη. Ίσως μία από τις σημαντικότερες εφαρμογές της τα επόμενα χρόνια να βρίσκεται στη διοίκηση και στη χρηματοδότηση των συστημάτων Υγείας.

Ετσι, για παράδειγμα το Υπουργείο Υγείας θα μπορούσε με ένα κατάλληλα σχεδιασμένο και ασφαλή AI agent και έχοντας απέναντί του τις εταιρείες από το χώρο του φαρμάκου να έχει συγκεντρωμένη και επεξεργασμένη την κλινική τεκμηρίωση, τις διαθέσιμες διεθνείς αξιολογήσεις, τις θεραπευτικές εναλλακτικές επιλογές, τα δεδομένα κατανάλωσης, τα σενάρια όγκου, τις προβλέψεις για τη διείσδυση της θεραπείας και διαφορετικά μοντέλα budget impact.

Θα μπορούσε να αναζητά αντιφάσεις μέσα στους φακέλους, να συγκρίνει ισχυρισμούς με τις πρωτογενείς πηγές, να αναγνωρίζει ποια δεδομένα απουσιάζουν, να δημιουργεί διαφορετικά σενάρια συμφωνιών και να προετοιμάζει τις κρίσιμες ερωτήσεις που πρέπει να τεθούν στη φαρμακευτική εταιρεία. 

Αντίστοιχα, η AI μπορεί να χρησιμοποιηθεί για την υποστήριξη της αξιολόγησης μεγάλων και σύνθετων φακέλων. Μπορεί να βοηθήσει στην αναζήτηση συγκεκριμένων δεδομένων μέσα σε χιλιάδες σελίδες τεκμηρίωσης, στη σύγκριση διαφορετικών εκδόσεων ενός φακέλου, στον εντοπισμό αποκλίσεων ή ελλείψεων, στην επεξεργασία δεδομένων φαρμακοεπαγρύπνησης και στην ταχύτερη αναγνώριση πιθανών σημάτων ασφάλειας.

Και εδώ, η τελική επιστημονική κρίση ανήκει στον ειδικό. Αλλά ο ειδικός μπορεί πλέον να διαθέτει εργαλεία που του επιτρέπουν να εξετάσει περισσότερο υλικό, σε μικρότερο χρόνο και με μεγαλύτερη συστηματικότητα.

Οπως υποστηρίζεται από παράγοντες της αγοράς, η αξιολόγηση της κλινικής και οικονομικής αξίας μιας νέας θεραπείας απαιτεί σύνθεση τεράστιου όγκου πληροφορίας. Κλινικές μελέτες, μετα-αναλύσεις, συγκριτικές θεραπείες, διεθνείς αξιολογήσεις HTA, δεδομένα κόστους, μοντέλα cost-effectiveness, υποθέσεις για την εξέλιξη της νόσου, διαφορετικά σενάρια και αναλύσεις ευαισθησίας. 

Σήμερα, ένα σύστημα Υγείας παράγει τεράστιο όγκο δεδομένων. Συνταγογράφηση, νοσοκομειακή κατανάλωση, μεταβολές στην αγορά, νέα φάρμακα, νέες ενδείξεις, αλλαγές θεραπευτικών πρωτοκόλλων, clawback, rebates, επιδημιολογικές μεταβολές. Η κλασική παρακολούθηση της δαπάνης κοιτάζει σε μεγάλο βαθμό τι συνέβη.

Η AI, όμως, μπορεί να βοηθήσει να προβλέψουμε τι πρόκειται να συμβεί.

Μπορεί να εντοπίζει νωρίς θεραπευτικές κατηγορίες στις οποίες η δαπάνη αποκλίνει από τις προβλέψεις, να αναγνωρίζει ασυνήθιστες μεταβολές στη συνταγογράφηση, να δημιουργεί forecasts για τους επόμενους μήνες, να εκτιμά την επίδραση της εισόδου νέων θεραπειών και να προσομοιώνει διαφορετικές παρεμβάσεις πολιτικής πριν αυτές εφαρμοστούν.

Έτσι, η διαχείριση της φαρμακευτικής δαπάνης μπορεί σταδιακά να μετακινηθεί σε μία λογική πρόβλεψης και έγκαιρης παρέμβασης. 

Οι εφαρμογές στην Υγεία είναι πολύ περισσότερες:

  • Στην κλινική πράξη, η AI μπορεί να βοηθά στη σύνθεση του ιστορικού, στην οργάνωση των εργαστηριακών και απεικονιστικών ευρημάτων, στην αναζήτηση της βιβλιογραφίας και στην υποστήριξη της κλινικής σκέψης.
  • Στην ιατρική τεκμηρίωση, μπορεί να περιορίσει σημαντικά τον χρόνο που αφιερώνει ο γιατρός σε διοικητικές εργασίες και να του επιστρέψει χρόνο για τον ασθενή.
  • Στην παρακολούθηση χρόνιων ασθενών, μπορεί να εντοπίζει αλλαγές σε μετρήσεις, προβλήματα συμμόρφωσης ή ενδείξεις ότι απαιτείται επικοινωνία με έναν επαγγελματία Υγείας.
  • Στην πλοήγηση του ασθενούς μέσα στο σύστημα, μπορεί να βοηθά στην κατανόηση διαδικασιών, στην οργάνωση εξετάσεων και ραντεβού και στην καλύτερη συνέχεια της φροντίδας.
  • Στη φαρμακευτική έρευνα, η AI χρησιμοποιείται ήδη σε διαφορετικά στάδια ανακάλυψης και ανάπτυξης νέων φαρμάκων. 

Φυσικά, η AI κάνει λάθη.

Τα μεγάλα γλωσσικά μοντέλα μπορούν να παράγουν λανθασμένες πληροφορίες. Μπορούν να αναπαράγουν biases των δεδομένων στα οποία εκπαιδεύθηκαν. Στην Υγεία υπάρχουν κρίσιμα ζητήματα προστασίας προσωπικών δεδομένων, κυβερνοασφάλειας, διαφάνειας, επαναληψιμότητας και λογοδοσίας. Γι' αυτό και κανείς σοβαρός δεν προτείνει ανεξέλεγκτη χρήση της Τεχνητής Νοημοσύνης. Χρειάζεται ανθρώπινη εποπτεία, validation, audit trails, σαφείς κανόνες πρόσβασης στα δεδομένα, διαδικασίες ελέγχου και ξεκάθαρη ανθρώπινη ευθύνη.

Επίσης, κανείς δεν υποστηρίζει ότι πρέπει να αντικαταστήσουμε τον γιατρό, τον φαρμακοποιό, τον αξιολογητή, τον οικονομολόγο Υγείας ή τον δημόσιο λειτουργό με το ChatGPT. 

Η πραγματική σύγκριση επομένως δεν είναι AI ή άνθρωπος.

Είναι όλο και περισσότερο άνθρωπος με AI έναντι ανθρώπου χωρίς AI.

Και σε εργασίες που απαιτούν επεξεργασία μεγάλου όγκου πληροφορίας, σύνθεση διαφορετικών πηγών, ανάλυση σεναρίων και γρήγορη πρόσβαση στη γνώση, η διαφορά αυτή θα μεγαλώνει συνεχώς.

Η επιφύλαξη απέναντι σε μια νέα τεχνολογία δεν είναι ούτε παράλογη ούτε οπισθοδρομική. Στην Υγεία, μάλιστα, η αμφισβήτηση είναι απαραίτητη.

Στις μεγάλες τεχνολογικές αλλαγές εμφανίζεται συχνά ένα συγκεκριμένο αντανακλαστικό. Η τάση να θεωρείται πιο ασφαλές οτιδήποτε ήδη γνωρίζουμε, ακόμη και όταν είναι αναποτελεσματικό. Η πεποίθηση ότι μια διαδικασία είναι αξιόπιστη επειδή ακολουθείται επί δεκαετίες και όχι επειδή έχει μετρηθεί η αποτελεσματικότητά της. Η δυσπιστία απέναντι σε εργαλεία που κάνουν τη γνώση γρηγορότερα προσβάσιμη και περιορίζουν την πληροφοριακή ασυμμετρία. 

Κάθε μεγάλη τεχνολογική μετάβαση αναμφίβολα είχε και θα έχει τους αρνητές της. Το Internet, το ηλεκτρονικό εμπόριο, τα smartphones, το cloud computing, τα ηλεκτρονικά ιατρικά αρχεία αντιμετωπίστηκαν κάποτε με δυσπιστία. Σε βάθος χρόνου, όμως, το ερώτημα δεν ήταν ποτέ αν η τεχνολογία θα υιοθετηθεί. 

Το ερώτημα ήταν και είναι ποιοι οργανισμοί θα προσαρμοστούν έγκαιρα και ποιοι θα αναγκαστούν να ακολουθήσουν όταν η απόσταση από τους υπόλοιπους θα έχει γίνει πλέον εμφανής.

Η Ελλάδα χρειάζεται κανόνες για την Τεχνητή Νοημοσύνη στην Υγεία. Χρειάζεται προστασία δεδομένων, ανεξάρτητο validation, εκπαίδευση στελεχών, διαφάνεια και σαφή ανθρώπινη ευθύνη.

Χρειάζεται όμως εξίσου και AI literacy σε όλα τα επίπεδα διοίκησης. 

Το αν κάποιος χρησιμοποιεί «πολύ ChatGPT» είναι τελικά η λάθος ερώτηση. 

Οι σωστές ερωτήσεις είναι αν το χρησιμοποιεί σωστά, αν ελέγχει τις απαντήσεις του, αν προστατεύει τα δεδομένα, αν γνωρίζει τους περιορισμούς του και κυρίως αν παράγει καλύτερο αποτέλεσμα χάρη σε αυτό. Eπίσης, οι άνθρωποι που θα μάθουν να συνεργάζονται αποτελεσματικά μαζί της θα αποκτήσουν ένα σημαντικό πλεονέκτημα έναντι εκείνων που θα επιλέξουν να την αγνοήσουν.

Και σε ένα σύστημα Υγείας, η ΑI έχει ήδη αποδείξει ότι μπορεί να μειώσει χρόνους, να εξοικονομήσει δημόσιους πόρους, να συμβάλλει σε ποιότητα αποφάσεων και να συνεισφέρει τα καλύτερα αποτελέσματα στους ασθενείς. 

Προσθέστε το iatronet.gr στο Discover

Ειδήσεις υγείας σήμερα
O αγώνας ενάντια στον καρκίνο του μαστού
Τροφές με άφθονους υδατάνθρακες που είναι σούπερ υγιεινές
Αγαπηδάκη: Η αλλαγή στην ΑΕΜΥ αναγκαία για τη δημιουργία του Εθνικού Κέντρου για την Άνοια