Καθώς η χρήση της τεχνητής νοημοσύνης (ΤΝ) διευρύνεται στην ανάπτυξη και αξιολόγηση φαρμάκων, αυξάνεται παράλληλα η ανάγκη να γνωρίζουμε πότε και υπό ποιες προϋποθέσεις τα αποτελέσματά της μπορούν να χρησιμοποιούνται με αξιοπιστία.

Η μελέτη βασίστηκε σε πανευρωπαϊκή έρευνα με 273 συμμετέχοντες από διαφορετικές ομάδες ενδιαφερομένων, μεταξύ των οποίων εκπρόσωποι Ρυθμιστικών Αρχών και της Φαρμακευτικής Βιομηχανίας, ασθενείς και καταναλωτές, επαγγελματίες Υγείας, ακαδημαϊκοί και ερευνητές. Οι συμμετέχοντες αξιολόγησαν 28 ερευνητικά ερωτήματα, οργανωμένα σε επτά θεματικούς τομείς, με στόχο να εντοπιστούν τα πεδία όπου απαιτείται περισσότερη έρευνα για τη χρήση της ΤΝ στην ανάπτυξη, αξιολόγηση και παρακολούθηση των φαρμάκων.

Πρώτη προτεραιότητα: να μπορούμε να εμπιστευόμαστε τα αποτελέσματα της ΤΝ

Ο θεματικός τομέας της ακρίβειας και αξιοπιστίας αναδείχθηκε με σαφή διαφορά ως η σημαντικότερη ερευνητική προτεραιότητα. Το βασικό ερώτημα δεν είναι απλώς εάν μπορεί να χρησιμοποιηθεί η ΤΝ στον κύκλο ζωής των φαρμάκων, αλλά πότε και υπό ποιες προϋποθέσεις μπορούμε να εμπιστευόμαστε τα αποτελέσματά της. Χρειάζονται καλύτερες μέθοδοι για την αξιολόγηση της απόδοσης των συστημάτων ΤΝ, τον εντοπισμό των περιορισμών τους και την παρακολούθηση της αξιοπιστίας τους όταν αλλάζουν τα δεδομένα ή οι συνθήκες χρήσης.

Δεδομένα, συναίνεση και αντιμετώπιση της μεροληψίας

Στις επόμενες θέσεις βρέθηκαν η διακυβέρνηση των δεδομένων, η εμπιστευτικότητα και η συναίνεση, καθώς και η δεοντολογία, η δικαιοσύνη και η πρόληψη της μεροληψίας (bias). Η αξιόπιστη χρήση της ΤΝ δεν εξαρτάται μόνο από την τεχνική απόδοση. Προϋποθέτει ποιοτικά δεδομένα, νόμιμη και δεοντολογικά ορθή χρήση τους και αποτελεσματικούς τρόπους περιορισμού της μεροληψίας. Παράλληλα, αναδεικνύονται ερωτήματα σχετικά με τη συναίνεση και τη νομική βάση για τη χρήση δεδομένων υγείας σε έρευνα με ΤΝ πέρα από τον αρχικό σκοπό συλλογής τους.

Βασικές ερευνητικές προτεραιότητες

  1. Ακρίβεια και αξιοπιστία: διασφάλιση της αξιοπιστίας των μοντέλων ΤΝ που παράγουν κλινικά τεκμήρια ή υποστηρίζουν ρυθμιστικές αποφάσεις.
  2. Ανθεκτικότητα στον χρόνο: διατήρηση της αξιοπιστίας όταν αλλάζουν τα δεδομένα ή μειώνεται η απόδοση των συστημάτων.
  3. Επεξηγησιμότητα: κατανόηση του τρόπου με τον οποίο ένα σύστημα ΤΝ καταλήγει στα αποτελέσματά του και εξισορρόπηση επεξηγησιμότητας και απόδοσης.
  4. Συναίνεση και χρήση δεδομένων υγείας: κατάλληλα μοντέλα συναίνεσης ή άλλες νομικές βάσεις για νέες ερευνητικές χρήσεις δεδομένων υγείας.
  5. Ασφάλεια και ιχνηλασιμότητα δεδομένων: διασφάλιση ότι τα δεδομένα είναι ασφαλή, ελέγξιμα και ιχνηλάσιμα.
  6. Πρόληψη της μεροληψίας: ανάπτυξη μεθόδων για τον εντοπισμό και τον περιορισμό της μεροληψίας στα μοντέλα ΤΝ.
  7. Διαφάνεια: καλύτερη κατανόηση των περιορισμών και των αβεβαιοτήτων που συνοδεύουν τη χρήση της ΤΝ.
  8. Κενά στις κατευθυντήριες οδηγίες: αντιμετώπιση κενών σε πεδία όπως η αξιολόγηση οφέλους-κινδύνου, η φαρμακοεπαγρύπνηση και η παραγωγή κλινικών τεκμηρίων.
  9. Διαφάνεια και αναπαραγωγιμότητα: ενίσχυση της δυνατότητας αναπαραγωγής των αποτελεσμάτων στην ανάπτυξη φαρμάκων με ΤΝ.
  10. Τεχνικοί έλεγχοι και έλεγχοι ποιότητας: καθορισμός των απαραίτητων ελέγχων για εφαρμογές ΤΝ σε κλινικές δοκιμές, παραγωγή, παρακολούθηση ασφάλειας και ρυθμιστικές υποβολές.

Η ΑΙ και η κοινότητα των σπανίων παθήσεων

Για τα σπάνια νοσήματα, η εξέλιξη της Τεχνητής Νοημοσύνης έχει ιδιαίτερη σημασία. Η περιορισμένη διαθεσιμότητα δεδομένων, η κατακερματισμένη γνώση και η πολυπλοκότητα πολλών σπάνιων παθήσεων δημιουργούν σημαντικές δυνατότητες για την αξιοποίηση της ΤΝ στην έρευνα και στη διαχείριση της διαθέσιμης γνώσης, καθιστώντας παράλληλα κρίσιμα ζητήματα όπως η αξιοπιστία, η ποιότητα των δεδομένων και η μεροληψία.

Η Ένωση Σπανίων Ασθενών Ελλάδος (ΕΣΑΕ) έχει αναγνωρίσει έγκαιρα ότι η ΤΝ αφορά άμεσα και τους Ασθενείς, και τις Οργανώσεις που τους εκπροσωπούν. Για τον λόγο αυτόν, έχει επενδύσει στην εκπαίδευση και ενδυνάμωση της Κοινότητας γύρω από την Τεχνητή Νοημοσύνη. Μέσα από την AI Academy, η εκπαίδευση εκτείνεται από τη βασική εξοικείωση και την πρακτική χρήση εργαλείων ΤΝ έως πιο προχωρημένες εφαρμογές, με έμφαση στην υπεύθυνη και κριτική αξιοποίησή τους.

Παράλληλα, η ΕΣΑΕ αναπτύσσει και αξιοποιεί ψηφιακά εργαλεία ΤΝ ειδικά προσανατολισμένα στις ανάγκες της Κοινότητας των Σπανίων Παθήσεων. Ο AI PubMed Navigator for Rare Diseases, που υλοποιήθηκε με τη συνεργασία του ΕΚΕΦΕ "Δημόκριτος", διευκολύνει την πρόσβαση σε έγκυρη και τεκμηριωμένη επιστημονική βιβλιογραφία για τα Σπάνια Νοσήματα μέσω της PubMed, ενώ ο AI Virtual Assistant for Rare Diseases, που δημιουργήθηκε σε συνεργασία με την IQVIA Ελλάδας, αξιοποιεί το περιεχόμενο των θεσμικών Οδηγών της ΕΣΑΕ, διευκολύνοντας την πρόσβαση σε πληροφορίες σχετικά με θεραπείες, δικαιώματα και κοινωνικές παροχές.

Προσθέστε το iatronet.gr στο Discover

Ειδήσεις υγείας σήμερα
Διόρθωση
Η ΔΕΠΥ συνδέεται με τετραπλάσιο κίνδυνο μελλοντικής γνωστικής εξασθένησης
Οι καλύτεροι σπόροι και καρποί για ω-3