Οι γιατροί έχουν πολύ φόρτο εργασίας και είναι σε έλλειψη παγκοσμίως, αλλά σύντομα θα μπορούσαν να λαμβάνουν βοήθεια από μηχανική μάθηση, που θα τους βοηθά στη μείωση τυχόν λαθών στη διάγνωση, στην πρωτοβάθμια περίθαλψη.

Symptom checkers Τεχνητής νοημοσύνης είναι πολύτιμοι στο να παρέχουν ιατρικές πληροφορίες και ασφαλείς συμβουλές διαλογής, σε χρήστες, όμως καμία δεν κάνει διάγνωση όπως ο γιατρός.

Σε αντίθεση με τους γιατρούς, οι υπάρχοντες Symptom checkers παρέχουν συμβουλές με βάση συσχετισμούς - και οι συσχετισμοί δεν είναι αιτιότητα. Ερευνητές, για πρώτη φορά χρησιμοποίησαν τις αρχές της αιτιατής σκέψης για να καταστήσουν την τεχνητή νοημοσύνη ικανή να διαγιγνώσκει περιστατικά (σε γραπτή μορφή).

Οι ερευνητές χρησιμοποίησαν νέα μέθοδο, γνωστή ως αιτιατή μηχανική μάθηση, που δρα ως ‘’φαντασία’’, ώστε η τεχνητή νοημοσύνη να μπορεί να σκεφτεί τι σύμπτωμα θα μπορούσε να δει αν ο ασθενής είχε μια νόσο άλλη από αυτή που θεωρεί.

Η έρευνα, που δημοσιεύτηκε στο Nature Communications, δείχνει ότι η αποσύνδεση του συσχετισμού από την αιτιότητα κάνει την τεχνητή νοημοσύνη σημαντικά πιο ακριβή.

Ο ερευνητής Dr Jonathan Richens, δήλωσε ότι πήρε τεχνητή νοημοσύνη με ισχυρό αλγόριθμο και της έδωσε την ικανότητα να ‘’φανταστεί’’ εναλλακτικές πραγματικότητες και να λάβει υπόψη αν το σύμπτωμα θα ήταν παρόν αν επρόκειτο για διαφορετική νόσο. Αυτό επέτρεψε στην τεχνητή νοημοσύνη να ξεχωρίσει τα πιθανά αίτια νόσου και να έχει σκορ πιο υψηλό από το 70% των γιατρών σε αυτά τα τεστ περιστατικών.

Ο Dr Ali Parsa, δήλωσε ότι η τεχνητή νοημοσύνη θα είναι σημαντικό όπλο που θα βοηθήσει να τερματιστεί η αδικία στην ανόμοια κατανομή της περίθαλψης και να γίνει πιο προσβάσιμη για καθέναν στον πλανήτη.

Ομάδα άνω των 20 γενικών ιατρών της Babylon GP έγραψε 1.671 ρεαλιστικά ιατρικά περιστατικά με συμπτώματα περισσότερων των 350 νόσων.

Κάθε περιστατικό είχε γραφτεί από έναν γιατρό και στη συνέχεια επαληθεύτηκε από άλλους γιατρούς, για να διασφαλιστεί ότι ήταν περιστατικό ρεαλιστικής διάγνωσης.

Χωριστή ομάδα 44 γενικών ιατρών, έλαβε τουλάχιστον 50 γραπτά περιστατικά για αξιολόγηση.

Οι γιατροί έγραφαν τις νόσους που θεωρούσαν πιο πιθανές.

Μετρήθηκαν ως προς την ακρίβεια, με το ποσοστό περιστατικών όπου περιέλαβαν την αληθινή νόσο στη διάγνωσή τους.

Αλγόριθμος

Η τεχνητή νοημοσύνη του Babylon υποβλήθηκε στα ίδια τεστ και χρησιμοποίησε παλαιότερο αλγόριθμο με βάση τους συσχετισμούς και πιο νέο αλγόριθμό, αιτιατό. Για κάθε τεστ, μπορούσε να αναφέρει μόνο όσες απαντήσεις είχε αναφέρει ο γιατρός.

Οι γιατροί είχαν μέσο σκορ 71.40% (± 3.01%) και κυμαινόταν από 50-90%. Ο παλαιότερος αλγόριθμος είχε ίση με τον μέσο γιατρό επίδοση, με 72.52% (± 2.97%).

Ο νέος αιτιατός αλγόριθμος είχε επίδοση 77.26% (± 2.79%) η οποία ήταν πιο υψηλή από τους 32 γιατρούς, ισοδύναμη με 1 και χαμηλότερη από 11.

Ο Dr Saurabh Johri, πρόσθεσε ότι ανακάλυψε πως Τεχνητή νοημοσύνη και γιατροί αλληλοσυμπληρώνοντας- η πρώτη είχε πιο υψηλό σκορ από τους γιατρούς στα πιο δύσκολα περιστατικά και το αντίστροφο. Επίση,ς ο αλγόριθμος είχε ιδιαίτερα καλή επίδοση στις σπάνιες νόσους, που πιο συχνά δεν διαγιγνώσκονται σωστά και είναι συχνά σοβαρές. Η μετατόπιση από τη χρήση συσχετισμών βελτίωσε την ακρίβεια περίπου 30% στις σπάνιες και πολύ σπάνιες παθήσεις.

Αυτή η τεχνολογία ανοίγει το δρόμο για μελλοντική συνεργασία μεταξύ γιατρών και Τεχνητής νοημοσύνης, που θα επιταχύνει τη διάγνωση του γιατρού, θα βελτιώσει την ακρίβεια, θα εξασφαλίσει χρόνο και θα βελτιώσει το αποτέλεσμα για τους ασθενείς.

Πηγές:
Nature Communications

Ειδήσεις υγείας σήμερα
GSK: Μήνυση κατά Pfizer-BioNTech για τις πατέντες των εμβολίων mRNA
Το Τai chi βελτιώνει την ποιότητα ύπνου ασθενών με προχωρημένο καρκίνο πνεύμονα [μελέτη]
Πώς θα αυξήσουμε την αντοχή μας