Az egészségügyben mindenütt találkozunk a mesterséges intelligencia (MI) algoritmusaival. Segítségével átnézik a betegek adatait, megjósolják, hogy kinél alakulhatnak ki olyan súlyos egészségügyi problémák, mint a szívbetegség vagy a cukorbetegség, elemzik az orvosi leleteket, felderítik a betegségekre utaló jeleket. A páciensek persze ebből a legtöbbször semmit nem észlelnek, az MI „közreműködését” legfeljebb az orvos által átadott információkban vagy az orvosi döntéseknél érhetik tetten. Ez elég vészjóslóan hangzik azok számára, akik mindent kontrollálni akarnak az egészségük érdekében. De vajon kell-e aggódniuk?
Egy analógiával gyorsan bizonyítható, hogy felesleges az MI-től tartani. A modern autók tele vannak olyan elektronikus rendszerekkel, amelyek a jármű és olykor a vezető működése, cselekedetei alapján keletkező adatok elemzésével hoznak meg döntéseket a sofőr helyett. Például a menetstabilizáló rendszer nem hagyja, hogy a megcsúszó autó letérjen a nyomvonaláról, az elalvásfelügyelet pedig adatokat gyűjt és dolgoz fel a vezető szemmozgásáról, így tudja azonnal felriasztani, ha el akar bóbiskolni. Mindkettő életmentő lehet. És nem nagyon berzenkedünk miattuk. A mesterséges intelligenciát használó önvezető autók is elég jól működnek, de tömeges használatukat addig nem engedélyezik, míg nem tökéletesen biztonságosak.
Nem az a fontos, hogy az MI-t megértsük, hanem az, hogy működjön
Az MI eszközei olyan bonyolult számítógépes programok, amelyek hatalmas mennyiségű adatot futtatnak át, miközben mintákat vagy tendenciákat keresnek, és előrejelzést vagy ajánlást készítenek, hogy segítsenek egy döntés meghozatalában. Az algoritmusok többnyire azok számára is fekete dobozként működnek, akik naponta használják őket, és adott esetben még a programot tervező szakemberek számára is kifürkészhetetlen, hogy éppen mi történik bennük. De még ha egy program nem fekete doboz jellegű, az alkalmazott matematika akkor is olyan bonyolult lehet, amit legfeljebb az adattudósok képesek értelmezni. Ám ahogy az autónál is az a lényeg, hogy az úton maradjon, ezeknek az algoritmusoknak is az a lényege, hogy a megfelelő pályán tartsák az orvosi döntéseket.
A mesterséges intelligenciával kapcsolatos félelmek egyébként eléggé általánosnak tekinthetők, hiszen sok ember számára azt sugallják, hogy „gépek döntenek a sorsukról”, amelyeknek nincs etikájuk, érzelmeik és hiányzik belőlük az empátia. Az orvoslásban ez különösen élesen merül fel.
Demisztifikálás
Az orvostudományban ma használt MI-eszközök demisztifikálása érdekében a Verge magazin bemutatta egy konkrét algoritmus összetevőit és működését. A Verge által vizsgált algoritmus adja a Sepsis Watch (szepszisfigyelő) nevű alkalmazás alapját, amelynek kifejlesztését Mark Sendak, a Duke Egyetem egészségügyi innovációs intézetének adattudósa és Suresh Balu, az intézet programigazgatója irányította.
Amikor valaki szepszis gyanújával bekerül a Duke valamelyik kórházába, a program szemmel tarthatja. A szepszis egy fertőzésből kialakuló életveszélyes szövődmény, amely széles körű gyulladást eredményez a szervezetben. Az orvosok számára nem egyszerű a szepszis azonosítása, mivel a jelek nehezen felismerhetőek, különösen a betegség korai szakaszában. Ezért van szükség a mesterséges intelligenciára, amely olyan matematikai technikákat is alkalmaz, mint például a neurális hálózatok, amelyek az emberi ideghálózatok mintáját követik.
A szepszis kialakulását, a kockázat nagyságát számos tényező befolyásolja az életkortól fogva az immunrendszer állapotán át a kórházi tartózkodás hosszáig. A szervezet minden részéről érkező információk jelezhetik az orvosnak, ha a szepszis bekövetkezik, beleértve olyan nyilvánvaló tényezőket is, mint a vérnyomás, a pulzus és a testhőmérséklet. Ahhoz, hogy előrejelzést tudjon készíteni, a Sepsis Watch programnak először is következetes adatokra van szüksége a betegről.
Hogy működik mindez a gyakorlatban?
A példában szereplő hipotetikus beteg – akit Alexnek neveztek el – 58 éves és fertőzéssel került kórházba. Adatai egy részét (például az életkorát, a már meglévő betegségeit vagy korábban szedett orvosságait, amelyek nem változnak, amíg a kórházban fekszik - egyszerű rögzíteni és a program rendelkezésére bocsátani. Más mérőszámok azonban dinamikusabbak. Alex vérnyomása változhat a nap folyamán. Ugyanígy a véroxigénszintje , a pulzusszáma vagy a glükózszintje. És ezek közül nem mindegyiket mérik rendszeres időközönként.
A programot azonban nem érdekli, hogy észszerűtlen lenne óránként vérvizsgálatot végezni Alexen, mert szüksége van az adatokra. Így az első lépés, hogy kitölti a hiányosságokat ezeknél az inkonzisztens mérőszámoknál. Ehhez egy Gauss-folyamatnak nevezett módszert használ.
Tegyük fel, hogy Alexnek csak hajnali fél háromkor, reggel hatkor, délután háromkor és este kilenckor mértek vércukorszintet. A matematikai eszköz a mérésekből származó információkat, valamint Alex egyéb életjeleire vonatkozó információkat használja fel a hiányosságok pótlására. Kitalálja, hogyan lehet a legjobban ráilleszteni egy görbét az összes meglévő adatpontra, a hiányzó számokat pedig a görbe mentén kiegészíti. Az egyenletesen elosztott adatpontokból álló sima vonal segítségével már látja, hogy Alex vércukorszintjének a nap folyamán milyennek kellett volna lennie egy adott időpontban.
Ha megvan az összes adat, akkor be lehet táplálni azokat a neurális hálózatba. A Sepsis Watch alapjául szolgáló neurális hálózat algoritmusok összetett sorozata, amely mintákat keres a kusza adathalmazokban. Egy sor „csomópontból” áll, amelyek mindegyike adatokat vesz fel, majd feldolgozás után tovább küldi őket a következő csomópontra, mielőtt a rendszer előállna egy válasszal.
Mielőtt a neurális hálózatot a betegeken „alkalmazták volna”, alaposan és széles körűen kiképezték. Több száz olyan beteg adatait táplálták bele, akiknek szepszisük volt, és olyanokét is, akiknek nem. Minden egyes alkalommal, amikor új adatokat kapott, a hálózat addig finomította a feldolgozásuk módját, amíg megbízhatóan ki nem tudta választani, hogy milyen minták és adatkombinációk jelenthetik azt, hogy valaki szepszisben szenved.
A valószínűség helyes meghatározása
Az eszköz a kiképzés után készen állt arra, hogy valós idejű információkat kapjon Alexről. Amikor az adatok megérkeztek, azokat a neurális hálózat csomópontjaiba táplálta, amelyek különböző súlyokat adnak az információknak. Minden csomópont további információkat kap egy memóriabankból, ahol a neurális hálózat tárolja az összes olyan információt, amelyet a program Alexen történt korábbi futtatásai során megtanult.
Miután az adatokat az algoritmusok összetett sorozata feldolgozta, a neurális hálózat egy 0 és 1 közötti pontszámot ad ki, annak valószínűségét, hogy Alexnek az adott időpontban van-e szepszise. Minél közelebb van a pontszám az 1-hez, annál valószínűbb a szepszis. Ez egy hihetetlenül összetett matematikai program egyszerűsítése, amely a valóságban több tucat csomópontból áll, és részletes egyenletekből épül fel. De végső soron mégiscsak egy egyszerű számot ad az orvosoknak és az ápolóknak, amely segíthet nekik a betegek ellátásában.
A folyamat, hogy az orvosok és ápolók megszokják a Sepsis Watch riasztásait, és beépítsék a rutinjukba, hogy a számok alapján hozzanak döntéseket, vagy válasszanak, egyáltalán nem volt egyszerű és zökkenőmentes. Az alkalmazást használóknak ki kellett találniuk azt a kommunikációs módszert is, amely a legjobban működik, amikor kifejezetten a program által nyújtott információkat beszélik vagy osztják meg. De arra is rá kellett jönniük, hogy a betegekkel és az egymással való kapcsolattartás módját hogyan változtassák meg.
Az emberi döntések a szepszis kezelésének minden szakaszában nagy szerepet játszottak és játszanak ma is. Az emberek határozzák meg, hogy milyen típusú matematikai eszközökkel lássák el a programot, és milyen típusú adatokkal képezzék ki. Nekik kell dönteniük arról is, hogy a program kimenete alapján mi számít alacsony, közepes vagy magas szepsziskockázatnak.
A Sepsis Watch riasztás beérkezése után továbbra is az orvosok és az ápolók hozzák meg a kezelési döntéseket. Ők írják a recepteket és figyelik a betegeket, hogy lássák, hogyan reagálnak, illetve eldöntik, hogy továbbra is egy algoritmus segítségével tartsák-e szemmel őket, és ha igen, mikor és meddig.
Ez is érdekelhet
Eddig úgy tűnik, hogy a Sepsis Watch integrálására tett erőfeszítések megérik. A Duke kórházaiban a szepszis okozta halálesetek száma csökkent, és jelenleg dolgoznak annak értékelésén, hogy a program mennyire járult hozzá e csökkenéshez. Ettől pedig az emberek is jobban megbarátkozhatnak a technológiával. Ezek az értékelések és validálások az orvosi MI-alkalmazások esetében nélkülözhetetlenek, mert az átláthatóság az adatok, a teljesítmény, valamint az erősségek és gyengeségek esetében különösen fontosak. Mivel az algoritmusok alapvetően emberi eszközök, alkalmasint visszatükrözhetik és súlyosbíthatják a problémákat, ha az eszközöket fejlesztők nem vigyáznak eléggé. De az MI minden nehézség és veszély ellenére a benne rejlő hatalmas potenciális orvosi előrelépés miatt mindinkább jelen lesz a gyógyászatban.
Legjobban: