Պատկերացրեք, որ մտնում եք բժշկական ծառայություններ մատուցող հաստատություն, որտեղ չկա դժգոհ, բարկացած կամ հուզված պացիենտներով լի ընդունարան, չկան պարտադիր լրացվող թղթերի կույտեր կամ հրատապ խորհրդատվություններ: Փոխարենը, ձեզ դիմավորում է խելացի համակարգ, որը գիտի ձեր բժշկական պատմությունը, կարող է կանխատեսել հնարավոր առողջական խնդիրները և իրական ժամանակում տրամադրել անհատականացված խնամքի և բուժման ուղեցույցներ: Սա բոլորովին գիտաֆանտաստիկ ֆիլմի տեսարան չէ. սա արհեստական բանականության (ԱԲ) վրա հիմնված առողջապահության անխուսափելի ապագան է:
Քանի որ աշխարհը բախվում է առողջապահության ոլորտի մասնագետների պակասի և քրոնիկ հիվանդությունների անընդհատ աճող բեռի հետ, արհեստական ինտելեկտը դառնում է ոչ միայն գործիք, այլ հեղափոխական ուժ, որը կարող է ոչնչացնել առողջապահական արդյունաբերությունը: GenAI ընկերությունը, մասնավորապես, մտադիր է փոխել հիվանդությունների ախտորոշման, բուժման և վերահսկման մեթոդները։ Այս նոր դարաշրջանում արհեստական ինտելեկտի ալգորիթմներին աջակցելու համար GPU-ների (գրաֆիկական պրոցեսոր) պահանջարկը կարող է գերազանցել ավելի շատ բժիշկների անհրաժեշտությունը: Արհեստական ինտելեկտը աստիճանաբար փոփոխում է առողջապահական համակարգը՝ պոտենցիալ պահանջելով ավելի շատ հաշվարկային հզորություն, քան գործնական մարդիկ:
Այնուամենայնիվ անհրաժեշտ է մշտապես ուշադիր լինել, քանզի արհեստական բանականության ալգորիթմների մեջ շեղումներ և սխալներ նույնպես հնարավոր են:
Փորձագետները մշակել են STANDING Together կոնսենսուսի ուղեցույց՝ գիտական հետազոտություններում թափանցիկությունը բարձրացնելու և ԱԲ-ի հնարավոր թերությունները վերացնելու համար:
ԱԲ տեխնոլոգիան ավելի ու ավելի է օգտագործվում առողջապահության ոլորտում, օրինակ՝ հիվանդությունները ախտորոշելու կամ համապատասխան բուժումներ առաջարկելու համար: Այնուամենայնիվ, արհեստական ինտելեկտի համակարգերի ուսուցման համար օգտագործվող տվյալները կարող են լինել ալգորիթմական շեղումների աղբյուր, և դա հղի է առողջության անհավասարությունները սրելու ռիսկով:
Ի պատասխան դրան՝ «տվյալների բազմազանության, ներառականության և ընդհանրացման ստանդարտներ» (STANDING Together) ծրագիրը իրականացրել է լայնածավալ ուսումնասիրություն և պատրաստել առաջարկությունների շարք՝ հիմնված կոնսենսուսի վրա:
«Պետք է ստեղծենք այնպիսի միջավայր, որի վրա մենք կարող ենք ստեղծել ներառական, հուսալի և հավասար առողջապահական լուծումներ՝ օգտագործելով արհեստական բանականությունը», – ասվում է Lancet Digital Health-ի խմբագրական հոդվածում:
Վերջին տասնամյակի ընթացքում առողջապահության ոլորտում արհեստական բանականության (ԱԲ) շրջանակը զգալիորեն ընդլայնվել է, և այժմ հարյուրավոր ԱԲ ապրանքներ հասանելի են ամբողջ աշխարհում օգտագործման համար: Կան բազմաթիվ եղանակներ, որոնց միջոցով այս տեխնոլոգիաները կարող են վերափոխել առողջապահական համակարգը՝ մասնագետների մակարդակով բարելավելով ախտորոշման և բուժման հասանելիությունը և միաժամանակ նվազեցնելով կախվածությունը առողջապահական համակարգի սահմանափակ ռեսուրսներից: Այնուամենայնիվ, ակնկալիքները, որ ԱԲ-ն դրական ազդեցություն կունենա խնամքի և դրա արդյունքների վրա, պետք է հավասարակշռված լինի ալգորիթմական շեղումների հետ կապված վնասի ռիսկերի հետ:
Աճող գրականությունը շեշտում է այն ռիսկը, որ առողջապահության ոլորտում ԱԲ տեխնոլոգիաները սրում են առողջության անհավասարությունները՝ ուժեղացնելով եղածները և առաջացնելով նոր կողմնակալություններ: Օրինակ, ԱՄՆ-ում մասնագետները ցույց են տվել ռասայական կողմնակալության առկայություն ալգորիթմի մեջ, որը նախատեսված էր առողջապահական ռեսուրսների բաշխումը կառավարելու համար: Այս շեղման հիմնական պատճառը եղել է պատմական առողջապահական ծախսերի տվյալների օգտագործումը որպես անուղղակի հատկանիշի կիրառում՝ մարդկանց առողջապահական կարիքները կանխատեսելու ալգորիթմի ուսուցման ընթացքում: Արդյունքում ստացված ալգորիթմը համակարգված կերպով թերագնահատել է հիվանդության ծանրությունը սևամորթ պացիենտների մոտ, որոնց բուժման համար պատմականորեն բավարար ռեսուրսներ չեն հատկացվել: Կարևոր է նշել, որ այս ալգորիթմական թերացումը հայտնաբերելուց հետո հնարավոր կլինի միջոցներ ձեռնարկել դրա հետևանքները մեղմելու համար՝ ալգորիթմի վերաձևակերպմամբ:
Ալգորիթմական շեղումների այլ օրինակներ ներառում են կրծքավանդակի ռենտգենյան դասակարգիչները, որոնք պատրաստված են ռադիոլոգիական տվյալների մեծ հանրամատչելի տվյալների հավաքածուներից, որոնք թերագնահատում են պաթոլոգիան անբավարար սպասարկման խմբերում և երիկամների սուր վնասվածքի հայտնաբերման ալգորիթմը, որն ապացուցել է, որ անարդյունավետ է կանանց համար՝ իր վերապատրաստման տվյալների գենդերային անհավասարակշռության պատճառով:
Առողջապահության ոլորտում ԱԲ տեխնոլոգիայի շեղումները կարող են առաջանալ բազմաթիվ պատճառներով, բայց թերացումների հիմնական աղբյուրներից մեկը դրանց ուսուցման, գնահատման և մոնիտորինգի համար օգտագործվող տվյալներն են: Այն եղանակները, որոնցով տվյալները կարող են նպաստել առողջության ոլորտում ԱԲ տեխնոլոգիայի թերացմանը, բարդ են և բազմակողմանի: Նախ, առողջության տվյալների հավաքածուներում հատուկ խմբերի ոչ ադեկվատ ներկայացումը կարող է հանգեցնել ալգորիթմի ճշգրտության նվազմանը՝ կամ նմուշի անբավարար չափի պատճառով, կամ այն պատճառով, որ խմբերի ընտրության եղանակը ճշգրիտ պատկերացում չի տալիս այդ բնակչության իրական աշխարհում: Առողջության տվյալների հավաքածուների մեծ մասը պարունակում է տվյալներ միայն երկրների փոքր ցուցակից՝ 10-14 երկիր, և նույնիսկ այդ երկրների ներսում փոքրամասնության խմբերը կարող են համեմատաբար քիչ ներկայացված լինել: Բացի այդ, ժողովրդագրական բնութագրերի վերաբերյալ տվյալները ոչ ադեկվատ են գրանցվում, ուստի հնարավոր չէ գնահատել խմբերի ներկայացվածության աստիճանը:
Այս խնդիրը սրվում է առողջապահական ծառայությունների հասանելիության խոչընդոտների պատճառով, ինչը նշանակում է, որ բնակչության որոշ հատված մնում է այսպես կոչված իրական տվյալների հավաքածուներից դուրս, իսկ սահմանափակ ռեսուրսներ ունեցող երկրները կարող են չունենալ ենթակառուցվածքներ կամ միջոցներ տվյալների հավաքագրման գործընթացին մասնակցելու և աջակցելու համար: Ավելին, բավարար բժշկական ծառայություններ չստացող բնակչության վերաբերյալ տվյալները, ամենայն հավանականությամբ, թերի են (գրանցված են որպես անհայտ) կամ անճիշտ: Նրանց ներկայությունը կարող է նաև թաքնված լինել, եթե դրանք հստակ նշված չեն որպես կատեգորիա, օրինակ՝ ընտրանքի փոքր չափի, ագրեգացման (այլ կամ խառը կատեգորիաների օգտագործման) կամ փոխկապակցվածությունը հաշվի չառնելու պատճառով (օրինակ՝ տարիքի և սեռի հարաբերակցություն): Անհատները երբեմն կարող են բացառվել կամ հեռացվել տվյալների հավաքածուից, քանի որ դրանք չեն համապատասխանում մեծամասնության կատեգորիաներին (օրինակ՝ բացառվում են այն պացիենտները, ովքեր չեն համապատասխանում երկսեռ գենդերային կատեգորիաներին): Երրորդ, նույնիսկ եթե հնարավոր լիներ ապահովել տվյալների անսխալ չափում և գրանցում, այդպիսի անսխալ մոտեցումը չէր խանգարի տվյալների հավաքածուների սոցիալական և կառուցվածքային տարբերությունների կոդավորմանը: Այս ծածկագրերը հաճախ ցրված են և դժվար է հայտնաբերել և չափել:
Այս սահմանափակումների ճանաչումը կարող է օգնել յուրաքանչյուրին, ով ներգրավված է առողջապահության ոլորտում ԱԲ տեխնոլոգիաների ստեղծման, հասանելիության կամ օգտագործման մեջ, ավելի արդյունավետ օգտագործել այսօրվա տվյալների հավաքածուները և աշխատել վաղվա տվյալների հավաքածուների բարելավման ուղղությամբ: Կողմնակալության առկայությունը ճանաչելը և տվյալների հավաքածուները որպես արտեֆակտ ուսումնասիրելը կարող է պատկերացում և գիտելիքներ հաղորդել անհավասարության գործոնների վերաբերյալ՝ թույլ տալով նպատակային սոցիալ-տեխնիկական միջամտություններին նվազեցնել տվյալների հավաքածուների ներկառուցված շեղումները և դրանց ազդեցությունը առողջապահական ԱԲ տեխնոլոգիայի վրա:
Տվյալների տեղաշարժերը կարող են առաջանալ ժողովրդագրական փոփոխությունների արդյունքում (օրինակ՝ երկրի բնակչության տարիքային կազմի փոփոխություն՝ կյանքի տևողության ավելացման արդյունքում), բժշկական օգնության ձևերի փոփոխություններ (օրինակ՝ արյան լաբորատոր նոր թեստի ներդրում կամ հիվանդության բուժման նոր մեթոդ) կամ տվյալների չափման, գրանցման և հավաքագրման եղանակի փոփոխություններ (օրինակ՝ թղթային բժշկական գրառումները էլեկտրոնային եղանակով փոխարինելը կամ պացիենտների կենսական նշանները չափելու համար կրելի մոնիտորների ներդրում) և շատ այլ գործոններ:
Տվյալների փոփոխությունների իմացությունը թույլ է տալիս տվյալների հավաքածուի համադրողներին տրամադրել լրացուցիչ համատեքստ, որը կարող է անհասանելի լինել տվյալները օգտագործողների համար, եթե դա հստակ նշված չէ: Տվյալների բոլոր հայտնի և ակնկալվող փոփոխությունները պետք է նկարագրվեն, ինչը թույլ կտա տվյալները օգտագործողներին հաշվի առնել ցանկացած հնարավոր հետևանք, երբ տվյալները օգտագործում են զարգացման և բարելավման նպատակով: