الذكاء الاصطناعي يمكن أن يكون صديقًا أو عدوًا في تحسين المساواة في الرعاية الصحية. إليك كيفية ضمان مساعدته وليس ضرره

إن عدم المساواة في الرعاية الصحية والتفاوت في الرعاية منتشر على نطاق واسع عبر الانقسامات الاجتماعية والاقتصادية والعرقية والجنسانية. وكمجتمع، تقع علينا مسؤولية أخلاقية واقتصادية لسد هذه الفجوات وضمان الوصول المتسق والعادل وبأسعار معقولة إلى الرعاية الصحية للجميع.

إن الذكاء الاصطناعي يساعد في معالجة هذه التفاوتات، ولكنه أيضًا سلاح ذو حدين. من المؤكد أن الذكاء الاصطناعي يساعد بالفعل في تبسيط تقديم الرعاية، وتمكين الطب الشخصي على نطاق واسع، ودعم الاكتشافات الرائدة. ومع ذلك، فإن التحيز المتأصل في البيانات والخوارزميات والمستخدمين قد يؤدي إلى تفاقم المشكلة إذا لم نكن حذرين.

وهذا يعني أن أولئك منا الذين يطورون وينشرون حلول الرعاية الصحية التي تعتمد على الذكاء الاصطناعي يجب أن يكونوا حذرين لمنع الذكاء الاصطناعي من توسيع الفجوات القائمة بشكل غير مقصود، ويجب على الهيئات الحاكمة والجمعيات المهنية أن تلعب دوراً نشطاً في وضع الحواجز الواقية لتجنب التحيز أو التخفيف منه.

هكذا يمكن للذكاء الاصطناعي أن يساعد في سد فجوات عدم المساواة بدلاً من توسيعها.

تحقيق المساواة في التجارب السريرية

كانت العديد من التجارب الجديدة على الأدوية والعلاجات متحيزة تاريخيًا في تصميمها، سواء عن قصد أو عن غير قصد. على سبيل المثال، لم يكن مطلوبًا من النساء حتى عام 1993 بموجب القانون، يجب أن يتم تضمينها في الأبحاث السريرية الممولة من قبل المعاهد الوطنية للصحة. وفي الآونة الأخيرة، لم يتم تجربة لقاحات كوفيد 19 عمدًا على النساء الحوامل- لم يكن ذلك إلا لأن بعض المشاركات في التجربة كن حوامل دون علمهن في وقت التطعيم، وهذا ما جعلنا نعلم أن اللقاح آمن.

إن التحدي الذي يواجهنا في مجال البحث هو أننا لا نعرف ما لا نعرفه. ومع ذلك، تساعد الذكاء الاصطناعي في الكشف عن مجموعات البيانات المتحيزة من خلال تحليل بيانات السكان والإشارة إلى التمثيل غير المتناسب أو الفجوات في التغطية الديموغرافية. ومن خلال ضمان التمثيل المتنوع وتدريب نماذج الذكاء الاصطناعي على البيانات التي تمثل السكان المستهدفين بدقة، يساعد الذكاء الاصطناعي في ضمان الشمول والحد من الضرر وتحسين النتائج.

ضمان المعاملة العادلة

انها راسخة إن الأمهات السود الحوامل اللاتي يعانين من الألم والمضاعفات أثناء الولادة يتم تجاهلهن في كثير من الأحيان، مما يؤدي إلى ارتفاع معدل الوفيات بين الأمهات 3X أعلى للنساء السود من النساء البيض غير اللاتينيات بغض النظر عن الدخل أو التعليمإن المشكلة تتفاقم إلى حد كبير بسبب التحيز المتأصل: هناك مفهوم خاطئ منتشر بين المهنيين الطبيين مفاده أن يتمتع السود بقدرة أكبر على تحمل الألم من الناس البيض.

إن التحيز في خوارزميات الذكاء الاصطناعي قد يجعل المشكلة أسوأ: اكتشف باحثو هارفارد أن خوارزمية شائعة تنبأت بأن النساء السود واللاتينيات أقل احتمالية لنجاح الولادات المهبلية بعد الولادة القيصرية، وهو ما قد يدفع الأطباء إلى إجراء المزيد من العمليات القيصرية على النساء الملونات. ومع ذلك، وجد الباحثون أن "الارتباط غير مدعومة بالمعقولية البيولوجية"، مما يشير إلى أن العرق هو ""وكيل لمتغيرات أخرى تعكس تأثير عنصرية "تم تحديث الخوارزمية لاحقًا لاستبعاد العرق أو العرقية عند حساب المخاطر.

وهذا تطبيق مثالي للذكاء الاصطناعي لاستئصال التحيز الضمني واقتراح (مع الأدلة) مسارات الرعاية التي ربما تم تجاهلها في السابق. وبدلاً من الاستمرار في ممارسة "الرعاية القياسية"، يمكننا استخدام الذكاء الاصطناعي لتحديد ما إذا كانت أفضل الممارسات تستند إلى تجربة جميع النساء أم النساء البيض فقط. يساعد الذكاء الاصطناعي في ضمان أن تشمل أسس بياناتنا المرضى الذين لديهم أكبر قدر من الاستفادة من التقدم في الرعاية الصحية والتكنولوجيا.

في حين أنه قد تكون هناك ظروف حيث يمكن أن يكون العرق والانتماء العرقي عوامل مؤثرة، يجب أن نكون حذرين لمعرفة كيف ومتى يجب أخذها في الاعتبار ومتى نلجأ ببساطة إلى التحيز التاريخي لإبلاغ تصوراتنا وخوارزميات الذكاء الاصطناعي.

توفير استراتيجيات الوقاية العادلة

قد تتجاهل حلول الذكاء الاصطناعي بسهولة بعض الحالات في المجتمعات المهمشة دون مراعاة دقيقة للتحيز المحتمل. على سبيل المثال، تعمل إدارة المحاربين القدامى على تطوير خوارزميات متعددة للتنبؤ بعلامات أمراض القلب والنوبات القلبية واكتشافها. ينطوي هذا على إمكانات هائلة لإنقاذ الأرواح، إلا أن غالبية الدراسات لم تشمل تاريخيًا العديد من النساء، حيث تُعدّ أمراض القلب والأوعية الدموية السبب الرئيسي للوفاة لديهن. لذلك، من غير المعروف ما إذا كانت هذه النماذج فعالة بنفس القدر بالنسبة للنساء، اللواتي غالبًا ما تظهر عليهن أعراض مختلفة تمامًا عن أعراض الرجال.

إن إدراج عدد متناسب من النساء في هذه المجموعة من البيانات قد يساعد في منع بعض 3.2 مليون نوبة قلبية ونصف مليون حالة وفاة مرتبطة بالقلب سنويًا بين النساء من خلال الكشف المبكر والتدخل. وعلى نحو مماثل، تعمل أدوات الذكاء الاصطناعي الجديدة على إزالة خوارزميات تعتمد على العرق في فحص أمراض الكلى، والتي استبعدت تاريخيًا الأمريكيين السود والأسبان والأمريكيين الأصليين، مما أدى إلى تأخير الرعاية ونتائج سريرية سيئة.

وبدلاً من استبعاد الأفراد المهمشين، يمكن للذكاء الاصطناعي أن يساعد في الواقع في التنبؤ بالمخاطر الصحية للسكان المحرومين وتمكين تقييمات المخاطر الشخصية لتحديد التدخلات بشكل أفضل. قد تكون البيانات موجودة بالفعل؛ الأمر ببساطة هو "ضبط" النماذج لتحديد كيفية تأثير العرق والجنس والعوامل الديموغرافية الأخرى على النتائج - إذا كان لها أي تأثير على الإطلاق.

تبسيط المهام الإدارية

وبعيدًا عن التأثير المباشر على نتائج المرضى، تتمتع الذكاء الاصطناعي بإمكانات مذهلة لتسريع سير العمل خلف الكواليس لتقليل التفاوتات. على سبيل المثال، تستخدم الشركات ومقدمو الخدمات الذكاء الاصطناعي بالفعل لسد الثغرات في ترميز المطالبات والبت فيها، والتحقق من صحة رموز التشخيص مقابل ملاحظات الطبيب، وأتمتة عمليات الترخيص المسبق للإجراءات التشخيصية الشائعة.

ومن خلال تبسيط هذه الوظائف، يمكننا خفض تكاليف التشغيل بشكل كبير، ومساعدة مكاتب مقدمي الخدمات على العمل بكفاءة أكبر، وإعطاء الموظفين المزيد من الوقت لقضائه مع المرضى، وبالتالي جعل الرعاية أكثر تكلفة وسهولة في الوصول إليها بشكل كبير.

كل منا لديه دور مهم يلعبه

إن حقيقة امتلاكنا لهذه الأدوات المذهلة تحت تصرفنا تجعل من الضروري للغاية أن نستخدمها لاستئصال التحيزات في مجال الرعاية الصحية والتغلب عليها. ومن المؤسف أنه لا توجد هيئة تصديق في الولايات المتحدة تنظم الجهود الرامية إلى استخدام الذكاء الاصطناعي "لإزالة التحيز" في تقديم الرعاية الصحية، وحتى بالنسبة للمنظمات التي وضعت إرشادات، لا يوجد حافز تنظيمي للامتثال لها.

لذلك، يقع على عاتقنا كممارسين للذكاء الاصطناعي وعلماء بيانات ومنشئي خوارزميات ومستخدمين لتطوير استراتيجية واعية لضمان الشمول وتنوع البيانات والاستخدام العادل لهذه الأدوات والرؤى.

وللقيام بذلك، فإن التكامل الدقيق والتشغيل البيني أمران ضروريان. ومع وجود العديد من مصادر البيانات - من الأجهزة القابلة للارتداء ومقدمي المختبرات والتصوير التابعين لجهات خارجية إلى الرعاية الأولية وتبادل المعلومات الصحية وسجلات المرضى الداخليين - يتعين علينا دمج كل هذه البيانات بحيث يتم تضمين القطع الرئيسية، بغض النظر عن تنسيق مصدرنا. تحتاج الصناعة إلى تطبيع البيانات وتوحيدها ومطابقة الهوية للتأكد من تضمين بيانات المريض الأساسية، حتى مع تهجئات الأسماء المختلفة أو اتفاقيات التسمية القائمة على الثقافات واللغات المختلفة.

يتعين علينا أيضًا أن نبني تقييمات التنوع في عملية تطوير الذكاء الاصطناعي لدينا ونراقب "الانحراف" في مقاييسنا بمرور الوقت. يتحمل ممارسو الذكاء الاصطناعي مسؤولية اختبار أداء النموذج عبر المجموعات الفرعية الديموغرافية، وإجراء عمليات تدقيق التحيز، وفهم كيفية اتخاذ النموذج للقرارات. قد يتعين علينا تجاوز الافتراضات القائمة على العرق لضمان تمثيل تحليلنا للسكان الذين نبنيه من أجلهم. على سبيل المثال، أعضاء قبيلة بيما الهندية أظهرت دراسة حديثة أن الأميركيين الذين يعيشون في محمية نهر جيل في ولاية أريزونا يعانون من معدلات مرتفعة للغاية من السمنة ومرض السكري من النوع الثاني، في حين يعاني أفراد نفس القبيلة الذين يعيشون عبر الحدود في جبال سييرا مادري في المكسيك من معدلات أقل بكثير من السمنة ومرض السكري، وهو ما يثبت أن العوامل الوراثية ليست العامل الوحيد.

وأخيرا، نحن بحاجة إلى منظمات مثل الجمعية الطبية الأميركية، ومكتب المنسق الوطني لتكنولوجيا المعلومات الصحية، والمنظمات المتخصصة مثل الكلية الأميركية لطب النساء والتوليد، والأكاديمية الأميركية لطب الأطفال، والكلية الأميركية لأمراض القلب، والعديد من المنظمات الأخرى للعمل معا لوضع المعايير والأطر لتبادل البيانات والحدة من التحيز.

من خلال توحيد معايير مشاركة البيانات الصحية والتوسع فيها إتش تي آي-1 و إتش تي آي-2 من خلال إلزام المطورين بالعمل مع هيئات الاعتماد، فإننا نساعد في ضمان الامتثال وتصحيح أخطاء عدم المساواة السابقة. وعلاوة على ذلك، من خلال إضفاء الطابع الديمقراطي على الوصول إلى بيانات المرضى الكاملة والدقيقة، يمكننا إزالة الغمامة التي أدت إلى استمرار التحيز واستخدام الذكاء الاصطناعي لحل التفاوتات في الرعاية من خلال رؤى أكثر شمولاً وموضوعية.