Το AI μπορεί να είναι φίλος ή εχθρός στη βελτίωση της ισότητας στην υγεία. Εδώ είναι πώς να βεβαιωθείτε ότι βοηθά, δεν βλάπτει

Οι ανισότητες στον τομέα της υγειονομικής περίθαλψης και οι ανισότητες στην περίθαλψη είναι διάχυτες μεταξύ των κοινωνικοοικονομικών, φυλετικών και φυλετικών διαφορών. Ως κοινωνία, έχουμε ηθική, ηθική και οικονομική ευθύνη να καλύψουμε αυτά τα κενά και να εξασφαλίσουμε συνεπή, δίκαιη και οικονομικά προσιτή πρόσβαση στην υγειονομική περίθαλψη για όλους.

Η Τεχνητή Νοημοσύνη (AI) βοηθά στην αντιμετώπιση αυτών των ανισοτήτων, αλλά είναι επίσης ένα δίκοπο μαχαίρι. Σίγουρα, η τεχνητή νοημοσύνη βοηθά ήδη στον εξορθολογισμό της παροχής φροντίδας, στην ενεργοποίηση της εξατομικευμένης ιατρικής σε κλίμακα και στην υποστήριξη καινοτόμων ανακαλύψεων. Ωστόσο, η εγγενής προκατάληψη στα δεδομένα, τους αλγόριθμους και τους χρήστες θα μπορούσε να επιδεινώσει το πρόβλημα αν δεν είμαστε προσεκτικοί.

Αυτό σημαίνει ότι όσοι από εμάς αναπτύσσουμε και αναπτύσσουμε λύσεις υγειονομικής περίθαλψης με γνώμονα την τεχνητή νοημοσύνη πρέπει να είμαστε προσεκτικοί για να εμποδίσουμε την τεχνητή νοημοσύνη να διευρύνει ακούσια τα υπάρχοντα κενά και τα κυβερνητικά όργανα και οι επαγγελματικές ενώσεις πρέπει να διαδραματίσουν ενεργό ρόλο στη δημιουργία προστατευτικών κιγκλιδωμάτων για την αποφυγή ή τον μετριασμό της μεροληψίας.

Δείτε πώς η μόχλευση της τεχνητής νοημοσύνης μπορεί να γεφυρώσει τα κενά ανισότητας αντί να τα διευρύνει.

Επίτευξη ισότητας στις κλινικές δοκιμές

Πολλές νέες δοκιμές φαρμάκων και θεραπειών έχουν ιστορικά μεροληπτική σχεδίαση, είτε σκόπιμα είτε όχι. Για παράδειγμα, αυτό μόλις το 1993 απαιτήθηκαν γυναίκες βάσει νόμου που θα συμπεριληφθούν στην κλινική έρευνα που χρηματοδοτείται από το NIH. Πιο πρόσφατα, Τα εμβόλια κατά του COVID δεν δοκιμάστηκαν ποτέ σκόπιμα σε έγκυες γυναίκες— Μόνο επειδή ορισμένοι συμμετέχοντες στη δοκιμή ήταν εν αγνοία τους έγκυοι τη στιγμή του εμβολιασμού, ξέραμε ότι ήταν ασφαλής.

Μια πρόκληση με την έρευνα είναι ότι δεν γνωρίζουμε αυτό που δεν γνωρίζουμε. Ωστόσο, η τεχνητή νοημοσύνη βοηθά στην αποκάλυψη μεροληπτικών συνόλων δεδομένων αναλύοντας δεδομένα πληθυσμού και επισημαίνοντας τη δυσανάλογη αντιπροσώπευση ή τα κενά στη δημογραφική κάλυψη. Με τη διασφάλιση διαφοροποιημένης αναπαράστασης και εκπαίδευσης μοντέλων τεχνητής νοημοσύνης σε δεδομένα που αντιπροσωπεύουν με ακρίβεια στοχευμένους πληθυσμούς, η τεχνητή νοημοσύνη συμβάλλει στη διασφάλιση της συμπερίληψης, στη μείωση της βλάβης και στη βελτιστοποίηση των αποτελεσμάτων.

Εξασφάλιση δίκαιης μεταχείρισης

Είναι καλά εδραιωμένο ότι οι μαύρες μέλλουσες μητέρες που βιώνουν πόνο και επιπλοκές κατά τον τοκετό συχνά αγνοούνται, με αποτέλεσμα το ποσοστό μητρικής θνησιμότητας 3 φορές υψηλότερο για τις μαύρες γυναίκες από τις μη Ισπανόφωνες λευκές γυναίκες ανεξαρτήτως εισοδήματος ή εκπαίδευσης. Το πρόβλημα διαιωνίζεται σε μεγάλο βαθμό από την εγγενή προκατάληψη: υπάρχει μια διάχυτη παρανόηση μεταξύ των επαγγελματιών γιατρών ότι Οι μαύροι έχουν μεγαλύτερη ανοχή στον πόνο από τους λευκούς.

Η μεροληψία στους αλγόριθμους τεχνητής νοημοσύνης μπορεί να επιδεινώσει το πρόβλημα: Οι ερευνητές του Χάρβαρντ ανακάλυψαν ότι ένας κοινός αλγόριθμος προέβλεψε ότι οι μαύρες και οι Λατίνα γυναίκες είχαν λιγότερες πιθανότητες να έχουν επιτυχείς κολπικούς τοκετούς μετά από καισαρική τομή (VBAC), κάτι που μπορεί να οδήγησε τους γιατρούς να εκτελούν περισσότερο C- ενότητες για έγχρωμες γυναίκες. Ωστόσο, οι ερευνητές διαπίστωσαν ότι «η συσχέτιση είναι δεν υποστηρίζεται από βιολογική αληθοφάνεια», υποδηλώνοντας ότι η φυλή είναι «ένας αντιπρόσωπος για άλλες μεταβλητές που αντικατοπτρίζουν την επίδραση του ρατσισμός για την υγεία». Ο αλγόριθμος ενημερώθηκε στη συνέχεια για να αποκλείσει τη φυλή ή την εθνικότητα κατά τον υπολογισμό του κινδύνου.

Αυτή είναι μια τέλεια εφαρμογή για την τεχνητή νοημοσύνη για την εξάλειψη της σιωπηρής μεροληψίας και την πρόταση (με στοιχεία) οδών φροντίδας που μπορεί στο παρελθόν να είχαν παραβλεφθεί. Αντί να συνεχίσουμε να ασκούμε την «τυπική φροντίδα», μπορούμε να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να προσδιορίσουμε εάν αυτές οι βέλτιστες πρακτικές βασίζονται στην εμπειρία όλων των γυναικών ή μόνο των λευκών γυναικών. Η τεχνητή νοημοσύνη βοηθά να διασφαλίσουμε ότι τα θεμέλια δεδομένων μας περιλαμβάνουν τους ασθενείς που έχουν τα περισσότερα να κερδίσουν από τις εξελίξεις στην υγειονομική περίθαλψη και την τεχνολογία.

Αν και μπορεί να υπάρχουν συνθήκες όπου η φυλή και η εθνικότητα θα μπορούσαν να είναι παράγοντες επιρροής, πρέπει να είμαστε προσεκτικοί να γνωρίζουμε πώς και πότε πρέπει να ληφθούν υπόψη και πότε απλώς ακολουθούμε την ιστορική προκατάληψη για να ενημερώσουμε τις αντιλήψεις μας και τους αλγόριθμους τεχνητής νοημοσύνης.

Παροχή δίκαιων στρατηγικών πρόληψης

Οι λύσεις τεχνητής νοημοσύνης μπορούν εύκολα να παραβλέψουν ορισμένες συνθήκες σε περιθωριοποιημένες κοινότητες χωρίς προσεκτική εξέταση για πιθανή προκατάληψη. Για παράδειγμα, η Διοίκηση Βετεράνων εργάζεται σε πολλούς αλγόριθμους για την πρόβλεψη και την ανίχνευση σημείων καρδιακών παθήσεων και καρδιακών προσβολών. Αυτό έχει τεράστιες δυνατότητες σωτηρίας, αλλά η πλειονότητα των μελετών ιστορικά δεν περιλάμβανε πολλές γυναίκες, για τις οποίες η καρδιαγγειακή νόσος είναι η νούμερο ένα αιτία θανάτου. Επομένως, είναι άγνωστο εάν αυτά τα μοντέλα είναι εξίσου αποτελεσματικά για τις γυναίκες, οι οποίες συχνά παρουσιάζουν πολύ διαφορετικά συμπτώματα από τους άνδρες.

Η συμπερίληψη ενός αναλογικού αριθμού γυναικών σε αυτό το σύνολο δεδομένων θα μπορούσε να βοηθήσει στην πρόληψη ορισμένων από τα 3.2 εκατομμύρια καρδιακές προσβολές και μισό εκατομμύριο καρδιακούς θανάτους ετησίως σε γυναίκες μέσω έγκαιρης ανίχνευσης και παρέμβασης. Ομοίως, νέα εργαλεία AI καταργούν το αλγόριθμοι με βάση τη φυλή στον προσυμπτωματικό έλεγχο νεφρικής νόσου, οι οποίες έχουν ιστορικά αποκλειστεί Μαύροι, Ισπανόφωνοι και Ιθαγενείς Αμερικανοί, με αποτέλεσμα καθυστερήσεις στη φροντίδα και κακή κλινική έκβαση.

Αντί να αποκλείει τα περιθωριοποιημένα άτομα, η τεχνητή νοημοσύνη μπορεί στην πραγματικότητα να βοηθήσει στην πρόβλεψη κινδύνων για την υγεία για υποεξυπηρετούμενους πληθυσμούς και να επιτρέψει εξατομικευμένες εκτιμήσεις κινδύνου για καλύτερη στόχευση παρεμβάσεων. Τα δεδομένα ενδέχεται να υπάρχουν ήδη. Είναι απλώς θέμα «συντονισμού» των μοντέλων για να καθοριστεί πώς η φυλή, το φύλο και άλλοι δημογραφικοί παράγοντες επηρεάζουν τα αποτελέσματα — αν επηρεάζουν καθόλου.

Βελτιώστε τις διοικητικές εργασίες

Εκτός από το ότι επηρεάζει άμεσα τα αποτελέσματα των ασθενών, η τεχνητή νοημοσύνη έχει απίστευτες δυνατότητες να επιταχύνει τις ροές εργασίας στα παρασκήνια για να μειώσει τις ανισότητες. Για παράδειγμα, εταιρείες και πάροχοι χρησιμοποιούν ήδη τεχνητή νοημοσύνη για να καλύψουν κενά σχετικά με την κωδικοποίηση και την εκδίκαση αξιώσεων, την επικύρωση των κωδικών διάγνωσης σε σχέση με τις σημειώσεις του ιατρού και την αυτοματοποίηση των διαδικασιών προέγκρισης για κοινές διαγνωστικές διαδικασίες.

Με τον εξορθολογισμό αυτών των λειτουργιών, μπορούμε να μειώσουμε δραστικά το λειτουργικό κόστος, να βοηθήσουμε τα γραφεία παρόχων να λειτουργούν πιο αποτελεσματικά και να δώσουμε στο προσωπικό περισσότερο χρόνο για να αφιερώσει τους ασθενείς, κάνοντας έτσι τη φροντίδα εκθετικά πιο προσιτή και προσβάσιμη.

Ο καθένας μας έχει έναν σημαντικό ρόλο να παίξει

Το γεγονός ότι έχουμε αυτά τα απίστευτα εργαλεία στη διάθεσή μας καθιστά ακόμη πιο επιτακτική τη χρήση τους για να ξεριζώσουμε και να ξεπεράσουμε τις προκαταλήψεις στον τομέα της υγειονομικής περίθαλψης. Δυστυχώς, δεν υπάρχει φορέας πιστοποίησης στις ΗΠΑ που να ρυθμίζει τις προσπάθειες χρήσης της τεχνητής νοημοσύνης για την «αμερόληπτη» παροχή υγειονομικής περίθαλψης, και ακόμη και για εκείνους τους οργανισμούς που έχουν διατυπώσει κατευθυντήριες γραμμές, δεν υπάρχει ρυθμιστικό κίνητρο για συμμόρφωση με αυτές.

Ως εκ τούτου, το βάρος βαρύνει εμάς ως επαγγελματίες τεχνητής νοημοσύνης, επιστήμονες δεδομένων, δημιουργούς αλγορίθμων και χρήστες να αναπτύξουμε μια συνειδητή στρατηγική για να διασφαλίσουμε τη συμπερίληψη, την ποικιλομορφία των δεδομένων και τη δίκαιη χρήση αυτών των εργαλείων και γνώσεων.

Για να γίνει αυτό, η ακριβής ολοκλήρωση και η διαλειτουργικότητα είναι απαραίτητες. Με τόσες πολλές πηγές δεδομένων—από wearables και τρίτους παρόχους εργαστηρίων και απεικόνισης μέχρι πρωτοβάθμιας περίθαλψης, ανταλλαγές πληροφοριών υγείας και αρχεία εσωτερικού νοσηλευτικού ιδρύματος—πρέπει να ενσωματώσουμε όλα αυτά τα δεδομένα, ώστε να περιλαμβάνονται βασικά κομμάτια, ανεξάρτητα από τη μορφοποίηση της πηγής μας . Ο κλάδος χρειάζεται κανονικοποίηση δεδομένων, τυποποίηση και αντιστοίχιση ταυτότητας για να βεβαιωθεί ότι περιλαμβάνονται βασικά δεδομένα ασθενών, ακόμη και με ανόμοια ορθογραφικά ονόματα ή συμβάσεις ονομασίας που βασίζονται σε διάφορους πολιτισμούς και γλώσσες.

Πρέπει επίσης να ενσωματώσουμε αξιολογήσεις ποικιλομορφίας στη διαδικασία ανάπτυξης της τεχνητής νοημοσύνης και να παρακολουθούμε για «μετατροπή» στις μετρήσεις μας με την πάροδο του χρόνου. Οι επαγγελματίες τεχνητής νοημοσύνης έχουν την ευθύνη να ελέγχουν την απόδοση του μοντέλου σε δημογραφικές υποομάδες, να διεξάγουν ελέγχους μεροληψίας και να κατανοούν πώς το μοντέλο λαμβάνει αποφάσεις. Ίσως χρειαστεί να υπερβούμε τις υποθέσεις που βασίζονται στη φυλή για να διασφαλίσουμε ότι η ανάλυσή μας αντιπροσωπεύει τον πληθυσμό για τον οποίο τη χτίζουμε. Για παράδειγμα, μέλη του Ινδική φυλή Pima που ζουν στο Gila River Reservation στην Αριζόνα έχουν εξαιρετικά υψηλά ποσοστά παχυσαρκίας και διαβήτη τύπου 2, ενώ τα μέλη της ίδιας φυλής που ζουν ακριβώς πέρα ​​από τα σύνορα στα βουνά Sierra Madre του Μεξικού έχουν πολύ χαμηλότερα ποσοστά παχυσαρκίας και διαβήτη, αποδεικνύοντας ότι Η γενετική δεν είναι ο μόνος παράγοντας.

Τέλος, χρειαζόμαστε οργανισμούς όπως η Αμερικανική Ιατρική Ένωση, το Γραφείο του Εθνικού Συντονιστή για την Τεχνολογία Πληροφοριών Υγείας και ειδικούς οργανισμούς όπως το Αμερικανικό Κολέγιο Μαιευτικής και Γυναικολογίας, η Αμερικανική Ακαδημία Παιδιατρικής, το Αμερικανικό Κολλέγιο Καρδιολογίας και πολλοί άλλοι για να συνεργαστούν να ορίσει πρότυπα και πλαίσια για την ανταλλαγή δεδομένων και την οξύτητα για την προστασία από μεροληψία.

Με την τυποποίηση της κοινής χρήσης δεδομένων υγείας και την επέκταση HTI-1 και HTI-2 Για να απαιτήσουμε από τους προγραμματιστές να συνεργαστούν με φορείς διαπίστευσης, συμβάλλουμε στη διασφάλιση της συμμόρφωσης και στη διόρθωση τυχόν προηγούμενων σφαλμάτων ανισότητας. Επιπλέον, εκδημοκρατίζοντας την πρόσβαση σε πλήρη, ακριβή δεδομένα ασθενών, μπορούμε να αφαιρέσουμε τις παρωπίδες που έχουν διαιωνίσει την προκατάληψη και να χρησιμοποιήσουμε την τεχνητή νοημοσύνη για να επιλύσουμε τις ανισότητες στη φροντίδα μέσω πιο ολοκληρωμένων, αντικειμενικών πληροφοριών.