‘Εξηγήσιμη’ AI Δημιουργήθηκε Για Τη Διάγνωση και Θεραπεία Παιδιών Με ΑντιSOCIAL Παιδικές Εμπειρίες

Ερευνητές από το Εργαστήριο Oak Ridge έχουν πρόσφατα δημιουργήσει ένα σύστημα AI που αποσκοπεί στην διευκόλυνση της διάγνωσης και της θεραπείας ατόμων που έχουν υποστεί σημαντική παιδική δυσμενή εμπειρία. Σύμφωνα με το The Next Web, το σύστημα AI σχεδιάστηκε για να είναι “εξηγήσιμο”, σε αντίθεση με πολλά μοντέλα AI που είναι μαύρες κούκλες, επιστρέφοντας αποσπάσματα των δεδομένων που χρησιμοποιήθηκαν για την απόδοση των αποφάσεων του. Ο όρος “ΑντιSOCIAL Παιδική Εμπειρία” (ACEs) αναφέρεται σε τραυματικά γεγονότα που συμβαίνουν σε άτομα πριν την ηλικία των 18 ετών και περιλαμβάνουν όλες τις μορφές κακοποίησης και παραμέλησης, καθώς και τη φυλάκιση, την κατάχρηση ουσιών, τη βία στο σπίτι προς einen γονέα και τη ψυχική ασθένεια eines γονέα. Οι ACEs μπορούν να έχουν μακροχρόνιες επιπτώσεις στην ανάπτυξη και την ευεξία των ατόμων, και όπως και με πολλά ιατρικά προβλήματα, η πρώιμη διάγνωση και θεραπεία μπορεί να βελτιώσει τα αποτελέσματα για τα άτομα που εμπλέκονται. Ο τύπος των αποτελεσματικών παρεμβάσεων για εκείνους που έχουν υποστεί ACEs είναι καλά γνωστός και καλά μελετημένος, αλλά οι υπηρεσίες ψυχικής υγείας συχνά δεν διαθέτουν τους πόρους για τη διάγνωση ενός ατόμου και να το παρακολουθούν καθ’ όλη τη διάρκεια της θεραπείας. Το σύστημα AI αναπτύχθηκε από δύο ιατρικούς ερευνητές από το Πανεπιστήμιο του Τενεσί, Nariman Ammar και Arash Shaban-Nejad. Σε ένα προδημοσίευμα που κυκλοφόρησε πρόσφατα через το JMIR Medical Informatics, η ερευνητική ομάδα περιέγραψε την ανάπτυξη και τον έλεγχο του μοντέλου AI, το οποίο σχεδιάστηκε για να βοηθήσει τους ιατρικούς επαγγελματίες στη διάγνωση και θεραπεία των ατόμων που επηρεάζονται από ACEs. Το μοντέλο AI προορίζεται να προτείνει bestimmtes παρεμβάσεις στους ιατρικούς επαγγελματίες, καθιστώντας ευκολότερη για τους επαγγελματίες να βοηθήσουν τα άτομα που πάσχουν από ACEs. Η τρέχουσα διαδικασία για τη λήψη ενός ατόμου που πάσχει από ACE θεραπείας είναι μια μακρά και σύνθετη διαδικασία. Για τη διάγνωση ατόμων που επηρεάζονται από ACEs, οι ιατρικοί επαγγελματίες πρέπει να λάβουν προηγμένη εκπαίδευση στον σωστό τύπο ερωτήσεων, και στη συνέχεια να χρησιμοποιήσουν τις σωστές ερωτήσεις για να αποκτήσουν εποπτική στην τιμή των γεγονότων που σήμανε την παιδική ηλικία ενός ατόμου και πώς τα γεγονότα μπορεί να έχουν επηρεάσει. Όταν ληφθούν υπόψη οι πολλές πιθανές συνδυασμοί ερωτήσεων και απαντήσεων, μπορεί να είναι khá δύσκολο για einen παρόχων να συστήσει einen bestimmten τύπο παρέμβασης. Πέρα από αυτό, όταν οι συναντήσεις με ιατρικές ή κυβερνητικές υπηρεσίες έχουν οριστεί, θα υπάρχει μια μακρά σειρά υγειονομικών και κυβερνητικών εργαζομένων που ασχολούνται με einen ασθενή, και δεν εγγυώνται ότι θα έχουν την κατάλληλη ποσότητα εκπαίδευσης ή κατανόησης των ACEs. Για να αντιμετωπιστούν αυτά τα ζητήματα, η ερευνητική ομάδα σχεδίασε μια εφαρμογή AI που λειτουργεί παρόμοια με einen chatbot για τεχνική υποστήριξη. Όσοι χρησιμοποιούν το σύστημα AI εισάγουν πληροφορίες ασθενών στο μοντέλο, το οποίο επιστρέφει μια σύσταση για bestimmtes παρεμβάσεις σε einen bestimmten χρονοδιάγραμμα, με βάση τη βάση δεδομένων που το μοντέλο εκπαιδεύτηκε. Το μοντέλο λαμβάνει υπόψη φυσική γλώσσα εισαγωγών, ερμηνεύοντας φράσεις όπως “το σπίτι μου δεν έχει θέρμανση” ως ενδείξεις πιθανής παιδικής δυσμενής εμπειρίας, ελέγχοντας αυτές τις контекστοποιημένες δηλώσεις έναντι ενός ιατρικού οδηγού για τη θεραπεία των ACEs, προτείνοντας τις καλύτερες ενέργειες. Οι απαντήσεις στις εισαγωγές χρηστών δεν είναι hardcoded, αλλά είναι δυναμικές, χρησιμοποιώντας ένα σύστημα webhooks που ενεργοποιούν και καλούν εξωτερικούς τελικούς σημείων υπηρεσιών που γεννούν δυναμικές απαντήσεις. Το σύστημα AI αποφασίζει ποιες ερωτήσεις πρέπει να τεθούν με βάση τις απαντήσεις που δόθηκαν σε προηγούμενες ερωτήσεις, με το τελικό στόχο να είναι η ενεργοποίηση της συλλογής των πιο χρήσιμων, πιο σχετικών πληροφοριών στις λιγότερες ερωτήσεις. Όπως đã αναφερθεί προηγουμένως, το σύστημα είναι επίσης εξηγήσιμο, εκθέτοντας τα δεδομένα που χρησιμοποιήθηκαν για να ληφθούν αποφάσεις σχετικά με τις παρεμβάσεις. Ως αποτέλεσμα, το σύστημα είναι ιχνηλατό, και οι ιατρικοί επαγγελματίες πρέπει να能够 να ακολουθήσουν την λογική που χρησιμοποιήθηκε από το σύστημα προς τα πίσω. Το σύστημα AI που αναπτύχθηκε από τους ερευνητές του Εργαστηρίου Oak Ridge είναι ένα από τα πρώτα δεδομένα-κίνητα προσεγγίσεις για την ενεργοποίηση των ιατρικών επαγγελματιών να διαγνώσουν καλύτερα άτομα με ACEs. Ενώ αυτό είναι ένα εντυπωσιακό επίτευγμα, είναι δυνατό ότι η γενική προσέγγιση που χρησιμοποιήθηκε για τη δημιουργία του συστήματος AI και του chatbot θα μπορούσε να εξαχθεί σε άλλους τομείς και να χρησιμοποιηθεί για τη διάγνωση και θεραπεία άλλων μορφών ψυχικής ασθένειας. Οι μέθοδοι που χρησιμοποιούνται για την έκθεση των δεδομένων που χρησιμοποιήθηκαν για να ληφθούν bestimmtes αποφάσεις θα μπορούσαν επίσης να χρησιμοποιηθούν για να αυξήσουν τη διαφάνεια και την εξηγήσιμη για συστήματα machine learning ως σύνολο.