‘Εξηγητέο’ 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 στη διευκόλυνση της διάγνωσης και θεραπείας ατόμων που έχουν υποστεί σημαντική παιδική δυστυχία. Σύμφωνα με το The Next Web, το σύστημα AI σχεδιάστηκε για να είναι «εξηγητέο», σε αντίθεση με πολλά μοντέλα AI που είναι μαύρες κούκλες, επιστρέφοντας αποσπάσματα των δεδομένων που χρησιμοποιήθηκαν για να ληφθούν οι αποφάσεις.

Ο όρος «ΑντιSOCIAL Παιδικές Εμπειρίες» (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 φυλάκιση, κατάχρηση ουσιών, ενδοοικογενειακή βία εναντίον γονέα και ψυχική ασθένεια γονέα. Οι ACEs μπορούν να έχουν μακροχρόνιες επιπτώσεις στην ανάπτυξη και την ευημερία των ατόμων, και όπως και με πολλά ιατρικά προβλήματα, η πρώιμη διάγνωση και θεραπεία μπορούν να βελτιώσουν τα αποτελέσματα για τα άτομα που εμπλέκονται. Οι τύποι αποτελεσματικών παρεμβάσεων για άτομα που έχουν υποστεί ACEs είναι καλά γνωστοί και μελετημένοι, αλλά οι υπηρεσίες ψυχικής υγείας συχνά δεν διαθέτουν τους πόρους για τη διάγνωση και τη θεραπεία των ατόμων.

Το σύστημα AI αναπτύχθηκε από δύο ιατρικούς ερευνητές από το Πανεπιστήμιο του Τενεσί, Nariman Ammar και Arash Shaban-Nejad. Σε một πρόωρο έγγραφο που κυκλοφόρησε πρόσφατα μέσω του 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 bestimmμένες παρεμβάσεις στους ιατρικούς επαγγελματίες, καθιστώντας ευκολότερη τη βοήθεια των ατόμων που πάσχουν από ACEs. Η τρέχουσα διαδικασία για τη λήψη θεραπείας για άτομα που πάσχουν από ACEs είναι μια μακρά και σύνθετη διαδικασία. Για τη διάγνωση ατόμων που επηρεάζονται από ACEs, οι ιατρικοί επαγγελματίες πρέπει να λάβουν προηγμένη εκπαίδευση στο σωστό τύπο ερωτήσεων, και στη συνέχεια να χρησιμοποιήσουν τις σωστές ερωτήσεις για να αποκτήσουν έμπνευση για τα γεγονότα που σχήματισαν την παιδική ηλικία ενός ατόμου και πώς αυτά τα γεγονότα μπορεί να έχουν επηρεάσει το άτομο. Όταν λαμβάνονται υπόψη οι πολλές δυνατές συνδυασμοί ερωτήσεων και απαντήσεων, μπορεί να είναι πολύ δύσκολο για einen πάροχο να προτείνει μια συγκεκριμένη παρέμβαση. Πέρα από αυτό, μια φορά που έχουν γίνει ραντεβού με ιατρικές ή κυβερνητικές υπηρεσίες, θα υπάρχει μια μακρά σειρά ιατρικών και κυβερνητικών εργαζομένων που ασχολούνται με τον ασθενή, και δεν είναι βέβαιο ότι θα έχουν την κατάλληλη εκπαίδευση ή κατανόηση των ACEs.

Για να αντιμετωπιστούν αυτά τα προβλήματα, η ερευνητική ομάδα σχεδιάσε μια εφαρμογή AI που λειτουργεί παρόμοια με ένα chatbot για τεχνική υποστήριξη. Όσοι χρησιμοποιούν το σύστημα AI εισάγουν πληροφορίες ασθενών στο μοντέλο, το οποίο επιστρέφει μια σύσταση για bestimmμένες παρεμβάσεις σε ένα bestimmμένο πρόγραμμα, με βάση τη βάση δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου. Το μοντέλο λαμβάνει υπόψη φυσική γλώσσα, ερμηνεύοντας φράσεις όπως «το σπίτι μου δεν έχει θέρμανση» ως ενδείξεις πιθανής παιδικής δυστυχίας, ελέγχοντας αυτές τις контекστοποιημένες δηλώσεις με ένα ιατρικό οδηγό για τη θεραπεία των ACEs, προτείνοντας τις καλύτερες ενέργειες.

Οι απαντήσεις στις εισαγωγές του χρήστη δεν είναι προκατασκευασμένες, αλλά δυναμικές, χρησιμοποιώντας ένα σύστημα webhooks που ενεργοποιούν και καλούν εξωτερικούς τελικούς σημεία υπηρεσιών που γεννούν δυναμικές απαντήσεις. Το σύστημα AI αποφασίζει ποίες ερωτήσεις πρέπει να τεθούν με βάση τις απαντήσεις που δόθηκαν σε προηγούμενες ερωτήσεις, με τον τελικό στόχο να είναι η συλλογή των πιο χρήσιμων, πιο σχετικών πληροφοριών με τις λιγότερες ερωτήσεις. Όπως đã αναφερθεί προηγουμένως, το σύστημα είναι επίσης εξηγητέο, αποκαλύπτοντας τα δεδομένα που χρησιμοποιήθηκαν για να ληφθούν αποφάσεις σχετικά με 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 μια από τις πρώτες δεδομενο-κίνητες προσεγγίσεις για την ενίσχυση των ιατρικών επαγγελματιών να διαγνώσουν καλύτερα τα άτομα με ACEs. Ενώ αυτό είναι ένα εντυπωσιακό επίτευγμα από μόνο του, 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 χρησιμοποιήθηκαν για να αποκαλυφθούν τα δεδομένα που χρησιμοποιήθηκαν για να ληφθούν bestimmμένες αποφάσεις θα μπορούσαν επίσης να χρησιμοποιηθούν για να αυξήσουν τη διαφάνεια και την εξηγησιμότητα για τα συστήματα μηχανικής μάθησης ως σύνολο.