Selitettävä tekoäly luotiin diagnosoidakseen ja hoitamaan lapsia, joilla on traumatisoituneet lapsuuskokemukset

Tutkijat Oak Ridge Laboratorysta ovat äskettäin luoneet tekoälyjärjestelmän, jonka tarkoituksena on helpottaa traumatisoituneiden lasten diagnosointia ja hoitoa. The Next Webin mukaan tekoälyjärjestelmä on suunniteltu “selitettäväksi”, toisin kuin monet tekoälymallit, jotka ovat mustia laatikoita, ja se palauttaa osia siitä datasta, jota se on käyttänyt päätöksentekoon.

“Traumatisoitu lapsuus” (ACEs) viittaa traumatisoiviin tapahtumiin, jotka tapahtuvat ennen 18 vuoden ikää, ja ne kattavat kaikenlaiset väkivallan ja laiminlyönnin muodot, sekä vankeuden, päihteiden käytön, perheväkivallan ja vanhemman mielenterveyden häiriöt. ACEs voi vaikuttaa elinikäisesti ihmisten kehitykseen ja hyvinvointiin, ja kuten monissa terveydenhuollon kysymyksissä, varhainen diagnosointi ja hoito voivat parantaa tuloksia. Tehokkaiden interventioiden tyypit niille, jotka ovat kokeneet ACEs, ovat hyvin tunnettuja ja tutkittuja, mutta mielenterveyden hoitopalvelut usein puuttuvat resursseista diagnosoida henkilö ja seurata häntä koko hoidon ajan.

Tekoälyjärjestelmän kehittivät kaksi lääketieteellistä tutkijaa University of Tennesseen Oak Ridge National Laboratorysta, Nariman Ammar ja Arash Shaban-Nejad. Viimeaikaisessa esitetyssä tutkimuksessa tutkijaryhmä kuvasi tekoälymallinsa kehittämisen ja testaamisen, joka on tarkoitettu avustamaan lääkäreitä diagnosoidessa ja hoitamassa ACEs-potilaita.

Tekoälymallin tarkoituksena on ehdottaa tiettyjä interventioita lääkäreille, jotta he voivat helpommin auttaa ACEs-potilaita. Nykyinen prosessi ACEs-potilaan hoidon aloittamiseksi on pitkä ja monimutkainen. Lääkäreiden on saatava koulutusta oikeanlaisiin kysymyksiin, ja sitten heidän on käytettävä näitä kysymyksiä saadakseen tietoa siitä, mitkä tapahtumat ovat muovanneet potilaan lapsuuden ja miten ne ovat vaikuttaneet häneen. Kun otetaan huomioon kaikki mahdolliset kysymys- ja vastausyhdistelmät, se voi olla hyvin vaikeaa lääkärille suositella tiettyä interventiota. Lisäksi, kun lääkäri- ja hallintoviranomaisten tapaamiset on sovittu, siellä on pitkä jonotus terveydenhuollon ja hallintoviranomaisten työntekijöille, ja heillä ei välttämättä ole oikeaa koulutusta tai ymmärrystä ACEs:stä.

Tätä varten tutkijaryhmä suunnitteli tekoälysovelluksen, joka toimii samalla tavalla kuin chatbot tukipalveluun. Sovelluksen käyttäjät syöttävät potilastiedot malliin, joka antaa suosituksen tiettyjen interventioiden toteuttamisesta tietyssä järjestyksessä, perustuen siihen tietokantaan, jolla malli on koulutettu. Malli ottaa huomioon luonnollisen kielen syötteet, tulkiten lauseita kuten “talossani ei ole lämmitystä” merkkeinä mahdollisesta lapsuuden traumasta, tarkistaa nämä kontekstuaaliset lauseet ACEs-hoidon lääketieteellisen oppaan mukaan ja suosittelee parhaita toimia.

Käyttäjän syötteiden vastaukset eivät ole kovakoodattuja, vaan ne ovat dynaamisia, ja ne käyttävät webhook-järjestelmää, joka laukaisee ja kutsuu ulkoisia palvelupäätekuoria, jotka generoivat dynaamiset vastaukset. Tekoälyjärjestelmä päättää, mitkä kysymykset tulisi esittää, perustuen aiempiin kysymyksiin annettuihin vastauksiin, ja lopullinen tavoite on mahdollistaa kaiken tarpeellisen ja relevantin tiedon kerääminen mahdollisimman vähäisellä määrällä kysymyksiä. Kuten aiemmin mainittiin, järjestelmä on myös selitettävä, ja se paljastaa datan, jota se on käyttänyt päätöksentekoon interventioiden suhteen. Tämän seurauksena järjestelmä on jäljitettävissä, ja lääkäreiden tulisi pystyä seuraamaan logiikkaa, jota järjestelmä on käyttänyt.

Oak Ridge Laboratoryn tutkijoiden kehittämä tekoälyjärjestelmä on yksi ensimmäisistä dataohjattuista lähestymistavoista, joiden avulla lääkärit voivat parantaa ACEs-potilaiden diagnosointia. Vaikka tämä on jo itsessään merkittävä saavutus, on mahdollista, että yleinen lähestymistapa, jota käytettiin tekoälyjärjestelmän ja chatbotin kehittämiseen, voisi olla sovellettavissa muihin aloihin ja käytettävissä muiden mielenterveyden häiriöiden diagnosointiin ja hoitoon. Menetelmät, joita käytettiin datan paljastamiseen, jota käytettiin tiettyjen päätösten tekemiseen, voivat myös olla hyödyllisiä lisäämään läpinäkyvyyttä ja selitettävyyttä tekoälyjärjestelmissä yleensä.