‘AI yang Dapat Dijelaskan’ Dibuat untuk Mendiagnosis dan Mengobati Anak-Anak dengan Pengalaman Masa Kecil yang Tidak Menguntungkan

Peneliti dari Oak Ridge Laboratory baru-baru ini menciptakan sistem AI yang dimaksudkan untuk memfasilitasi diagnosis dan pengobatan individu yang telah mengalami kesulitan masa kecil yang signifikan. Menurut The Next Web, sistem AI ini dirancang untuk “dapat dijelaskan”, tidak seperti banyak model AI yang merupakan kotak hitam, dengan mengembalikan potongan-potongan data yang digunakan untuk membuat keputusannya.

Istilah “Pengalaman Masa Kecil yang Tidak Menguntungkan” (ACEs) mengacu pada peristiwa traumatis yang terjadi pada orang sebelum usia 18 dan mencakup semua bentuk pelecehan dan pengabaian serta penahanan, penyalahgunaan zat, kekerasan dalam rumah tangga terhadap orang tua, dan penyakit mental orang tua. ACEs dapat memiliki efek seumur hidup pada perkembangan dan kesejahteraan seseorang, dan seperti banyak masalah medis, deteksi dan pengobatan dini dapat memperbaiki hasil bagi orang yang terlibat. Jenis intervensi yang efektif untuk mereka yang telah mengalami ACEs sudah diketahui dan dipelajari dengan baik, tetapi lembaga pengobatan kesehatan mental sering kekurangan sumber daya untuk mendiagnosis seseorang dan melihat mereka melalui kursus pengobatan penuh.

Sistem AI ini dikembangkan oleh dua peneliti medis dari Laboratorium Nasional Oak Ridge Universitas Tennessee, Nariman Ammar dan Arash Shaban-Nejad. Dalam sebuah makalah pra-cetak yang baru-baru ini diterbitkan melalui JMIR Medical Informatics, tim peneliti menjelaskan pengembangan dan pengujian model AI mereka, yang dirancang untuk membantu praktisi medis dalam mendiagnosis dan mengobati mereka yang terkena ACEs.

Model AI ini dimaksudkan untuk menyarankan beberapa intervensi kepada praktisi medis, membuatnya lebih mudah bagi praktisi untuk membantu orang yang menderita ACEs. Proses saat ini untuk mendapatkan pengobatan bagi seseorang yang menderita ACEs adalah proses yang panjang dan kompleks. Untuk mendiagnosis orang yang terkena ACEs, profesional medis harus menerima pelatihan lanjutan tentang jenis pertanyaan yang tepat untuk ditanyakan, kemudian menggunakan pertanyaan yang tepat untuk mendapatkan wawasan tentang peristiwa yang membentuk masa kecil seseorang dan bagaimana peristiwa tersebut mungkin telah mempengaruhinya. Ketika mempertimbangkan banyak kombinasi potensial dari pertanyaan dan jawaban, dapat menjadi cukup sulit bagi seorang penyedia untuk merekomendasikan jenis intervensi tertentu. Di luar itu, setelah janji temu dengan lembaga medis atau pemerintah telah dibuat, akan ada barisan panjang pekerja kesehatan dan pemerintah yang menangani pasien, dan mereka tidak dijamin memiliki pelatihan atau pemahaman yang tepat tentang ACEs.

Untuk mengatasi masalah ini, tim peneliti merancang aplikasi AI yang bekerja mirip dengan chatbot untuk tujuan dukungan teknis. Mereka yang menggunakan sistem AI ini memasukkan informasi pasien ke dalam model, yang kemudian mengembalikan rekomendasi untuk beberapa intervensi pada jadwal tertentu, berdasarkan database yang digunakan untuk melatih model. Model ini mempertimbangkan input bahasa alami, menafsirkan frasa seperti “rumah saya tidak memiliki pemanas” sebagai indikator potensial dari kesulitan masa kecil, memeriksa pernyataan kontekstual ini terhadap panduan medis untuk pengobatan ACEs, merekomendasikan tindakan terbaik.

Respon terhadap entri pengguna tidak dikodekan sebelumnya, melainkan dinamis, menggunakan sistem webhook yang memicu dan mengaktifkan titik akhir layanan eksternal yang menghasilkan respon dinamis. Sistem AI memutuskan pertanyaan mana yang harus diajukan berdasarkan respon yang diberikan untuk pertanyaan sebelumnya, dengan tujuan akhir untuk memungkinkan pengumpulan informasi yang paling berguna, paling relevan dalam pertanyaan yang paling sedikit. Seperti yang disebutkan sebelumnya, sistem ini juga dapat dijelaskan, memaparkan data yang digunakan untuk membuat keputusan tentang intervensi. Sebagai hasilnya, sistem ini dapat dilacak, dan profesional medis seharusnya dapat mengikuti logika yang digunakan oleh sistem ke belakang.

Sistem AI yang dikembangkan oleh peneliti Laboratorium Oak Ridge adalah salah satu pendekatan data-driven pertama untuk memungkinkan praktisi medis untuk lebih baik mendiagnosis orang dengan ACEs. Sementara ini adalah pencapaian yang mengesankan itu sendiri, memungkinkan bahwa pendekatan umum yang digunakan untuk membuat sistem AI dan chatbot dapat diperluas ke domain lain dan digunakan untuk mendiagnosis dan mengobati bentuk lain dari penyakit mental. Metode yang digunakan untuk memaparkan data yang digunakan untuk membuat keputusan tertentu juga dapat digunakan untuk meningkatkan transparansi dan keterjelasan untuk sistem pembelajaran mesin secara keseluruhan.