“Izskaidrojams” mākslīgais intelekts, kas izveidots, lai diagnosticētu un ārstētu bērnus ar nelabvēlīgu bērnības pieredzi

Pētnieki no Oak Ridge Laboratory nesen ir izveidojuši AI sistēmu, kas paredzēta, lai atvieglotu to personu diagnostiku un ārstēšanu, kuras ir piedzīvojušas ievērojamas bērnības grūtības. Saskaņā ar The Next WebAI sistēma ir izstrādāta tā, lai tā būtu “izskaidrojama”, atšķirībā no daudziem mākslīgā intelekta modeļiem, kas ir melnās kastes, atgriežot datu fragmentus, kas izmantoti lēmumu pieņemšanai.

Termins "nelabvēlīga bērnības pieredze" (ACE) attiecas uz traumatiskiem notikumiem, kas notiek cilvēkiem pirms 18 gadu vecuma, un tie ietver visu veidu vardarbību un nolaidību, kā arī ieslodzījumu, vielu lietošanu, vardarbību ģimenē pret vecākiem un garīgas slimības. no vecāka. ACES var ietekmēt cilvēku attīstību un labklājību visa mūža garumā, un, tāpat kā daudzu medicīnisku problēmu gadījumā, agrāka atklāšana un ārstēšana var uzlabot iesaistīto cilvēku rezultātus. Efektīvas iejaukšanās veidi tiem, kam ir bijusi AKE, ir labi zināmi un labi izpētīti, taču garīgās veselības aprūpes aģentūrām bieži trūkst resursu, lai diagnosticētu personu un redzētu viņu pilnā ārstēšanas kursa laikā.

AI sistēmu izstrādāja divi medicīnas pētnieki no Tenesī universitātes Ouk Ridžas Nacionālās laboratorijas Narimans Ammars un Arass Šabans-Nejads. Nesen kādā pirmsdrukas papīrā izlaists caur JMIR Medical Informatics, pētnieku grupa aprakstīja sava AI modeļa izstrādi un testēšanu, kas izstrādāts, lai palīdzētu ārstiem diagnosticēt un ārstēt AKE skartos pacientus.

AI modelis ir paredzēts, lai ieteiktu praktizējošiem ārstiem noteiktu iejaukšanos, atvieglojot praktizētājiem palīdzēt cilvēkiem, kuri cieš no AKE. Pašreizējais process, lai saņemtu indivīdu, kas cieš no AKE ārstēšanas, ir garš un sarežģīts. Lai diagnosticētu cilvēkus, kurus skārusi AKE, medicīnas speciālistiem ir jāsaņem padziļināta apmācība par pareizo jautājumu veidu, ko uzdot, un pēc tam jāizmanto pareizie jautājumi, lai gūtu ieskatu par to, kādi notikumi veidoja cilvēka bērnību un kā notikumi viņus varētu ietekmēt. Apsverot daudzās dažādās iespējamās jautājumu un atbilžu kombinācijas, pakalpojumu sniedzējam var būt diezgan grūti ieteikt konkrētu iejaukšanās veidu. Turklāt, tiklīdz tiks veiktas tikšanās ar medicīnas vai valsts aģentūrām, veselības aprūpes un valdības darbinieku rindas, kas nodarbojas ar pacientu, būs garas, un viņiem netiek garantēts, ka viņiem būs pareiza apmācība vai izpratne par AKE.

Lai risinātu šīs problēmas, pētniecības grupa izstrādāja AI lietojumprogrammu, kas tehniskā atbalsta nolūkos darbojas līdzīgi tērzēšanas robotam. Tie, kas izmanto AI sistēmu, ievada pacienta informāciju modelī, kas atgriež ieteikumus noteiktām intervencēm noteiktā grafikā, pamatojoties uz datubāzi, kurā modelis tika apmācīts. Modelis ņem vērā dabiskās valodas ievadi, interpretējot tādas frāzes kā “manā mājā nav apkures” kā iespējamo bērnības nelaimju rādītājus, salīdzinot šos kontekstuālos apgalvojumus ar medicīnisko ceļvedi AKE ārstēšanai, iesakot labākos pasākumus.

Atbildes uz lietotāju ierakstiem nav kodētas, drīzāk tās ir dinamiskas, izmantojot tīmekļa aizķeru sistēmu, kas aktivizē un izsauc ārējos pakalpojuma galapunktus, kas ģenerē dinamiskās atbildes. AI sistēma izlemj, kuri jautājumi ir jāuzdod, pamatojoties uz atbildēm, kas sniegtas uz iepriekšējiem jautājumiem, un gala mērķis ir nodrošināt visnoderīgāko, visatbilstošāko informāciju par mazāko jautājumu skaitu. Kā minēts iepriekš, sistēma ir arī izskaidrojama, atklājot datus, ko tā izmantoja, lai pieņemtu lēmumus par intervencēm. Rezultātā sistēma ir izsekojama, un medicīnas speciālistiem jāspēj sekot sistēmas izmantotajai loģikai atpakaļ.

Oak Ridge laboratorijas pētnieku izstrādātā mākslīgā intelekta sistēma ir viena no pirmajām uz datiem balstītām pieejām, kas ļauj praktizējošiem ārstiem labāk diagnosticēt cilvēkus ar AKE. Lai gan tas pats par sevi ir iespaidīgs sasniegums, iespējams, ka AI sistēmas un tērzēšanas robota izveidei izmantoto vispārējo pieeju varētu ekstrapolēt citās jomās un izmantot citu garīgo slimību veidu diagnosticēšanai un ārstēšanai. Metodes, ko izmanto, lai atklātu datus, ko izmanto noteiktu lēmumu pieņemšanai, varētu arī izmantot, lai palielinātu mašīnmācīšanās sistēmu pārredzamību un izskaidrojamību kopumā.