‘Wyjaśnialne’ AI stworzone do diagnozowania i leczenia dzieci z niekorzystnymi doświadczeniami z dzieciństwa

Naukowcy z Oak Ridge Laboratory niedawno stworzyli system AI, którego celem jest ułatwienie diagnozowania i leczenia osób, które doświadczyły znaczącej niekorzystności w dzieciństwie. Według The Next Web, system AI został zaprojektowany, aby być “wyjaśnialnym”, w przeciwieństwie do wielu modeli AI, które są czarnymi skrzynkami, poprzez zwracanie fragmentów danych wykorzystanych do podjęcia decyzji.

Określenie “niekorzystne doświadczenie z dzieciństwa” (ACEs) odnosi się do traumatycznych wydarzeń, które występują u ludzi przed ukończeniem 18 roku życia i obejmują wszystkie formy nadużyć i zaniedbań, a także więzienie, uzależnienie, przemoc domowa wobec rodzica oraz choroby psychiczne rodzica. ACE mogą mieć długoterminowe skutki dla rozwoju i dobrego samopoczucia ludzi, a jak w przypadku wielu problemów medycznych, wcześniejsze rozpoznanie i leczenie mogą poprawić wyniki dla osób zaangażowanych. Rodzaj skutecznych interwencji dla osób, które doświadczyły ACE, jest dobrze znany i został gruntownie zbadany, ale agencje zdrowia psychicznego często nie mają wystarczających zasobów, aby zdiagnozować osobę i przeprowadzić ją przez pełny cykl leczenia.

System AI został opracowany przez dwóch naukowców medycznych z Oak Ridge National Laboratory, Narimana Ammara i Arasha Shaban-Nejada. W niedawno opublikowanym artykule wstępnym opublikowanym w JMIR Medical Informatics, zespół badawczy opisał rozwój i testowanie swojego modelu AI, który ma na celu wspomóc praktyków medycznych w diagnozowaniu i leczeniu osób dotkniętych ACE.

Model AI ma na celu sugerowanie określonych interwencji praktykom medycznym, ułatwiając im pomoc osobom cierpiącym z powodu ACE. Obecny proces diagnostycznego leczenia osób dotkniętych ACE jest długi i skomplikowany. Aby zdiagnozować osoby dotknięte ACE, profesjonaliści medyczni muszą uzyskać zaawansowane szkolenie w odpowiednim rodzaju pytań, a następnie użyć odpowiednich pytań, aby uzyskać wgląd w to, jakie wydarzenia ukształtowały dzieciństwo danej osoby i jak te wydarzenia mogły ją wpłynąć. Biorąc pod uwagę wiele możliwych kombinacji pytań i odpowiedzi, może to być dość trudne dla dostawcy, aby zalecić określony rodzaj interwencji. Poza tym, po umówieniu spotkań z agencjami medycznymi lub rządowymi, będzie długa lista pracowników służby zdrowia i rządu zajmujących się pacjentem, a nie są one gwarantowane, aby mieć odpowiednią ilość szkolenia lub zrozumienia ACE.

Aby rozwiązać te problemy, zespół badawczy opracował aplikację AI, która działa podobnie do czatu dla celów wsparcia technicznego. Osoby, które korzystają z systemu AI, wprowadzają informacje o pacjencie do modelu, który zwraca rekomendację dotyczącą określonych interwencji według określonego harmonogramu, na podstawie bazy danych, na której został wyszkolony model. Model bierze pod uwagę dane wejściowe w języku naturalnym, interpretując frazy takie jak “mój dom nie ma ogrzewania” jako wskaźniki potencjalnej niekorzystności w dzieciństwie, sprawdzając te kontekstowe oświadczenia w przewodniku medycznym do leczenia ACE, zalecając najlepsze działania.

Odpowiedzi na wpisy użytkowników nie są zakodowane, ale są dynamiczne, wykorzystując system webhook, który wyzwala i wywołuje zewnętrzne punkty końcowe usługi, generując dynamiczne odpowiedzi. System AI decyduje, które pytania powinny być zadawane na podstawie odpowiedzi udzielonych na poprzednie pytania, a celem końcowym jest umożliwienie zebrania najbardziej przydatnych, najistotniejszych informacji w najmniejszej liczbie pytań. Jak wcześniej wspomniano, system jest również wyjaśnialny, ujawniając dane, które wykorzystał do podjęcia decyzji dotyczących interwencji. W rezultacie system jest śledzalny, a profesjonaliści medyczni powinni być w stanie śledzić logikę używaną przez system wstecz.

System AI opracowany przez naukowców z Oak Ridge Laboratory jest jednym z pierwszych danych napędzanych podejść do umożliwienia praktykom medycznym lepszego diagnozowania osób z ACE. Chociaż jest to samo w sobie imponujące osiągnięcie, możliwe, że ogólny sposób tworzenia systemu AI i czatu może być ekstrapolowany do innych dziedzin i wykorzystany do diagnozowania i leczenia innych form chorób psychicznych. Metody wykorzystane do ujawnienia danych wykorzystanych do podjęcia określonych decyzji mogą być również wykorzystane do zwiększenia przejrzystości i wyjaśnialności systemów uczenia maszynowego jako całości.