‘Wyjaśnialne’ AI Stworzone Do Diagnozowania i Leczenia Dzieci Z Niekorzystnymi Doświadczeniami Z Dzieciństwa

Naukowcy z Oak Ridge Laboratory niedawno stworzyli system AI, który ma ułatwić diagnozowanie i leczenie osób, które doświadczyły znaczącej niekorzystności w dzieciństwie. Według The Next Web, system AI jest zaprojektowany, aby być “wyjaśnialnym”, w przeciwieństwie do wielu modeli AI, które są czarnymi skrzynkami, zwracając fragmenty danych, które zostały użyte do podjęcia decyzji.

Termin “Niekorzystne Doświadczenia z Dzieciństwa” (ACEs) odnosi się do traumatycznych wydarzeń, które występują u ludzi przed ukończeniem 18 roku życia i obejmują wszystkie rodzaje nadużyć i zaniedbań, a także więzienie, uzależnienie, przemoc domowa wobec rodzica i choroby psychiczne rodzica. ACEs mogą mieć długoterminowe skutki dla rozwoju i dobrostanu ludzi, a jak w przypadku wielu problemów medycznych, wcześniejsze wykrycie i leczenie mogą poprawić wyniki dla osób zaangażowanych. Rodzaje skutecznych interwencji dla osób, które doświadczyły ACEs, są dobrze znane i zostały gruntownie zbadane, ale agencje zdrowia psychicznego często nie mają zasobów, aby zdiagnozować osobę i przeprowadzić ją przez pełny przebieg leczenia.

System AI został opracowany przez dwóch naukowców medycznych z Oak Ridge National Laboratory, Narimana Ammara i Arasha Shaban-Nejada. W niedawno opublikowanym artykule, zespół badawczy opisał rozwój i testowanie ich modelu AI, który jest zaprojektowany, aby pomóc praktykom medycznym w diagnozowaniu i leczeniu osób dotkniętych ACEs.

Model AI ma na celu sugerowanie określonych interwencji praktykom medycznym, ułatwiając im pomoc osobom cierpiącym na ACEs. Obecny proces diagnozowania osób dotkniętych ACEs jest długim i złożonym. Aby zdiagnozować osoby dotknięte ACEs, pracownicy służby zdrowia muszą uzyskać zaawansowane szkolenie w zakresie odpowiednich 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 być dość trudno dla dostawcy, aby zalecić określony typ interwencji. Poza tym, gdy już zostaną umówione wizyty w agencjach medycznych lub rządowych, będzie długa kolejka pracowników służby zdrowia i rządu, którzy zajmują się pacjentem, a oni nie muszą mieć odpowiedniej ilości szkolenia lub zrozumienia ACEs.

Aby rozwiązać te problemy, zespół badawczy opracował aplikację AI, która działa podobnie do czatu dla celów wsparcia technicznego. Osoby, które używają 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 stwierdzenia kontekstowe w przewodniku medycznym do leczenia ACEs, zalecając najlepsze działania.

Odpowiedzi na wpisy użytkowników nie są zapisane, ale są dynamiczne, używając systemu webhook, które wyzwalają i wywołują zewnętrzne punkty końcowe usług, które generują dynamiczne odpowiedzi. System AI decyduje, które pytania powinny być zadawane na podstawie odpowiedzi udzielonych na poprzednie pytania, z celem umożliwienia zebrania najbardziej przydatnych, najistotniejszych informacji w najmniejszej liczbie pytań. Jak wcześniej wspomniano, system jest również wyjaśnialny, ujawniając dane, które zostały użyte do podjęcia decyzji dotyczących interwencji. W rezultacie system jest śledzalny, a pracownicy służby zdrowia powinni być w stanie śledzić logikę używaną przez system wstecz.

System AI opracowany przez naukowców z Oak Ridge Laboratory jest jednym z pierwszych podejść opartych na danych do umożliwienia praktykom medycznym lepszego diagnozowania osób z ACEs. Chociaż jest to already osiągnięcie, możliwe jest, że ogólne podejście użyte do stworzenia systemu AI i czatu może być wykorzystane w innych dziedzinach i użyte do diagnozowania i leczenia innych form chorób psychicznych. Metody użyte do ujawnienia danych użytych do podjęcia określonych decyzji mogą również być wykorzystane do zwiększenia przejrzystości i wyjaśnialności systemów uczenia maszynowego jako całości.