‘Объяснимый’ ИИ Создан Для Диагностики и Лечения Детей С Травматическим Детством

Исследователи из лаборатории Oak Ridge недавно создали систему ИИ, предназначенную для облегчения диагностики и лечения людей, переживших значительную травму в детстве. Согласно The Next Web, система ИИ предназначена быть “объяснимой”, в отличие от многих моделей ИИ, которые являются черными ящиками, возвращая фрагменты данных, использованных для принятия решений.

Термин “Травматическое детство” (ACEs) относится к травматическим событиям, которые происходят с людьми до 18 лет и включают все формы虐待 и пренебрежения, а также тюремное заключение, злоупотребление веществами, домашнее насилие в отношении родителя и психические заболевания родителя. ACEs могут иметь пожизненные последствия для развития и благополучия людей, и, как и многие медицинские проблемы, раннее обнаружение и лечение могут улучшить результаты для людей. Тип эффективных вмешательств для тех, кто пережил ACEs, хорошо известен и хорошо изучен, но агентства психического здоровья часто не имеют ресурсов для диагностики человека и прохождения полного курса лечения.

Систему ИИ разработали два медицинских исследователя из Университета Теннесси лаборатории Oak Ridge, Нариман Аммар и Араш Шабан-Неджад. В недавно опубликованной статье в JMIR Medical Informatics исследовательская группа описала разработку и тестирование своей модели ИИ, предназначенной для помощи медицинским работникам в диагностике и лечении людей, пострадавших от ACEs.

Модель ИИ предназначена для предложения определенных вмешательств медицинским работникам, что облегчает им помощь людям, страдающим от ACEs. Текущий процесс получения лечения для человека, страдающего от ACE, является длительным и сложным. Чтобы диагностировать людей, пострадавших от ACE, медицинским работникам необходимо пройти специальную подготовку по правильным вопросам, а затем использовать эти вопросы, чтобы получить представление о том, какие события сформировали детство человека и как эти события могли повлиять на него. Учитывая многие потенциальные комбинации вопросов и ответов, может быть довольно сложно для поставщика рекомендовать определенный тип вмешательства. Кроме того, после того, как назначены встречи с медицинскими или государственными агентствами, будет длинная очередь медицинских работников и государственных служащих, занимающихся пациентом, и они не гарантируют наличие необходимой подготовки или понимания ACEs.

Чтобы решить эти проблемы, исследовательская группа разработала приложение ИИ, работающее подобно чат-боту для технической поддержки. Те, кто использует систему ИИ, вводят информацию о пациенте в модель, которая возвращает рекомендацию по определенным вмешательствам на определенный график, основанный на базе данных, на которой была обучена модель. Модель учитывает естественные языковые входные данные, интерпретируя фразы, такие как “в моем доме нет отопления”, как индикаторы потенциальной детской травмы, проверяя эти контекстные утверждения против медицинского руководства по лечению ACEs, рекомендации лучших действий.

Ответы на ввод пользователя не являются жестко закодированными, а являются динамическими, используя систему веб-хуков, которые запускают и вызывают внешние конечные точки службы, которые генерируют динамические ответы. Система ИИ решает, какие вопросы следует задать, на основе ответов, данных на предыдущие вопросы, с конечной целью – облегчить сбор наиболее полезной, наиболее актуальной информации за наименьшее количество вопросов. Как упоминалось ранее, система также является объяснимой, раскрывая данные, использованные для принятия решений по вмешательствам. В результате система является отслеживаемой, и медицинским работникам должно быть возможно следовать логике, использованной системой, назад.

Система ИИ, разработанная исследователями лаборатории Oak Ridge, является одним из первых данных подходов к облегчению медицинским работникам лучшей диагностики людей с ACEs. Хотя это уже является впечатляющим достижением, возможно, что общий подход, использованный для создания системы ИИ и чат-бота, мог бы быть экстраполирован на другие области и использован для диагностики и лечения других форм психических заболеваний. Методы, использованные для раскрытия данных, использованных для принятия определенных решений, также могли бы быть использованы для увеличения прозрачности и объяснимости для систем машинного обучения в целом.