Açıklanabilir AI, Çocukluk Çağında Olumsuz Deneyimler Yaşayan Çocukları Teşhis ve Tedavi Etmek için Oluşturuldu

Oak Ridge Laboratuvarı’ndan araştırmacılar, önemli çocukluk zorlukları yaşayan bireylerin teşhis ve tedavisini kolaylaştırmak amacıyla bir AI sistemi oluşturdu. The Next Web göre, AI sistemi, birçok AI modelinin aksine, kararlarını verme sürecinde kullandığı verileri geri döndürerek “açıklanabilir” olarak tasarlandı.

“Adverse Childhood Experience” (ACEs) terimi, 18 yaşından önce meydana gelen travmatik olayları ifade eder ve bu olaylar arasında çeşitli türden istismar ve ihmal ile birlikte ebeveynlerin tutuklanması, madde bağımlılığı, ebeveynlere yönelik aile içi şiddet ve ebeveynlerin akıl hastalığı gibi durumlar bulunur. ACE’ler, insanların gelişimi ve refahı üzerinde yaşam boyu etkileri olabilir ve birçok tıbbi vấnida olduğu gibi, erken teşhis ve tedavi, ilgili kişiler için sonuçları iyileştirebilir. ACE’leri yaşayan kişiler için etkili müdahaleler iyi bilinmektedir, ancak ruh sağlığı tedavi ajansları genellikle bir kişiyi teşhis etmek ve tam tedavi sürecinde görmek için gerekli kaynaklara sahip değildir.

AI sistemi, Tennessee Üniversitesi’nin Oak Ridge Ulusal Laboratuvarı’ndan iki tıp araştırmacısı olan Nariman Ammar ve Arash Shaban-Nejad tarafından geliştirildi. JMIR Medical Informatics aracılığıyla yakın zamanda yayımlanan bir ön baskı makalesinde, araştırma ekibi, ACE’lerden etkilenen kişilerin teşhis ve tedavisine yardımcı olmak amacıyla tasarlanan AI modelinin geliştirilmesini ve test edilmesini tanıttı.

AI modeli, tıbbi uygulayıcılar için belirli müdahaleleri önermek amacıyla tasarlandı, böylece uygulayıcıların ACE’lerden etkilenen kişilere yardım etmesi daha kolay hale geldi. ACE’lerden etkilenen bir kişiye tedavi sağlamak için mevcut süreç uzun ve karmaşıktır. ACE’lerden etkilenen kişileri teşhis etmek için, tıbbi profesyonellerin doğru türde soruları sormak için ileri düzeyde eğitim alması, ardından bu soruları kullanarak bir kişinin çocukluğunu şekillendiren olaylar hakkında ve bu olayların kişi üzerinde nasıl bir etkiye sahip olabileceği hakkında bilgi edinmesi gerekir. Potansiyel soru ve cevap kombinasyonlarını dikkate aldığında, bir uygulayıcı için belirli bir müdahale türü önermek oldukça zor olabilir. Bunun ötesinde, tıbbi veya hükümet ajansları ile randevular ayarlandıktan sonra, bir dizi sağlık ve hükümet çalışanı hasta ile ilgilenir ve bunların ACE’ler hakkında doğru düzeyde eğitim veya anlayışa sahip olması garantisi yoktur.

Bu sorunları ele almak için, araştırma ekibi, teknoloji destek amaçları için bir sohbet botu gibi çalışan bir AI uygulaması tasarladı. AI sistemini kullananlar, hasta bilgilerini modele girer, model ise eğitim aldığı veritabanına dayanarak belirli bir müdahale zamanlaması için önerilerde bulunur. Model, “evimde ısınma yok” gibi ifadeleri potansiyel çocukluk zorluğu göstergeleri olarak yorumlar, bu bağlamsal ifadeleri ACE’lerin tedavisi için bir tıbbi kılavuza karşı kontrol eder ve en iyi eylemleri önerir.

Kullanıcı girişlerine verilen yanıtlar önceden belirlenmiş değildir, bunun yerine, dış hizmet uç noktalarını tetikleyen ve çağıran bir web kancası sistemi kullanarak dinamiktir. AI sistemi, önceki sorulara verilen yanıtlara dayanarak hangi soruların sorulacağını belirler, nihai hedef, en faydalı ve en ilgili bilgileri en az sayıda soru ile toplamak olur. Daha önce de bahsedildiği gibi, sistem ayrıca açıklanabilirlik özelliğine sahiptir ve aldığı kararlar için kullandığı verileri ortaya koyar. Sonuç olarak, sistem izlenebilir ve tıbbi profesyonellerin sistem tarafından kullanılan mantığı geriye doğru izlemesi mümkün olmalıdır.

Oak Ridge Laboratuvarı araştırmacıları tarafından geliştirilen AI sistemi, ACE’leri teşhis etmek ve tedavi etmek için tıbbi uygulayıcıları desteklemek amacıyla kullanılan ilk veri odaklı yaklaşımlardan biridir. Bu, itself bir başarıdır, ancak AI sistemini ve sohbet botunu oluşturmak için kullanılan genel yaklaşımın, diğer alanlara uygulanabileceği ve diğer türdeki zihinsel hastalıkları teşhis ve tedavi etmek için kullanılabileceği mümkündür. Kararlara varmak için kullanılan verilerin açıklanması için kullanılan yöntemler, ayrıca makine öğrenimi sistemlerinin şeffaflığını ve açıklanabilirliğini artırmak için kullanılabilir.