ابزار هوش مصنوعی با مشاوره مانند یک همکار اعتماد پزشکان را جلب می کند

بیمارستان‌ها شروع به استفاده از «ابزارهای پشتیبانی تصمیم» با هوش مصنوعی کرده‌اند که می‌توانند بیماری را تشخیص دهند، درمان را پیشنهاد کنند یا نتیجه جراحی را پیش‌بینی کنند. اما هیچ الگوریتمی همیشه درست نیست، بنابراین چگونه پزشکان می‌دانند چه زمانی به توصیه‌های هوش مصنوعی اعتماد کنند؟

یک مطالعه جدید به رهبری کیان یانگ، استادیار علوم اطلاعات در کالج محاسباتی و علوم اطلاعات کورنل آن اس بورز، نشان می‌دهد که اگر ابزارهای هوش مصنوعی می‌توانند مانند یک همکار به پزشک مشاوره دهند – با اشاره به تحقیقات زیست پزشکی مرتبط که از این تصمیم حمایت می‌کند – آنگاه پزشکان بهتر می توانند محاسن توصیه را بسنجید.

محققان مطالعه جدید را با عنوان “استفاده از ادبیات زیست پزشکی برای کالیبره کردن اعتماد پزشکان به سیستم های پشتیبانی تصمیم گیری هوش مصنوعی” در آوریل در کنفرانس CHI انجمن ماشین های محاسباتی در مورد عوامل انسانی در سیستم های محاسباتی ارائه خواهند کرد.

پیش از این، بیشتر محققان هوش مصنوعی با توضیح نحوه عملکرد الگوریتم زیربنایی یا داده‌هایی که برای آموزش هوش مصنوعی استفاده شده‌اند، به پزشکان کمک کرده‌اند تا پیشنهادات ابزارهای پشتیبانی تصمیم را ارزیابی کنند. یانگ گفت، اما آموزش در مورد چگونگی پیش‌بینی‌های هوش مصنوعی کافی نبود. بسیاری از پزشکان می خواستند بدانند که آیا این ابزار در آزمایشات بالینی تأیید شده است یا خیر، که معمولاً با این ابزارها اتفاق نمی افتد.

یانگ می‌گوید: «وظیفه اصلی یک پزشک یادگیری نحوه عملکرد هوش مصنوعی نیست. اگر بتوانیم سیستم‌هایی بسازیم که بر اساس نتایج کارآزمایی‌های بالینی و مقالات ژورنالی که اطلاعات قابل اعتمادی برای پزشکان هستند، به تأیید پیشنهادهای هوش مصنوعی کمک کند، می‌توانیم به آنها کمک کنیم تا بفهمند که آیا هوش مصنوعی احتمالاً برای هر مورد خاص درست است یا نادرست.»

برای توسعه این سیستم، محققان ابتدا با نه پزشک در طیف وسیعی از تخصص ها و سه کتابدار بالینی مصاحبه کردند. آنها کشف کردند که وقتی پزشکان در مورد روش صحیح اقدام با هم اختلاف نظر دارند، نتایج حاصل از تحقیقات زیست پزشکی مرتبط و مطالعات موردی را با در نظر گرفتن کیفیت هر مطالعه و میزان تطبیق آن با مورد مورد نظر پیگیری می کنند.

یانگ و همکارانش نمونه اولیه ابزار تصمیم گیری بالینی خود را ساختند که این فرآیند را با ارائه شواهد زیست پزشکی در کنار توصیه هوش مصنوعی تقلید می کند. آنها از GPT-3 برای یافتن و خلاصه کردن تحقیقات مرتبط استفاده کردند. (ChatGPT شاخه شناخته شده GPT-3 است که برای گفتگوی انسانی طراحی شده است.)

یانگ گفت: «ما سیستمی ساختیم که اساساً سعی می‌کند ارتباطات بین فردی را که وقتی پزشکان به یکدیگر پیشنهاد می‌دهند مشاهده می‌کردیم، بازسازی کند و همان نوع شواهد را از ادبیات بالینی برای حمایت از پیشنهاد هوش مصنوعی به دست می‌آورد.

رابط ابزار پشتیبانی تصمیم، اطلاعات بیمار، تاریخچه پزشکی و نتایج آزمایشات آزمایشگاهی را از یک طرف، با تشخیص شخصی یا پیشنهاد درمانی هوش مصنوعی از سوی دیگر، و به دنبال آن مطالعات بیوپزشکی مربوطه فهرست می‌کند. در پاسخ به بازخورد پزشک، محققان یک خلاصه کوتاه برای هر مطالعه اضافه کردند که جزئیات جمعیت بیمار، مداخلات پزشکی و نتایج بیمار را برجسته می‌کرد تا پزشکان بتوانند به سرعت مهم‌ترین اطلاعات را جذب کنند.

تیم تحقیقاتی ابزارهای پشتیبانی تصمیم گیری اولیه را برای سه تخصص -عصب شناسی، روانپزشکی و مراقبت های تسکینی- توسعه دادند و از سه پزشک از هر تخصص خواستند تا نمونه اولیه را با ارزیابی موارد نمونه آزمایش کنند.

در مصاحبه‌ها، پزشکان گفتند که از شواهد بالینی قدردانی می‌کنند، آن‌ها را بصری و قابل درک می‌دانند و آن را به توضیح عملکرد درونی هوش مصنوعی ترجیح می‌دهند.

یانگ گفت: «این یک روش بسیار قابل تعمیم است. این نوع رویکرد می‌تواند برای همه تخصص‌های پزشکی و سایر کاربردهایی که به شواهد علمی نیاز است، مانند پلت‌فرم‌های پرسش و پاسخ برای پاسخ به سؤالات بیمار یا حتی بررسی خودکار واقعیت‌های اخبار مرتبط با سلامت، کارایی داشته باشد. “امیدوارم که آن را در انواع مختلف سیستم های هوش مصنوعی که در حال توسعه هستند تعبیه شده ببینم تا بتوانیم آنها را برای تمرین بالینی مفید کنیم.”