Η Τεχνητή Νοημοσύνη δεν αποτελεί πλέον μια τεχνολογία του μέλλοντος. Μέσα σε λίγα χρόνια, εργαλεία βασισμένα σε μεγάλα γλωσσικά μοντέλα (Large Language Models – LLMs), generative AI και συστήματα μηχανικής μάθησης, πέρασαν από τα ερευνητικά εργαστήρια στην καθημερινότητα εκατομμυρίων χρηστών και σταδιακά εισέρχονται και στην κλινική πράξη.
Για τους ιατρούς, το ζήτημα δεν είναι πλέον εάν η AI θα επηρεάσει το επάγγελμά τους. Το ουσιαστικό ερώτημα είναι με ποιον τρόπο θα επηρεάσει την Ιατρική και ποιος θα συμμετέχει στη διαμόρφωση αυτού του νέου περιβάλλοντος.
Εάν οι ίδιοι οι ιατροί παραμείνουν έξω από τη συζήτηση, υπάρχει ο κίνδυνος σημαντικές αποφάσεις για τον σχεδιασμό, την αγορά και την εφαρμογή συστημάτων AI να λαμβάνονται χωρίς επαρκή κατανόηση της πραγματικής κλινικής πρακτικής.
Πώς φτάσαμε τόσο γρήγορα στα σύγχρονα LLMs
Η Τεχνητή Νοημοσύνη ως επιστημονικό πεδίο δεν είναι καινούργια. Οι ρίζες της φτάνουν στα μέσα του 20ού αιώνα, ενώ τα νευρωνικά δίκτυα έχουν επίσης μακρά ιστορία.
Αυτό που άλλαξε είναι ο συνδυασμός τριών βασικών παραγόντων:
- τεράστιων ποσοτήτων ψηφιακών δεδομένων,
- πολύ ισχυρότερης υπολογιστικής ισχύος,
- σημαντικών εξελίξεων στην αρχιτεκτονική των μοντέλων.
Ιδιαίτερα σημαντικός σταθμός ήταν η παρουσίαση της αρχιτεκτονικής Transformer το 2017, η οποία επέτρεψε στα μοντέλα να επεξεργάζονται πολύ αποτελεσματικότερα τη σχέση και το πλαίσιο μεταξύ διαφορετικών στοιχείων μιας ακολουθίας.
Η αρχιτεκτονική αυτή αποτέλεσε τη βάση για μεγάλο μέρος της μετέπειτα ανάπτυξης των σύγχρονων μεγάλων γλωσσικών μοντέλων.
Η δημόσια διάθεση του ChatGPT στα τέλη του 2022 αποτέλεσε στη συνέχεια ένα σημείο καμπής: προηγμένες δυνατότητες παραγωγικής AI έγιναν άμεσα προσβάσιμες σε ένα πολύ ευρύτερο κοινό.
Σήμερα, όμως, η εξέλιξη έχει προχωρήσει πέρα από τα απλά chatbots. Τα σύγχρονα μοντέλα μπορούν να επεξεργάζονται διαφορετικές μορφές πληροφορίας, όπως κείμενο, εικόνες και άλλα δεδομένα, γεγονός που διευρύνει σημαντικά τις πιθανές εφαρμογές τους στην Υγεία. Ο ΠΟΥ έχει ήδη εκδώσει ειδική καθοδήγηση για τα μεγάλα πολυτροπικά μοντέλα, επισημαίνοντας τόσο τις δυνατότητες όσο και τις ανάγκες για ισχυρή διακυβέρνηση και ανθρώπινη εποπτεία.
Η AI έχει ήδη περάσει από τη θεωρία στην πράξη
Η χρήση της AI στην Υγεία δεν περιορίζεται πλέον σε πειραματικές εφαρμογές.
Σύμφωνα με τον ΠΟΥ Ευρώπης, συστήματα AI χρησιμοποιούνται ήδη σε διάγνωση και ειδικά στην ιατρική απεικόνιση, ενώ αρκετές χώρες έχουν ενσωματώσει AI chatbots για επικοινωνία και υποστήριξη ασθενών. Οι σημαντικότεροι λόγοι υιοθέτησης που αναφέρουν τα συστήματα υγείας είναι η βελτίωση της φροντίδας, η αντιμετώπιση των πιέσεων στο ανθρώπινο δυναμικό και η αύξηση της αποδοτικότητας.
Για τον ιατρό, οι πιθανές εφαρμογές περιλαμβάνουν:
- υποστήριξη της κλινικής τεκμηρίωσης,
- σύνοψη πληροφοριών από τον ιατρικό φάκελο,
- υποστήριξη στην ιατρική απεικόνιση,
- ανάλυση και οργάνωση μεγάλων όγκων δεδομένων,
- αυτοματοποίηση διοικητικών εργασιών,
- επικοινωνία και ενημέρωση ασθενών,
- υποστήριξη έρευνας και επιστημονικής αναζήτησης.
Το βασικό πλεονέκτημα δεν βρίσκεται απαραίτητα στην αντικατάσταση μιας κλινικής πράξης, αλλά στην ενίσχυση των δυνατοτήτων του επαγγελματία και στην αφαίρεση εργασιών χαμηλής προστιθέμενης αξίας.
Το πρόβλημα δεν είναι μόνο τεχνολογικό
Η ταχύτητα της ανάπτυξης δημιουργεί και μια έντονη «χρυσοθηρική» λογική γύρω από την AI.
Εταιρείες τεχνολογίας, startups, νοσοκομεία και επενδυτές, αναζητούν εφαρμογές που μπορούν να προσφέρουν ανταγωνιστικό πλεονέκτημα, εξοικονόμηση κόστους ή οικονομική απόδοση.
Η επιχειρηματική καινοτομία είναι απαραίτητη για την ανάπτυξη της τεχνολογίας. Ωστόσο, στην Υγεία υπάρχει μια κρίσιμη διαφορά: ένα αποτυχημένο προϊόν δεν δημιουργεί μόνο οικονομική ζημία· μπορεί να επηρεάσει την ασφάλεια και τη φροντίδα ενός ασθενούς.
Γι’ αυτό και η ανάπτυξη των εφαρμογών AI δεν μπορεί να βασίζεται αποκλειστικά σε τεχνικούς δείκτες ή στην απόδοση μιας επένδυσης.
Χρειάζεται να αξιολογούνται πραγματικά κλινικά ερωτήματα:
- Βελτιώνει το εργαλείο τη φροντίδα;
- Είναι ασφαλές για τον πληθυσμό στον οποίο θα χρησιμοποιηθεί;
- Έχει δοκιμαστεί σε πραγματικές συνθήκες;
- Ποιο είναι το ποσοστό και το είδος των σφαλμάτων του;
- Υπάρχουν πληθυσμιακές ομάδες στις οποίες αποδίδει χειρότερα;
- Ποιος ελέγχει την τελική απόφαση;
- Ποιος φέρει την ευθύνη όταν κάτι πάει λάθος;
Η κλινική εμπειρία δεν μπορεί να προστεθεί στο τέλος
Ένα από τα μεγαλύτερα λάθη στην ανάπτυξη συστημάτων υγείας είναι να σχεδιάζεται πρώτα ένα τεχνολογικό προϊόν και στη συνέχεια να ζητείται από τους επαγγελματίες να προσαρμοστούν σε αυτό.
Στην AI, οι ιατροί χρειάζεται να συμμετέχουν ήδη από τα πρώτα στάδια.
Η κλινική εμπειρία μπορεί να βοηθήσει στην αναγνώριση προβλημάτων που δεν είναι εμφανή σε μια ομάδα ανάπτυξης:
- ένα workflow που φαίνεται αποτελεσματικό σε ένα prototype μπορεί να είναι ανεφάρμοστο σε ένα πραγματικό ιατρείο,
- μια σωστή απάντηση σε θεωρητικό επίπεδο μπορεί να είναι επικίνδυνη χωρίς το κατάλληλο κλινικό πλαίσιο,
- μια μικρή συστηματική μεροληψία μπορεί να έχει σημαντικές επιπτώσεις όταν εφαρμόζεται σε χιλιάδες ασθενείς.
Οι ιατροί μπορούν να προσφέρουν ακριβώς αυτό που ένα μοντέλο δεν διαθέτει από μόνο του: εμπειρία της πραγματικής νόσου, κατανόηση της αβεβαιότητας και γνώση των συνεπειών μιας λανθασμένης απόφασης.
Οι κίνδυνοι που πρέπει να κατανοεί ο ιατρός
Η χρήση της AI δεν απαιτεί από κάθε ιατρό να γίνει προγραμματιστής.
Απαιτεί, όμως, ένα βασικό επίπεδο AI literacy.
Οι επαγγελματίες υγείας χρειάζεται να γνωρίζουν τουλάχιστον ότι τέτοια συστήματα μπορεί να παρουσιάζουν:
Ανακριβείς ή κατασκευασμένες απαντήσεις
Τα generative AI συστήματα μπορούν να παράγουν πληροφορίες που ακούγονται πειστικές αλλά είναι λανθασμένες.
Μεροληψία
Ένα μοντέλο εκπαιδευμένο σε μη αντιπροσωπευτικά δεδομένα μπορεί να αποδίδει διαφορετικά σε διαφορετικούς πληθυσμούς.
Περιορισμένη διαφάνεια
Δεν είναι πάντοτε εύκολο να κατανοηθεί με ποιον τρόπο ένα σύνθετο σύστημα κατέληξε σε ένα συγκεκριμένο αποτέλεσμα.
Προβλήματα ιδιωτικότητας
Η εισαγωγή ευαίσθητων δεδομένων ασθενών σε μη εγκεκριμένα εργαλεία μπορεί να δημιουργήσει σοβαρούς κινδύνους προστασίας προσωπικών δεδομένων.
Υπερβολική εμπιστοσύνη στην αυτοματοποίηση
Όσο περισσότερο ένα σύστημα φαίνεται να λειτουργεί σωστά, τόσο μεγαλύτερος είναι ο κίνδυνος ο χρήστης να σταματήσει να ελέγχει κριτικά τις απαντήσεις του.
Ο ΠΟΥ εξακολουθεί να επισημαίνει ότι η ασφαλής αξιοποίηση της AI στην Υγεία απαιτεί ανθρώπινη ευθύνη, διαφάνεια, ισότητα και μηχανισμούς λογοδοσίας.
Η ευρωπαϊκή πραγματικότητα δημιουργεί και νέες υποχρεώσεις
Για τους Έλληνες ιατρούς, η συζήτηση δεν είναι μόνο θεωρητική, καθώς η χρήση της AI βρίσκεται πλέον και μέσα σε ένα εξελισσόμενο ευρωπαϊκό κανονιστικό πλαίσιο.
Ο EU AI Act έχει θεσπίσει προσέγγιση βασισμένη στον κίνδυνο. Ορισμένα συστήματα AI που αποτελούν ιατροτεχνολογικά προϊόντα ή κρίσιμα συστατικά τους μπορούν να ταξινομούνται ως υψηλού κινδύνου και να υπόκεινται σε συγκεκριμένες απαιτήσεις για διαχείριση κινδύνου, τεκμηρίωση και έλεγχο.
Αυτό σημαίνει ότι η γνώση γύρω από την AI θα αφορά σταδιακά όχι μόνο την τεχνολογική καινοτομία αλλά και ζητήματα:
- κανονιστικής συμμόρφωσης,
- ασφάλειας,
- τεκμηρίωσης,
- ανθρώπινης εποπτείας,
- ευθύνης.
Για έναν ιατρό που συμμετέχει στην επιλογή ή χρήση τέτοιων συστημάτων, η κατανόηση αυτών των ζητημάτων αποκτά ολοένα μεγαλύτερη πρακτική σημασία.
5 τρόποι με τους οποίους οι ιατροί μπορούν να συμμετέχουν ουσιαστικά
1. Εκπαιδευτείτε στις βασικές αρχές της AI
Δεν χρειάζεται βαθιά τεχνική γνώση. Χρειάζεται όμως κατανόηση των δυνατοτήτων, των περιορισμών και των βασικών κινδύνων.
Ο ιατρός πρέπει να μπορεί να ξεχωρίζει τι είναι ένα LLM, τι σημαίνει generative AI, τι είναι ένα σύστημα υποστήριξης αποφάσεων και γιατί η ποιότητα των δεδομένων έχει σημασία.
2. Ζητήστε ενεργό ρόλο στις αποφάσεις του οργανισμού σας
Όταν ένα νοσοκομείο ή μια μονάδα υγείας εξετάζει την αγορά ή ανάπτυξη ενός AI συστήματος, οι ιατροί πρέπει να βρίσκονται στο τραπέζι των αποφάσεων.
Η αξιολόγηση δεν μπορεί να περιορίζεται στο κόστος και στο ROI.
Χρειάζεται να εξετάζονται και:
- το πραγματικό όφελος για τον ασθενή,
- η επίδραση στη ροή εργασίας,
- η ασφάλεια,
- η κλινική αξιοπιστία,
- η δυνατότητα ανθρώπινης παρέμβασης,
- η εκπαίδευση των χρηστών.
3. Συμμετέχετε στην αξιολόγηση και στην έρευνα
Τα AI συστήματα χρειάζονται πραγματική κλινική αξιολόγηση.
Οι ιατροί μπορούν να συμμετέχουν σε μελέτες, πιλοτικές εφαρμογές και διαδικασίες validation, παρέχοντας feedback για τον τρόπο με τον οποίο τα εργαλεία λειτουργούν στην πραγματική κλινική καθημερινότητα.
4. Συνεργαστείτε με άλλες ειδικότητες
Η υπεύθυνη ανάπτυξη της AI στην Υγεία δεν είναι δουλειά μόνο των ιατρών ή μόνο των data scientists.
Χρειάζεται συνεργασία με:
- επιστήμονες δεδομένων,
- μηχανικούς,
- ειδικούς κυβερνοασφάλειας,
- νομικούς,
- ειδικούς βιοηθικής,
- διοικητικά στελέχη,
- εκπροσώπους ασθενών.
Κάθε ομάδα βλέπει διαφορετικό τμήμα του προβλήματος.
5. Μοιραστείτε την πραγματική εμπειρία από τη χρήση της
Η ιατρική κοινότητα χρειάζεται περισσότερη συζήτηση που να βασίζεται στην πραγματική εφαρμογή και όχι μόνο στον ενθουσιασμό ή στον φόβο γύρω από την AI.
Τι λειτουργεί;
Τι δεν λειτουργεί;
Πού εξοικονομείται πραγματικά χρόνος;
Πού δημιουργούνται νέες δυσκολίες;
Ποια λάθη εμφανίζονται στην πράξη;
Η ανταλλαγή εμπειρίας μπορεί να βοηθήσει ολόκληρο τον κλάδο να αποκτήσει πιο ρεαλιστική εικόνα των δυνατοτήτων της τεχνολογίας.
Το μεγαλύτερο ρίσκο μπορεί να είναι η απουσία των ιατρών
Η AI δεν είναι από μόνη της ούτε «καλή» ούτε «κακή» για την Ιατρική.
Το αποτέλεσμα θα εξαρτηθεί από τον τρόπο με τον οποίο θα σχεδιαστεί, θα αξιολογηθεί και θα χρησιμοποιηθεί.
Σήμερα, η πρόκληση για τους ιατρούς δεν είναι να προβλέψουν αν η AI θα αλλάξει το επάγγελμά τους. Η αλλαγή έχει ήδη ξεκινήσει.
Η πραγματική πρόκληση είναι να διασφαλίσουν ότι η τεχνολογία θα χρησιμοποιηθεί για να ενισχύσει την κλινική κρίση, να περιορίσει τον περιττό φόρτο και να βελτιώσει τη φροντίδα, χωρίς να αποδυναμώσει την ευθύνη, την ασφάλεια και την ανθρώπινη σχέση που βρίσκονται στον πυρήνα της Ιατρικής.
Η ενεργή συμμετοχή των ιατρών σήμερα είναι ίσως ο καλύτερος τρόπος ώστε οι αποφάσεις για την AI του αύριο να μην ληφθούν χωρίς αυτούς.
