Η αυξανόμενη χρήση εφαρμογών Τεχνητής Νοημοσύνης για την αναζήτηση ιατρικών πληροφοριών βρίσκεται στο επίκεντρο νέας επιστημονικής μελέτης που δημοσιεύθηκε στο Nature Medicine.
Τα ευρήματα δείχνουν ότι, παρά τις υψηλές επιδόσεις των μοντέλων σε θεωρητικό επίπεδο, οι ασθενείς δεν λαμβάνουν απαραίτητα καλύτερες αποφάσεις για την υγεία τους όταν χρησιμοποιούν chatbots.
Η αυξανόμενη εμπιστοσύνη των ασθενών στην Τεχνητή Νοημοσύνη
Τα τελευταία χρόνια όλο και περισσότεροι ασθενείς στρέφονται σε εφαρμογές Τεχνητής Νοημοσύνης και διαδικτυακά chatbots για να αξιολογήσουν συμπτώματα και να αποφασίσουν πότε πρέπει να ζητήσουν ιατρική βοήθεια. Η πρακτική αυτή θεωρείται ιδιαίτερα διαδεδομένη, καθώς οι ψηφιακές υπηρεσίες προσφέρουν άμεση πρόσβαση σε πληροφορίες.
Ωστόσο, νέα επιστημονική μελέτη που δημοσιεύθηκε στο επιστημονικό περιοδικό Nature Medicine αμφισβητεί το κατά πόσο η χρήση αυτών των εργαλείων οδηγεί σε καλύτερες αποφάσεις σε σχέση με τις παραδοσιακές μεθόδους αναζήτησης πληροφοριών.
Η μελέτη και η αξιολόγηση των μοντέλων ΤΝ
Η έρευνα πραγματοποιήθηκε από επιστήμονες του Internet Institute του Πανεπιστημίου της Οξφόρδης σε συνεργασία με ομάδα γιατρών. Οι ερευνητές δημιούργησαν δέκα διαφορετικά ιατρικά σενάρια, τα οποία περιλάμβαναν καταστάσεις που κυμαίνονταν από ήπια περιστατικά, όπως κοινό κρυολόγημα, έως σοβαρές παθήσεις, όπως υποαραχνοειδής αιμορραγία.
Σε δοκιμές χωρίς ανθρώπινη συμμετοχή, τρία μεγάλα γλωσσικά μοντέλα — το ChatGPT-4o της OpenAI, το Llama 3 της Meta και το Command R+ της Cohere — κατάφεραν να αναγνωρίσουν σωστά τις παθήσεις σε ποσοστό 94,9%. Παράλληλα, πρότειναν τη σωστή ενέργεια, όπως επίσκεψη σε γιατρό ή κλήση ασθενοφόρου, σε ποσοστό 56,3%.
Το «κενό» ανάμεσα στη θεωρία και την πραγματική χρήση
Όταν όμως η ίδια διαδικασία εφαρμόστηκε σε πραγματικούς χρήστες, τα αποτελέσματα διαφοροποιήθηκαν σημαντικά. Στη μελέτη συμμετείχαν 1.298 άτομα από το Ηνωμένο Βασίλειο, τα οποία κλήθηκαν να χρησιμοποιήσουν είτε εργαλεία ΤΝ είτε παραδοσιακές πηγές, όπως αναζήτηση στο διαδίκτυο, προσωπική εμπειρία ή τον ιστότοπο του βρετανικού Εθνικού Συστήματος Υγείας.
Σε αυτές τις συνθήκες, οι συμμετέχοντες εντόπισαν σωστά τη σχετική πάθηση σε λιγότερο από 34,5% των περιπτώσεων, ενώ η ορθή απόφαση για το επόμενο βήμα καταγράφηκε σε ποσοστό κάτω του 44,2%. Τα αποτελέσματα αυτά δεν ήταν καλύτερα από εκείνα των χρηστών που αξιοποίησαν παραδοσιακές μεθόδους αναζήτησης.
Ο αναπληρωτής καθηγητής του Πανεπιστημίου της Οξφόρδης Άνταμ Μαχντί χαρακτήρισε το εύρημα ως «τεράστιο χάσμα» μεταξύ των δυνατοτήτων της ΤΝ και της αποτελεσματικότητάς της στην καθημερινή χρήση.
Ο ρόλος των ελλιπών πληροφοριών από τους ασθενείς
Η ανάλυση επιλεγμένων αλληλεπιδράσεων αποκάλυψε ότι οι ασθενείς συχνά παρέχουν ελλιπείς ή ανακριβείς πληροφορίες σχετικά με τα συμπτώματά τους. Παράλληλα, σε ορισμένες περιπτώσεις τα μοντέλα ΤΝ παρήγαγαν παραπλανητικές ή λανθασμένες απαντήσεις.
Χαρακτηριστικό παράδειγμα αποτέλεσαν δύο περιπτώσεις ασθενών με συμπτώματα υποαραχνοειδούς αιμορραγίας. Όταν ο ένας ασθενής περιέγραψε έντονο πονοκέφαλο, αυχενική δυσκαμψία και φωτοευαισθησία, η ΤΝ συνέστησε σωστά άμεση νοσηλεία. Σε αντίστοιχη περιγραφή με διαφορετική διατύπωση, η απάντηση που δόθηκε ήταν λιγότερο επείγουσα, γεγονός που αναδεικνύει τη σημασία της ακριβούς πληροφόρησης.
Η ανάγκη περαιτέρω αξιολόγησης της ΤΝ στην υγεία
Οι ερευνητές σχεδιάζουν να επεκτείνουν τη μελέτη σε διαφορετικές χώρες και γλώσσες, ώστε να εξετάσουν αν οι πολιτισμικές και γλωσσικές διαφορές επηρεάζουν την απόδοση των μοντέλων. Παράλληλα, επισημαίνουν ότι η Τεχνητή Νοημοσύνη μπορεί να αποτελέσει χρήσιμο εργαλείο υποστήριξης, χωρίς όμως να αντικαθιστά την ιατρική αξιολόγηση.
Η επιστημονική κοινότητα υπογραμμίζει ότι η ασφαλής αξιοποίηση της ΤΝ στην υγεία απαιτεί βελτίωση των αλγορίθμων, καλύτερη εκπαίδευση των χρηστών και σαφή όρια στη χρήση τέτοιων εφαρμογών.
Κάντε like στη σελίδα μας στο facebook για να μαθαίνετε όλα τα νέα
Διαβάστε επίσης
Τεχνητή νοημοσύνη και φάρμακα: Γιατί οι βιοτεχνολογικές εταιρείες βλέπουν επιτυχία
Φάρμακα απώλειας βάρους στο μικροσκόπιο για διατροφικές διαταραχές
