Πώς θα αξιοποιηθεί η Τεχνητή Νοημοσύνη στην Υγεία – Η μελέτη

Η μελέτη «Generative AI Greece 2030: Τα ενδεχόμενα μέλλοντα της Παραγωγικής Τεχνητής Νοημοσύνης στην Ελλάδα», που εκπονήθηκε από διακεκριμένα ερευνητικά κέντρα της χώρας μας, αποτελεί την πρώτη εμπειρική ερευνητική προσέγγιση στρατηγικής προόρασης (strategic foresight) για τη χρήση ΠΤΝ.

Στόχος της μελέτης είναι η διαμόρφωση ενός πλαισίου στρατηγικών πρωτοβουλιών και συστάσεων πολιτικής, όπως προέκυψαν μέσα από τα ευρήματα, όσον αφορά στον αντίκτυπο του εγχώριου οικοσυστήματος της Παραγωγικής Τεχνητής Νοημοσύνης, με χρονικό ορίζοντα το 2030.

«Η Ελλάδα φαίνεται να βρίσκεται στην αρχή μιας νέας εποχής, όπου η Παραγωγική Τεχνητή Νοημοσύνη (ΠΤΝ) είναι έτοιμη να διαδραματίσει κεντρικό ρόλο στην επιτάχυνση της αυτοματοποίησης, την ενίσχυση της παραγωγικότητας και την επανάσταση σε διάφορες βιομηχανίες», όπως αναφέρεται στην εισαγωγή της μελέτης.

Στην μελέτη, που εκπονήθηκε το φθινόπωρο του 2023 από το Εθνικό Κέντρο Κοινωνικών Ερευνών και το Εθνικό Κέντρο Έρευνας Φυσικών Επιστημών «Δημόκριτος», με την υποστήριξη της Ειδικής Γραμματείας Μακροπρόθεσμου Σχεδιασμού, προβλέπονται δύο «μεγάλες» εφαρμογές στον τομέα της Υγείας.

Φάρμακα και περίθαλψη

Ο πρώτος αφορά στην φαρμακευτική έρευνα και την ανάπτυξη φαρμάκων. Όλα τα στάδια της διαδικασίας δημιουργίας, κλινικής δοκιμής και παραγωγής φαρμάκων θα μπορούσαν να επωφεληθούν από την ΠΤΝ, οδηγώντας έτσι σε καλύτερη, γρηγορότερη και οικονομικότερη ανάπτυξη και διάθεση νέων φαρμακευτικών ουσιών.

Ο δεύτερος τομέας στον οποίο η Παραγωγική Τεχνητή Νοημοσύνη (ΠΤΝ) μπορεί να φέρει δραστικές αλλαγές είναι ο τομέας της υγειονομικής περίθαλψης, ο οποίος διαθέτει τεράστιες ποσότητες δεδομένων ασθενών και ιατρικής βιβλιογραφίας. Εδώ υπάρχει ανάγκη για αποτελεσματικότερους τρόπους χρήσης αυτών των πληροφοριών. Οι παραδοσιακές μέθοδοι ανάλυσης δεδομένων είναι χρονοβόρες και συχνά υστερούν σε σχέση με τον ταχύτατο ρυθμό των ιατρικών εξελίξεων, θέτοντας ενδεχομένως σε κίνδυνο τη φροντίδα των ασθενών.

Πρόσβαση σε big data

Όπως εκτιμά η Κατερίνα Τσαδήμα, Head eLearning Instructional Designer της εταιρείας Wide Services, «η ΠΤΝ θα συμβάλει στην ανάπτυξη προηγμένων ιατρικών λύσεων, όπως εξατομικευμένη ιατρική, αντιμετωπίζοντας ασθένειες με ακρίβεια και αποτελεσματικότητα», ενώ ο καθηγητής στο Τμήμα Κοινωνιολογίας του ΕΚΠΑ, Μανώλης Πατηνιώτης, προβλέπει «εφαρμογές στην ιατρική σε θέματα θεραπευτικών πρωτοκόλλων και μεθόδων αντιμετώπισης δύσκολων περιστατικών (ai aided medicine)».

Επίσης, ο Κωνσταντίνος Κυρανάκης, Υφυπουργός Ψηφιακής Διακυβέρνησης, προσβλέπει σε «πρόσβαση σε big data αιματολογικών και απεικονιστικών εξετάσεων στον ψηφιακό φάκελο ασθενούς και προτάσεις μέσω GenAI για προσωποποιημένες θεραπείες, πάντα με την τελική απόφαση να ανήκει στο ιατρικό προσωπικό».

Με την αξιοποίηση των δυνατοτήτων των μοντέλων ΠΤΝ στις διαδικασίες υγειονομικής περίθαλψης, οι οργανισμοί θα μπορούν να παρέχουν καλύτερης ποιότητας ιατρικές υπηρεσίες, έρευνα και προστασία της ιδιωτικότητας των δεδομένων. Η ικανότητά τους να κατανοούν, να παράγουν και να συνοψίζουν δεδομένα πλούσια σε κείμενο διασφαλίζει ότι η υγειονομική περίθαλψη παραμένει ενημερωμένη, αποτελεσματική και σύμφωνη με τους κανόνες της ηθικής και της δεοντολογίας.

Πιο συγκεκριμένα, οι εφαρμογές που παρουσιάζουν ιδιαίτερο ενδιαφέρον είναι οι εξής:

• Υποστήριξη κλινικής διαχείρισης: Οι πολυάσχολοι κλινικοί ιατροί, που συχνά επιβαρύνονται με εκτεταμένη τήρηση σημειώσεων, μπορούν να αξιοποιήσουν τις δυνατότητες της ΠΤΝ για τη δημιουργία σχεδίων κλινικών σημειώσεων γρήγορα και με ακρίβεια. Παρέχοντας μια σύντομη προφορική περίληψη ή σχετικά δεδομένα ασθενών, μπορεί να δημιουργηθεί μια ολοκληρωμένη -και σχετική με το πλαίσιο- κλινική τεκμηρίωση. Αυτό όχι μόνο εξοικονομεί χρόνο αλλά και ενισχύει την ακρίβεια της καταγραφής των πληροφοριών του ασθενούς. Αρκετές εφαρμογές έχουν ήδη αναπτυχθεί προς αυτή την κατεύθυνση (π.χ., Corti:86 Ταξινόμηση ασθενών με ΤΝ, Google Bard, powered by Med-PaLM 2).
• Υποστήριξη κλινικών αποφάσεων: Δεδομένης της προηγμένης κατανόησης της ανθρώπινης γλώσσας και της περαιτέρω βελτιωμένης γνώσης του τομέα, τα μοντέλα GPT έχουν επίσης τη δυνατότητα να υποστηρίξουν τη λήψη κλινικών αποφάσεων. Για παράδειγμα, το Glass AI87 είναι ένα πειραματικό εργαλείο που λειτουργεί με LLM και χρησιμεύει ως διαγνωστικός βοηθός για τη δημιουργία ενός καταλόγου πιθανών διαγνώσεων και σχεδίων θεραπείας προσαρμοσμένων σε ένα κλινικό περιστατικό. Αντίστοιχα, το Kahun88 είναι ένα εργαλείο ελέγχου συμπτωμάτων που παρέχει κλινικές αξιολογήσεις των ασθενών, παράγοντας διαφορικές διαγνώσεις και επιλογές θεραπείας με βάση το ιστορικό του ασθενούς και την ιατρική βιβλιογραφία.

ΔΕΙΤΕ ΤΗΝ ΜΕΛΕΤΗ ΠΑΤΩΝΤΑΣ ΕΔΩ

• Υποστήριξη ασθενών: Το Hippocratic AI89 επικεντρώνεται στον ασθενή και τις ανάγκες του, δίνοντας προτεραιότητα εκ μέρους των επαγγελματιών υγείας στην ενσυναίσθηση (generative AI empathy), την ποιοτική φροντίδα, τη συμπόνια και τη δημιουργία φιλικών προς τον ασθενή απαντήσεων, ενισχύοντας την εμπιστοσύνη και δέσμευσή του στην θεραπευτική διαδικασία. Έχοντας μια παρόμοια λογική, το Gridspace90 είναι μια επιχειρησιακή λύση που αυτοματοποιεί την επικοινωνία με τους ασθενείς, χειριζόμενο τηλεφωνικές κλήσεις, απαντώντας σε ερωτήσεις και εκτελώντας διοικητικές εργασίες.
• Παραγωγή συνθετικών δεδομένων: Το Syntegra Medical Mind91 αξιοποιεί την παραγωγική ΤΝ για την παραγωγή ρεαλιστικών συνθετικών αρχείων ασθενών από πραγματικά δεδομένα υγειονομικής περίθαλψης, όπως τα αρχεία ηλεκτρονικών ιατρικών αρχείων, προστατεύοντας παράλληλα το απόρρητο των ασθενών. Οι επαγγελματίες του τομέα της υγειονομικής περίθαλψης μπορούν να έχουν πρόσβαση και να αναλύουν αυτά τα δεδομένα για έρευνα, εκπαίδευση και λήψη αποφάσεων χωρίς να διακυβεύεται το απόρρητο. To DALL-E 292 είναι ένα άλλο μοντέλο OpenAI για τη δημιουργία εικόνων από κείμενο. Χάρη στην εκτεταμένη προ-εκπαίδευσή του, 39 το DALL-E 2 έχει τη δυνατότητα δημιουργίας ή εμπλουτισμού ιατρικών δεδομένων που συχνά είναι αραιά ή περιορισμένα στην ιατρική έρευνα και εκπαίδευση, χωρίς να διακυβεύεται το απόρρητο των ασθενών.
• Επαγγελματική κατάρτιση: Πολλές εφαρμογές μπορούν να προσαρμοστούν στο πλαίσιο της ιατρικής εκπαίδευσης, ακόμη και στην εκπαίδευση ασθενών στην λήψη της φαρμακευτικής αγωγής τους ή την γενικότερη φροντίδα τους. Εφαρμογές όπως το Unlearn.AI94 μπορούν να χρησιμοποιηθούν για τη δημιουργία «ψηφιακών διδύμων» μεμονωμένων ασθενών, προσφέροντας ένα ολοκληρωμένο μοντέλο των πιθανών αποτελεσμάτων υπό διαφορετικά σενάρια.

Τη μελέτη για την Παραγωγική Τεχνητή Νοημοσύνη παρουσίασαν στον Πρωθυπουργό ο Ειδικός Γραμματέας Μακροπρόθεσμου Σχεδιασμού, Γιάννης Μαστρογεωργίου, ο Αντιπρόεδρος της Εθνικής Επιτροπής Βιοηθικής και Τεχνοηθικής και μέλος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, Χαράλαμπος Τσέκερης και ο Διευθυντής Έρευνας στο Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του Εθνικού Κέντρου Έρευνας Φυσικών Επιστημών «Δημόκριτος» και μέλος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, Ευάγγελος Καρκαλέτσης.

Στη σύσκεψη συμμετείχαν επίσης ο Υπουργός Ψηφιακής Διακυβέρνησης, Δημήτρης Παπαστεργίου, ο Υπουργός Επικρατείας Σταύρος Παπασταύρου, ο Υπουργός Επικρατείας Άκης Σκέρτσος και ο Υφυπουργός παρά τω Πρωθυπουργώ και Κυβερνητικός Εκπρόσωπος, Παύλος Μαρινάκης.

Κάντε like στη σελίδα μας στο facebook για να μαθαίνετε όλα τα νέα