AI-fakuloj diskutas kiel integri fortikan AI en sanservon, kial interfaka kunlaboro estas kritika, kaj la potencialon de generativa AI en esplorado.
Feifei Li kaj Lloyd Minor faris komencajn paroladojn ĉe la inaŭgura RAISE-Sano-Simpozio ĉe la Medicina Fakultato de Universitato Stanford la 14-an de majo. Steve Fish
Plej multaj homoj kaptitaj de artefarita inteligenteco spertis ian "aha"-momenton, malfermante siajn mensojn al mondo de eblecoj. Ĉe la inaŭgura RAISE-Sano-Simpozio la 14-an de majo, Lloyd Minor, MD, dekano de la Medicina Fakultato de Universitato Stanford kaj vicprezidanto por medicinaj aferoj ĉe Universitato Stanford, dividis sian perspektivon.
Kiam oni petis unu scivoleman adoleskanton resumi siajn trovojn pri la interna orelo, li turnis sin al generativa artefarita inteligenteco. “Mi demandis, 'Kio estas la sindromo de dehiskado de la supra kanalo?' Minor diris al preskaŭ 4 000 simpoziaj partoprenantoj. Post kelkaj sekundoj, pluraj paragrafoj aperis.
“Ili estas bonaj, vere bonaj,” li diris. “Ke ĉi tiu informo estis kompilita en koncizan, ĝenerale precizan kaj klare prioritatigitan priskribon de la malsano. Ĉi tio estas sufiĉe rimarkinda.”
Multaj dividis la entuziasmon de Minor pri la duontaga evento, kiu estis rezulto de la iniciato RAISE Health, projekto lanĉita de la Medicina Fakultato de Universitato Stanford kaj la Stanforda Instituto por Homcentra Artefarita Inteligenteco (HAI) por gvidi la respondecan uzon de artefarita inteligenteco en biomedicina esplorado, edukado kaj pacientoprizorgo. La parolantoj ekzamenis kion signifas efektivigi artefaritan inteligentecon en medicino tiel ke ĝi estas ne nur utila por kuracistoj kaj sciencistoj, sed ankaŭ travidebla, justa kaj egaleca por pacientoj.
“Ni kredas, ke ĉi tiu teknologio plibonigas homajn kapablojn,” diris Fei-Fei Li, profesorino pri komputiko ĉe la Stanforda Lernejo de Inĝenierarto, direktoro de la projekto RAISE Health with Minor kaj kundirektoro de HAI. Generacio post generacio, novaj teknologioj povas aperi: de novaj molekulaj sekvencoj de antibiotikoj ĝis mapado de biodiverseco kaj malkaŝo de kaŝitaj partoj de fundamenta biologio, AI akcelas sciencan malkovron. Sed ne ĉio ĉi estas utila. “Ĉiuj ĉi tiuj aplikoj povas havi neintencitajn sekvojn, kaj ni bezonas komputikistojn, kiuj evoluigas kaj efektivigas [artefaritan inteligentecon] respondece, laborante kun diversaj koncernatoj, de kuracistoj kaj etikistoj... ĝis sekurecaj spertuloj kaj pli,” ŝi diras. “Iniciatoj kiel RAISE Health montras nian engaĝiĝon al ĉi tio.”
La kunfandiĝo de tri sekcioj de Stanford Medicine — la Medicina Fakultato, Stanford Health Care kaj la Lernejo de Infana Sano de Universitato Stanford — kaj ĝiaj ligoj al aliaj partoj de Universitato Stanford metis ĝin en pozicion, kie fakuloj luktas kun la disvolviĝo de artefarita inteligenteco, administrado kaj integriĝaj problemoj en la kampo de sanservo kaj medicino. Medicino, daŭris la kanto.
“Ni estas bone poziciigitaj por esti pioniro en la disvolviĝo kaj respondeca efektivigo de artefarita inteligenteco, de fundamentaj biologiaj malkovroj ĝis plibonigo de drogdisvolviĝo kaj pli efikaj klinikaj provoj, ĝis la efektiva liverado de sanservoj. La maniero kiel la sansistemo estas aranĝita,” li diris.
Pluraj parolantoj emfazis simplan koncepton: fokuso sur la uzanto (en ĉi tiu kazo, la paciento aŭ kuracisto) kaj ĉio alia sekvos. “Ĝi metas la pacienton en la centron de ĉio, kion ni faras,” diris Doktorino Lisa Lehmann, direktoro pri bioetiko ĉe la Brigham kaj Virina Hospitalo. “Ni devas konsideri iliajn bezonojn kaj prioritatojn.”
De maldekstre dekstren: Mohana Ravindranath, prezentistino de STAT News; Jessica Peter Lee de Microsoft Research; Sylvia Plevritis, profesorino pri biomedicina datumscienco, diskutas la rolon de artefarita inteligenteco en medicina esplorado. Steve Fish
Parolantoj en la panelo, kiu inkluzivis Lehmann, la medicinan bioetikistinon de Universitato Stanford, Mildred Cho, MD, kaj la ĉefan klinikan oficiston de Google, Michael Howell, MD, notis la kompleksecon de hospitalaj sistemoj, emfazante la bezonon kompreni ilian celon antaŭ iu ajn interveno. Implementi ĝin kaj certigi, ke ĉiuj evoluigitaj sistemoj estas inkluzivaj kaj aŭskultas la homojn, kiujn ili celas helpi.
Unu ŝlosilo estas travidebleco: ĝi klarigas de kie venas la datumoj uzataj por trejni la algoritmon, kia estas la originala celo de la algoritmo, kaj ĉu estontaj pacientaj datumoj daŭre helpos la algoritmon lerni, inter aliaj faktoroj.
“Provi antaŭdiri etikajn problemojn antaŭ ol ili fariĝas gravaj [signifas] trovi la perfektan optimuman punkton, kie oni scias sufiĉe pri la teknologio por havi iom da fido je ĝi, sed ne antaŭ ol [la problemo] disvastiĝas plu kaj solvi ĝin pli frue.” , diris Denton Char. Kandidato pri Medicinaj Sciencoj, Lektoro de la Departemento pri Pediatria Anesteziologio, Perioperacia Medicino kaj Dolormedicino. Unu ŝlosila paŝo, li diras, estas identigi ĉiujn koncernatojn, kiujn la teknologio povus tuŝi, kaj determini kiel ili mem ŝatus respondi tiujn demandojn.
Jesse Ehrenfeld, MD, prezidanto de la Usona Medicina Asocio, diskutas kvar faktorojn, kiuj instigas la adopton de iu ajn cifereca sanilo, inkluzive de tiuj funkciigitaj per artefarita inteligenteco. Ĉu ĝi estas efika? Ĉu tio funkcios en mia institucio? Kiu pagas? Kiu respondecas?
Michael Pfeffer, MD, ĉefa informoficiro de Stanford Health Care, citis lastatempan ekzemplon, en kiu multaj el la problemoj estis testitaj inter flegistoj en Stanford-hospitaloj. Klinikistoj estas subtenataj de grandaj lingvaj modeloj, kiuj provizas komencajn komentojn por alvenantaj pacientaj mesaĝoj. Kvankam la projekto ne estas perfekta, kuracistoj, kiuj helpis disvolvi la teknologion, raportas, ke la modelo malpezigas ilian laborŝarĝon.
“Ni ĉiam fokusiĝas al tri gravaj aferoj: sekureco, efikeco kaj inkludo. Ni estas kuracistoj. Ni ĵuras ‘ne fari damaĝon,’” diris Nina Vasan, MD, klinika docento pri psikiatrio kaj kondutaj sciencoj, kiu aliĝis al Char kaj Pfeffer aliĝis al la grupo. “Ĉi tio devus esti la unua maniero taksi ĉi tiujn ilojn.”
Nigam Shah, MBBS, Ph.D., Profesoro pri Medicino kaj Biomedicina Datumscienco, komencis la diskuton per ŝoka statistiko malgraŭ justa averto al la aŭdantaro. "Mi parolas ĝenerale kaj ciferece, kaj kelkfoje ili emas esti tre rektaj," li diris.
Laŭ Shah, la sukceso de AI dependas de nia kapablo skali ĝin. "Fari ĝustan sciencan esploradon pri modelo daŭras ĉirkaŭ 10 jarojn, kaj se ĉiu el la 123 kunecoj kaj loĝejprogramoj volus testi kaj deploji la modelon ĝis tiu nivelo de rigoro, estus tre malfacile fari la ĝustan sciencon, ĉar ni nuntempe organizas niajn klopodojn kaj [testas]. Ĝi kostus 138 miliardojn da dolaroj por certigi, ke ĉiu el niaj lokoj funkcias ĝuste," diris Shah. "Ni ne povas permesi tion. Do ni devas trovi manieron ekspansiiĝi, kaj ni devas ekspansiiĝi kaj fari bonan sciencon. La rigoraj kapabloj estas en unu loko kaj la skalaj kapabloj estas en alia, do ni bezonos tian partnerecon."
Asociita Dekano Yuan Ashley kaj Mildred Cho (Akceptejo) ĉeestis la RAISE-sanlaborrenkontiĝon. Steve Fish
Kelkaj parolantoj ĉe la simpozio diris, ke tio povus esti atingita per publika-privataj partnerecoj, kiel ekzemple la lastatempa Plenuma Ordono de la Blanka Domo pri la Sekura, Fidinda kaj Fidinda Disvolviĝo kaj Uzo de Artefarita Inteligenteco kaj la Konsorcio por Sanserva Artefarita Inteligenteco (CHAI).
“La publika-privata partnereco kun la plej granda potencialo estas tiu inter la akademio, la privata sektoro kaj la publika sektoro,” diris Laura Adams, ĉefa konsilisto de la Nacia Akademio de Medicino. Ŝi rimarkigis, ke la registaro povas certigi publikan fidon, kaj akademiaj medicinaj centroj povas provizi legitimecon, kaj teknika kompetenteco kaj komputila tempo povas esti provizitaj de la privata sektoro. “Ni ĉiuj estas pli bonaj ol iu ajn el ni, kaj ni rekonas, ke... ni ne povas preĝi por realigi la potencialon de [artefarita inteligenteco] krom se ni komprenas kiel interagi unu kun la alia.”
Pluraj parolantoj diris, ke AI ankaŭ efikas sur esploradon, ĉu sciencistoj uzas ĝin por esplori biologian dogmon, antaŭdiri novajn sekvencojn kaj strukturojn de sintezaj molekuloj por subteni novajn kuracadojn, aŭ eĉ helpi ilin resumi aŭ verki sciencajn artikolojn.
“Ĉi tio estas ŝanco vidi la nekonaton,” diris Jessica Mega, MD, kardiologo ĉe la Medicina Fakultato de Universitato Stanford kaj kunfondinto de Verily de Alphabet. Mega menciis hiperspektran bildigon, kiu kaptas bildajn trajtojn nevideblajn al la homa okulo. La ideo estas uzi artefaritan inteligentecon por detekti ŝablonojn en patologiaj lamenoj, kiujn homoj ne vidas kaj kiuj indikas malsanon. “Mi instigas homojn ampleksi la nekonaton. Mi pensas, ke ĉiu ĉi tie konas iun kun ia medicina kondiĉo, kiu bezonas ion preter tio, kion ni povas provizi hodiaŭ,” diris Mejia.
La panelistoj ankaŭ konsentis, ke artefaritinteligentecaj sistemoj provizos novajn manierojn identigi kaj kontraŭbatali antaŭjuĝajn decidiĝojn, ĉu faritajn de homoj aŭ artefarita inteligenteco, kun la kapablo identigi la fonton de la antaŭjuĝo.
“Sano estas pli ol nur medicina prizorgo,” konsentis pluraj panelistoj. Parolantoj emfazis, ke esploristoj ofte preteratentas sociajn determinantojn de sano, kiel ekzemple sociekonomika statuso, poŝtkodo, eduknivelo, kaj raso kaj etneco, kiam ili kolektas inkluzivajn datumojn kaj varbas partoprenantojn por studoj. “AI estas nur tiel efika kiel la datumoj, sur kiuj la modelo estas trejnita,” diris Michelle Williams, profesorino pri epidemiologio ĉe Universitato Harvard kaj asociita profesorino pri epidemiologio kaj populacia sano ĉe la Medicina Fakultato de Universitato Stanford. “Se ni faras tion, kion ni celas fari. plibonigi sanrezultojn kaj forigi malegalecojn, ni devas certigi, ke ni kolektas altkvalitajn datumojn pri homa konduto kaj la socia kaj natura medio.”
Natalie Pageler, MD, klinika profesorino pri pediatrio kaj medicino, diris, ke agregitaj kanceraj datumoj ofte ekskludas datumojn pri gravedulinoj, kreante neeviteblajn biasojn en modeloj kaj pliseverigante ekzistantajn malegalecojn en sanservo.
D-ro David Magnus, profesoro pri pediatrio kaj medicino, diris, ke kiel ajna nova teknologio, artefarita inteligenteco povas aŭ plibonigi aferojn laŭ multaj manieroj aŭ plimalbonigi ilin. La risko, laŭ Magnus, estas, ke artefaritinteligentecaj sistemoj lernos pri neegalecaj sanrezultoj pelataj de sociaj determinantoj de sano kaj plifortigos tiujn rezultojn per sia produktaĵo. "Artefarita inteligenteco estas spegulo, kiu reflektas la socion, en kiu ni vivas," li diris. "Mi esperas, ke ĉiufoje, kiam ni havos la ŝancon lumigi problemon — teni spegulon antaŭ ni mem — ĝi servos kiel instigo por plibonigi la situacion."
Se vi ne povis ĉeesti la RAISE Health-laborrenkontiĝon, registriĝo de la sesio troviĝas ĉi tie.
La Medicina Fakultato de Universitato Stanford estas integra akademia sansistemo konsistanta el la Medicina Fakultato de Universitato Stanford kaj la sansistemoj por plenkreskuloj kaj infanoj. Kune ili realigas la plenan potencialon de biomedicino per kunlabora esplorado, edukado kaj klinika pacientoprizorgo. Por pliaj informoj, vizitu med.stanford.edu.
Nova modelo de artefaritinteligenteco helpas kuracistojn kaj flegistojn ĉe la Stanforda Hospitalo kunlabori por plibonigi pacientoprizorgon.
Afiŝtempo: 19-a de Julio, 2024