Τεχνητή νοημοσύνη, μηχανική μάθηση, μεγάλα δεδομένα, προηγμένα διαλογικά ρομπότ. Έννοιες δυσνόητες ακόμα σε πολλούς από μας, με εκπληκτικές δυνατότητες που τρομάζουν ως προς το ενδεχόμενο να απειλήσουν θέσεις εργασίας και ολόκληρους τομείς επαγγελματικής δραστηριότητας.
Η Τεχνητή Νοημοσύνη (ΤΝ) βρίσκει εδώ και χρόνια ευρύ πεδίο εφαρμογών και στην ιατρική και συγκεκριμένα στην έρευνα, στη διάγνωση ασθενειών, στην παρακολούθηση ασθενών, στην ιατρική εκπαίδευση.
Μια από τις πιο επαναστατικές εφαρμογές της, το ChatGPT, που στην πρώτη του μορφή (3,5) μπήκε στις ζωές μας μόλις το Νοέμβριο του 2022 από την OpenAIκαι ήδη διατίθεται σε πιο προηγμένη έκδοση (4), πυροδότησε περαιτέρω τη συζήτηση ως προς τις επιπτώσεις του στην εργασία.
Ποιες ειδικότητες απειλεί σήμερα στον τομέα των επαγγελμάτων υγείας και πόσο πιθανό είναι να υποκαταστήσει ακόμα και τον κλινικό γιατρό;
Στο ερώτημα αυτό κλήθηκε να απαντήσει ο καρδιολόγος, συντονιστής διευθυντής του Καρδιολογικού Τμήματος του Παναρκαδικού Νοσοκομείου Τριπόλεως, Δημήτρης Χρυσός (φωτογραφία), στο πλαίσιο του 44ου Πανελλήνιου Καρδιολογικού Συνεδρίου, που διοργανώνει στη Θεσσαλονίκη η Ελληνική Καρδιολογική Εταιρεία.
Τεχνητή Vs συναισθηματικής νοημοσύνης
Ήδη από το 2013, εννέα ολόκληρα χρόνια πριν από την εμφάνιση του ChatGPT που ως Παραγωγικός Προεκπαιδευμένος Μετασχηματιστής επεξεργάζεται ασύλληπτο όγκο δεδομένων προκειμένου να δώσει απαντήσεις σε διάλογο με τον χρήστη (chatbot), οι Frey και Osborne σε μελέτη τους είχαν εκτιμήσει ότι το 47% της συνολικής απασχόλησης στις ΗΠΑ και το 35% των θέσεων εργασίας στο Ηνωμένο Βασίλειο θα διατρέξουν κίνδυνο τα επόμενα 20 χρόνια, λόγω της αυτοματοποίησης και της εξέλιξης της Τεχνητής Νοημοσύνης.
Οι ίδιοι ερευνητές, σε νεότερη εργασία τους το 2017 ανέλυαν πιθανές επιπτώσεις σε 702 επαγγέλματα. Σε ό,τι αφορά τα σχετιζόμενα με την ιατρική, προέβλεπαν υψηλά ποσοστά κινδύνου για ακτινολόγους, παθολογοανατόμους, υπερηχογραφιστές και άλλες απεικονιστικές-εργαστηριακές ειδικότητες και ιδιαίτερα χαμηλά για τους κλινικούς γιατρούς, τους χειρουργούς και τους νοσηλευτές. Ο λόγος είναι πως η ΤΝ δεν διαθέτει συναισθηματική νοημοσύνη.
“Η εργασία του γιατρού έγκειται στην ικανότητά του να παρέχει πλήρως ολοκληρωμένη φροντίδα στον ασθενή, αλλά με παράλληλη συμπόνοια και ενσυναίσθηση. Η διαπροσωπική επικοινωνία γιατρού – ασθενούς, αυτή η αποκαλούμενη ανθρώπινη επαφή που καλλιεργείται από τα φοιτητικά έδρανα, είναι μια κλινική δεξιότητα που οι αλγόριθμοι υπολογιστών εξακολουθούν – ακόμα – να μη μπορούν να κατανοήσουν”, ανέφερε ο κ. Χρυσός, προσθέτοντας πως το ChatGPT δεν είναι ακόμα σε θέση να παρέχει ιατρικές πληροφορίες σύμφωνα με τα κριτήρια της ιατρικής που βασίζεται σε αποδείξεις.
Προηγμένος ακτινολογικός αυτοματισμός
Σε αντίθεση με την κλινική ιατρική, στη διαγνωστική οι εξελίξεις “τρέχουν” με μεγαλύτερη ταχύτητα. Χαρακτηριστικό παράδειγμα, όπως ανέφερε ο καρδιολόγος, είναι η πρώτη ακτινολογική εφαρμογή αυτόνομης ιατρικής απεικόνισης, που έχει τη δυνατότητα να παράγει οριστικές αναφορές σε ακτινογραφίες, χωρίς παρέμβαση από ακτινολόγο.
“Σε πρόσφατη μελέτη, σε 1.529 οπισθοπρόσθιες ακτινογραφίες θώρακος, η Τεχνητή Νοημοσύνη παρήγαγε αυτόνομα οριστικές αναφορές στο 28% των φυσιολογικών, ενώ έχει ευαισθησία σε οτιδήποτε παθολογικό πάνω από 99%, πάνω ακόμα και από τους ακτινολόγους. Η αυτόνομη αναφορά της ΤΝ αντιστοιχούσε στο 7,8%, δηλαδή στις 120 από τις 1529 της συνολικής παραγωγής των ακτινογραφιών”, σημείωσε ο κ. Χρυσός, ο οποίος αναφέρθηκε και σε άλλα παραδείγματα:
- Σε τυφλή τυχαιοποιημένη κλινική μελέτη μη κατωτερότητας σε ασθενείς που υποβλήθηκαν σε εκτίμηση του κλάσματος εξωθήσεως με Τεχνητή Νοημοσύνη, αυτή βρέθηκε ότι δεν ήταν κατώτερη και σε μερικά μάλιστα δεδομένα ήταν ανώτερη από την αξιολόγηση που έγινε από τους υπερηχογραφιστές.
- Μια ομάδα αδειοδοτημένων επαγγελματιών υγείας συνέκρινε τις απαντήσεις γιατρού και ChatGPT (της έκδοσης 3,5) σε 195 ερωτήσεις ασθενών που δημοσιεύτηκαν σε ένα δημόσιο φόρουμ μέσων κοινωνικής δικτύωσης. “Το chatbot ξεπέρασε τους ανθρώπους γιατρούς παρέχοντας καλύτερες λύσεις στο 79% των περιπτώσεων. Αυτές προτιμήθηκαν από τις απαντήσεις των γιατρών και βαθμολογήθηκαν σημαντικά υψηλότερα”, είπε.
Πού βρισκόμαστε σήμερα
Συνοψίζοντας, ο καρδιολόγος ανέφερε πως σήμερα βρισκόμαστε μόλις στο πρώτο από τα στάδια – φάσεις της Τεχνητής Νοημοσύνης:
- Στενή Τεχνητή Νοημοσύνη, είναι αφιερωμένη στο να βοηθήσει ή να αναλάβει συγκεκριμένες εργασίες
- Γενική Τεχνητή Νοημοσύνη, θα λαμβάνει γνώσει από τον ένα τομέα και θα τη μεταφέρει σε έναν άλλο
- Τεχνητή υπερνοημοσύνη, εκτιμάται πως θα είναι μια τάξη μεγέθους πιο έξυπνη από τον άνθρωπο.
“Θα έρθει δύο, τρεις γενιές μετά; Δεν το ξέρουμε. Σε αυτή τη φάση είμαστε στη στενή νοημοσύνη. Το GPT ήρθε μόνο να μετακινήσει την ευθεία”, σημείωσε, ενώ επιχειρώντας να δώσει απάντηση στο βασικό ερώτημα για το αν θα υποκαταστήσει τον κλινικό γιατρό, κατέληξε:
“Σε αυτή τη φάση της στενής ΤΝ οι τεράστιες δυνατότητές της στην υγειονομική περίθαλψη δεν αποσκοπούν στην αντικατάσταση των ιατρών, αλλά μάλλον στην ικανότητα αύξησης της αποτελεσματικότητάς τους με την ανακατανομή του φόρτου εργασίας τους με μεγαλύτερη διαγνωστική ακρίβεια, τη μείωση του κινδύνου ιατρικών λαθών και τη βελτιστοποίηση της απόδοσής τους. Η συνεργασία ΤΝ και ιατρού αποτελεί το πιο εύλογο σενάριο. Σε αυτή τη φάση”…
Πλεονεκτήματα ΤΝ στην ιατρική:
- Παράγει τυπικά δομημένο κείμενο
- Διαθέτει εύγλωτο λεξιλόγιο
- Μπορεί να χρησιμοποιηθεί ως μηχανή γρήγορης αναζήτησης
- Να λειτουργήσει ως συνομιλητής
- Αναζητά και αναλύει την διαθέσιμη βιβλιογραφία
- Παρακάμπτει τους συμβατικούς ελέγχους λογοκλοπής
- Έχει τη δυνατότητα να παράγει επίσημα ερευνητικά άρθρα
- Να χρησιμοποιηθεί για την ιατρική εκπαίδευση
- Να χρησιμοποιηθεί για την διαλογή και διάγνωση ασθενειών
- Για την ενίσχυση της παρακολούθηση των ασθενών και δια ζώσης και από μακριά
- Ανάπτυξη εικονικών βοηθών για τη διαχείριση της υγείας των ασθενών
Περιορισμοί:
- Ενδέχεται να παραβιάζει τους νόμους περί πνευματικών δικαιωμάτων
- Μπορεί να προκύψουν ιατρονομικές επιπλοκές. Ποιος έχει την ευθύνη αν γίνει το λάθος;
- Μερικές φορές παράγει ανακριβή αποτελέσματα
- Έλεγχος αξιοπιστίας και λογοκλοπής
- Μερικές φορές δίνει μεροληπτικά και επιβλαβή αποτελέσματα
- Δεν είναι δυνατή η διάκριση μεταξύ αξιόπιστων και αναξιόπιστων πηγών
- Παράγει άσχετες μερικές φορές αναφορές
- Μερικές φορές κατασκευάζει γεγονότα που στην υπολογιστική γλώσσα ονομάζονται παραισθήσεις
- Δεν μπορούν να αιτιολογούν ιδέες και έννοιες από μόνα τους
- Απώλειες θέσεων εργασίας.
