najnowszy artyku\u0142<\/a>, wyja\u015bnia, w jaki spos\u00f3b stronniczo\u015b\u0107 danych \u2013 zw\u0142aszcza danych klinicznych gromadzonych g\u0142\u00f3wnie w\u015br\u00f3d bia\u0142ych m\u0119\u017cczyzn \u2013 mo\u017ce prowadzi\u0107 do nieefektywno\u015bci system\u00f3w sztucznej inteligencji w przypadku stosowania ich w odniesieniu do bardziej zr\u00f3\u017cnicowanych populacji. Na przyk\u0142ad pulsoksymetry cz\u0119sto zawy\u017caj\u0105 poziom nasycenia tlenem u os\u00f3b o innym kolorze sk\u00f3ry ze wzgl\u0119du na ich niedostateczn\u0105 reprezentacj\u0119 w badaniach klinicznych. To tylko wierzcho\u0142ek g\u00f3ry lodowej \u2013 istnieje niezliczona ilo\u015b\u0107 innych przypadk\u00f3w, w kt\u00f3rych sprz\u0119t medyczny i systemy danych pomijaj\u0105 r\u00f3\u017cnorodno\u015b\u0107 populacji, generuj\u0105c zniekszta\u0142cone wyniki i potencjalnie szkodliwe decyzje.<\/p>\nKolejna kluczowa kwestia dotyczy wykorzystania elektronicznej dokumentacji medycznej (EHR) jako podstawy dla modeli sztucznej inteligencji. Chocia\u017c EHR stanowi istotny element medycyny, nigdy nie by\u0142a ona przeznaczona do pe\u0142nienia funkcji system\u00f3w ucz\u0105cych si\u0119 i zawiera wiele niesp\u00f3jno\u015bci oraz tendencyjno\u015bci. Celi nie maluje jednak wy\u0142\u0105cznie ponurej przysz\u0142o\u015bci, opowiadaj\u0105c si\u0119 za pomys\u0142owymi sposobami odpowiedzialnego wykorzystania istniej\u0105cych danych zamiast zast\u0119powania ca\u0142ej infrastruktury EHR \u2013 co obecnie nie jest wykonalne. Na szcz\u0119\u015bcie badane s\u0105 innowacyjne podej\u015bcia, takie jak modele transformatorowe, maj\u0105ce na celu lepsze zrozumienie korelacji mi\u0119dzy wynikami bada\u0144 laboratoryjnych, parametrami \u017cyciowymi i metodami leczenia. To fascynuj\u0105ce podej\u015bcie mo\u017ce pom\u00f3c w zmniejszeniu wp\u0142ywu brakuj\u0105cych lub stronniczych danych, na kt\u00f3re cz\u0119sto wp\u0142ywaj\u0105 spo\u0142eczne determinanty zdrowia oraz ukryte uprzedzenia personelu medycznego.<\/p>\n
Radzenie sobie z niedoskona\u0142o\u015bciami i maksymalizacja efekt\u00f3w nauki<\/h4>\n
Wyzwania te staj\u0105 si\u0119 oczywiste, gdy przyjrzymy si\u0119 do\u015bwiadczeniom Celiemu zwi\u0105zanym z nauczaniem sztucznej inteligencji w s\u0142u\u017cbie zdrowia. Od momentu rozpocz\u0119cia dzia\u0142alno\u015bci w 2016 roku jego zesp\u00f3\u0142 z MIT zda\u0142 sobie spraw\u0119, \u017ce studenci byli uczeni optymalizacji modeli pod k\u0105tem wynik\u00f3w statystycznych, zamiast kwestionowa\u0107 rzetelno\u015b\u0107 danych. Przegl\u0105d 11 kurs\u00f3w internetowych ujawni\u0142 skal\u0119 tego problemu \u2013 tylko pi\u0119\u0107 kurs\u00f3w porusza\u0142o temat stronniczo\u015bci danych, a zaledwie dwa zawiera\u0142y merytoryczn\u0105 dyskusj\u0119 na ten temat. W miar\u0119 jak sztuczna inteligencja coraz bardziej zaznacza swoj\u0105 obecno\u015b\u0107 w s\u0142u\u017cbie zdrowia, na nauczycielach spoczywa obowi\u0105zek zapewnienia, by studenci potrafili nie tylko tworzy\u0107 modele, ale tak\u017ce krytycznie analizowa\u0107 dane, na kt\u00f3rych si\u0119 opieraj\u0105. Wype\u0142nienie tej luki b\u0119dzie wymaga\u0142o przesuni\u0119cia punktu ci\u0119\u017cko\u015bci z samego tworzenia modeli na zrozumienie danych \u2013 obszar, kt\u00f3ry wed\u0142ug Celi powinien stanowi\u0107 co najmniej po\u0142ow\u0119 tre\u015bci kursu.<\/p>\n
Jedn\u0105 z inicjatyw pomagaj\u0105cych rozwi\u0105za\u0107 t\u0119 zagadk\u0119 jest konsorcjum MIT Critical Data. Od 2014 roku organizuje ono mi\u0119dzynarodowe datatony. Sesje te \u0142\u0105cz\u0105 lekarzy, analityk\u00f3w danych i pracownik\u00f3w s\u0142u\u017cby zdrowia, kt\u00f3rzy wsp\u00f3lnie analizuj\u0105 lokalne zbiory danych, d\u0105\u017c\u0105c do zrozumienia zdrowia i chor\u00f3b w unikalnym kontek\u015bcie kulturowym i systemowym ka\u017cdego regionu. Wsp\u00f3\u0142praca ta sprzyja tworzeniu \u015brodowiska, w kt\u00f3rym krytyczne my\u015blenie rozwija si\u0119 w spos\u00f3b naturalny.<\/p>\n
Akceptacja niedoskona\u0142o\u015bci danych mo\u017ce by\u0107 r\u00f3wnie\u017c krokiem w kierunku poprawy, cho\u0107 jest to wyzwanie. Dobrym przyk\u0142adem jest baza danych MIMIC, kt\u00f3rej opracowanie u\u017cytecznego schematu zaj\u0119\u0142o ponad 10 lat, g\u0142\u00f3wnie dzi\u0119ki temu, \u017ce u\u017cytkownicy dostrzegali i wskazywali jej wady. W tym miejscu warto przytoczy\u0107 trafn\u0105 uwag\u0119 Celi, \u017ce nawet bez wszystkich odpowiedzi inspirowanie ludzi do zadawania w\u0142a\u015bciwych pyta\u0144 mo\u017ce ca\u0142kowicie zmieni\u0107 sytuacj\u0119. Studenci i naukowcy anga\u017cuj\u0105cy si\u0119 w rozw\u00f3j sztucznej inteligencji w s\u0142u\u017cbie zdrowia musz\u0105 mie\u0107 \u015bwiadomo\u015b\u0107 jej potencja\u0142u transformacyjnego oraz zwi\u0105zanych z tym obowi\u0105zk\u00f3w etycznych.<\/p>\n
Aby zapozna\u0107 si\u0119 z bardziej szczeg\u00f3\u0142ow\u0105 dyskusj\u0105 na ten temat z Leo Anthonym Celi, odwied\u017a stron\u0119 MIT News<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"An influx of students pursuing courses in artificial intelligence (AI) for healthcare brightens the prospect of revolutionizing medical diagnostics and treatment recommendations yearly. Despite this excitement, one area of concern remains under-addressed\u2014educating students on the critical importance of assessing the quality and biases inherent in the training data used to develop these AI models. The Unseen Shortcomings in Healthcare Data and the Role of AI Education Wonderfully highlighted by Leo Anthony Celi, an accomplished physician and senior research scientist at MIT’s Institute for Medical Engineering and Science, this oversight in AI education may create issues down the line. In a […]<\/p>\n","protected":false},"author":4,"featured_media":5650,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[47,51],"tags":[],"class_list":["post-5649","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-tutorial","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/5649","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/comments?post=5649"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/posts\/5649\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media\/5650"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/media?parent=5649"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/categories?post=5649"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/pl\/wp-json\/wp\/v2\/tags?post=5649"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}