Μια νέα μελέτη δείχνει πώς η εκπαίδευση μοντέλων βαθιάς μάθησης σχετικά με τα αποτελέσματα των ασθενών θα μπορούσε να βοηθήσει στην αποκάλυψη κενών στην υπάρχουσα ιατρική γνώση.

Τα τελευταία χρόνια η έρευνα έχει αναδείξει τη δύναμη της βαθιάς μάθησης (deeplearning) αφού αυτή μπορεί να ταιριάξει με την απόδοση εξειδικευμένων εμπειρογνωμόνων σε διάφορους τομείς με κορυφαίο αυτόν της ιατρικής απεικόνισης. Άλλες έρευνες, παρόλαυτά έχουν δείξει ότι η βαθιά μάθηση έχει την τάση να διαιωνίζει τις διακρίσεις. Με ένα σύστημα υγειονομικής περίθαλψης ήδη γεμάτο με ανισότητες, οι ατημέλητες εφαρμογές βαθιάς μάθησης θα μπορούσαν να το κάνουν χειρότερο. Σε ένα νέο άρθρο που δημοσιεύτηκε στο περιοδικό NatureMedicineπροτείνεται ο τρόπος ανάπτυξης ιατρικών αλγορίθμων που βοηθούν στην αντιστροφή της υπάρχουσας ανισότητας. Όπως αναφέρει ο ZiadObermeyer, αναπληρωτής καθηγητής στο UCBerkeleyκαι επιβλέπων της έρευνας «Το κλειδί είναι να σταματήσουμε να εκπαιδεύουμε τους αλγορίθμους με σκοπό να φτάσουν την απόδοση των ανθρώπων ειδικών».

Το άρθρο εξετάζει ένα συγκεκριμένο κλινικό παράδειγμα των ανισοτήτων που υπάρχουν στη θεραπεία της οστεοαρθρίτιδας του γονάτου, κατάστασης που προκαλεί χρόνιο πόνο. Αξιολογώντας την ένταση του πόνου αυτού οι γιατροί δίνουν ανάλογη θεραπεία. Σε μεγάλο βαθμό αυτή η αξιολόγηση βασίζεται στον αλγόριθμο KLGο οποίος υπολογίζει την ένταση του πόνου βασισμένος σε διαφορετικά ακτινογραφικά χαρακτηριστικά (π.χ. βαθμός απώλειας χόνδρου ή δομικής βλάβης).

Τα δεδομένα όμως από το NIH (Εθνικό Ινστιτούτο Υγείας) δείχνουν μια συστηματική υποαξιολόγηση του πόνου των έγχρωμων ασθενών από ιατρούς που χρησιμοποιούν αυτόν τον αλγόριθμο και ενώ για κάποιο λόγο οι έγχρωμοι ασθενείς με ίδιο βαθμό απώλειας χόνδρου με λευκούς ασθενείς αναφέρουν μεγαλύτερο πόνο, η άποψή τους έρχεται σε δεύτερη μοίρα με την τελική θεραπεία να βασίζεται στον αλγόριθμό KLG.

Αμέσως γεννήθηκε, λοιπόν, η υπόθεση ότι μπορεί να υπάρχουν ακτινογραφικοί δείκτες πόνου που εμφανίζονται πιο συχνά στους έγχρωμους που απλά δεν ανήκουν στον KLG (ο οποίος φτιάχτηκε πριν δεκάδες χρόνια και πιθανόν όχι με καθαρά ολιστική προσέγγιση).

Για να εξετάσουν αυτήν την πιθανότητα οι ερευνητές κατασκεύασαν ένα μοντέλο deeplearningγια να προβλέψουν το επίπεδο πόνου από την ακτινογραφία. Έτσι αν υπήρχε μεγάλη απόκλιση εικόνας και αναφοράς πόνου από τον ασθενή, μάλλον ο πόνος θα ήταν αυθαίρετος, ενώ σε περίπτωση ταιριάσματος όχι. Οι ερευνητές, τελικά, διαπίστωσαν και στατιστικά ότι το μοντέλο τους ήταν πολύ πιο ακριβές από τον KLGστην πρόβλεψη των αυτοαναφερόμενων επιπέδων πόνου τόσο στους λευκούς αλλά ειδικότερα στους έγχρωμους ασθενείς όπου υπήρχε και το μεγαλύτερο πρόβλημα, μειώνοντας τη φυλετική ανισότητα στο επίπεδο πόνου περίπου στο μισό!

Όπως αναφέρει και ο Obermeyer«Αυτή η μελέτη είναι ένα κομμάτι ενός γενικότερου αγωγού που μπορούμε όλο και περισσότερο να χρησιμοποιούμε στην ιατρική για τη δημιουργία νέων γνώσεων» και φυσικά για την ολιστική και σε βάθος κατανόηση των αυτοαναφορών των ασθενών στις κλινικές δομές.

Πηγή: MIT Technology Review

Χρήστος Χατζόπουλος - Stagiaire EEB