کارشناسان هوش مصنوعی در مورد چگونگی ادغام هوش مصنوعی قوی در مراقبت های بهداشتی ، چرا همکاری بین رشته ای بسیار مهم است و پتانسیل هوش مصنوعی تولیدی در تحقیقات بحث می کنند.
Feifei Li و Lloyd Minor سخنان افتتاحیه را در سمپوزیوم بهداشتی افزایش سلامت در دانشکده پزشکی دانشگاه استنفورد در 14 مه ارائه دادند. استیو فیش
بیشتر افرادی که توسط هوش مصنوعی اسیر شده اند ، لحظه ای از "آه" را تجربه کرده اند و ذهن خود را به دنیای امکانات باز می کنند. در مراسم تحلیف افزایش سلامت در تاریخ 14 مه ، لوید صغیر ، دکتر ، دین دانشکده پزشکی دانشگاه استنفورد و معاون رئیس جمهور در امور پزشکی در دانشگاه استنفورد ، دیدگاه خود را به اشتراک گذاشت.
هنگامی که از یک نوجوان کنجکاو خواسته شد که یافته های خود را در مورد گوش داخلی خلاصه کند ، وی به سمت هوش مصنوعی تولیدی روی آورد. "من از من پرسیدم ،" سندرم Dehiscence کانال برتر چیست؟ " صغیر به نزدیک به 4000 شرکت کننده در سمپوزیوم گفت. در عرض چند ثانیه ، چندین پاراگراف ظاهر شد.
وی گفت: "آنها خوب هستند ، واقعاً خوب." وی گفت: "این اطلاعات در توصیف مختصر ، به طور کلی دقیق و به وضوح در اولویت بیماری تهیه شده است. این کاملاً قابل توجه است. "
بسیاری از هیجان های جزئی برای این رویداد نیم روزه ، که نتیجه ای از ابتکار عمل Raise Health بود ، پروژه ای که توسط دانشکده پزشکی دانشگاه استنفورد و موسسه هوش مصنوعی انسان محور (HAI) راه اندازی شده است ، برای هدایت استفاده مسئولانه از مصنوعی راه اندازی شده است. هوش هوش در تحقیقات زیست پزشکی ، آموزش و مراقبت از بیمار. سخنرانان بررسی کردند که به معنای اجرای هوش مصنوعی در پزشکی به گونه ای است که نه تنها برای پزشکان و دانشمندان مفید است ، بلکه برای بیماران شفاف ، منصفانه و عادلانه نیز مفید است.
فی فی ، استاد علوم کامپیوتر در دانشکده مهندسی استنفورد ، مدیر Raise Health با پروژه جزئی و مدیر کارگردان HAI گفت: "ما معتقدیم که این یک فناوری است که توانایی های انسانی را تقویت می کند." نسل بعد از نسل ، فن آوری های جدید ممکن است ظهور کنند: از توالی های جدید مولکولی آنتی بیوتیک ها گرفته تا نقشه برداری از تنوع زیستی و آشکار کردن بخش های پنهان زیست شناسی اساسی ، هوش مصنوعی در حال شتاب در حال کشف علمی است. اما همه اینها مفید نیست. او می گوید: "همه این برنامه ها می توانند عواقب ناخواسته داشته باشند ، و ما به دانشمندان رایانه ای نیاز داریم که با مسئولیت پذیری [هوش مصنوعی] را توسعه داده و پیاده سازی کنند ، با انواع ذینفعان ، از پزشکان و اخلاق گرایان ... گرفته تا کارشناسان امنیتی و فراتر از آن ، کار کنند." "ابتکاراتی مانند افزایش سلامت ، تعهد ما را به این امر نشان می دهد."
ادغام سه بخش از پزشکی استنفورد - دانشکده پزشکی ، مراقبت های بهداشتی استنفورد و دانشکده پزشکی بهداشت کودکان دانشگاه استنفورد - و ارتباطات آن با سایر بخش های دانشگاه استنفورد ، آن را در موقعیتی قرار داده است که کارشناسان در حال پیشرفت با توسعه هستند هوش مصنوعی. مسائل مربوط به مدیریت و ادغام در زمینه مراقبت های بهداشتی و پزشکی. پزشکی ، آهنگ رفت.
وی گفت: "ما به خوبی موقعیتی داریم که پیشگام در توسعه و اجرای مسئول هوش مصنوعی باشیم ، از اکتشافات اساسی بیولوژیکی گرفته تا بهبود توسعه دارو و کارآمدتر کردن فرآیندهای آزمایش بالینی ، درست از طریق ارائه واقعی خدمات مراقبت های بهداشتی. بهداشت و درمان نحوه تنظیم سیستم مراقبت های بهداشتی. "
چندین سخنران بر یک مفهوم ساده تأکید کردند: روی کاربر (در این حالت بیمار یا پزشک) تمرکز کنید و هر چیز دیگری دنبال خواهد شد. دکتر لیزا لمان ، مدیر بیوتیک در بریگام و بیمارستان زنان گفت: "این بیمار را در مرکز هر کاری که انجام می دهیم قرار می دهد." "ما باید نیازها و اولویت های آنها را در نظر بگیریم."
از چپ به راست: مجری خبری استات ، Mohana Ravindranath ؛ جسیکا پیتر لی از تحقیقات مایکروسافت ؛ سیلویا پلوریتس ، استاد علوم داده های زیست پزشکی ، در مورد نقش هوش مصنوعی در تحقیقات پزشکی بحث می کند. استیو ماهی
سخنرانان این پانل ، که شامل لمان ، بیولوژیست پزشکی پزشکی دانشگاه استنفورد ، میلدرد چو ، دکتر و رئیس کلینیک ارشد Google ، مایکل هاول ، دکتر ، به پیچیدگی سیستم های بیمارستان اشاره کرد و بر لزوم درک هدف آنها قبل از هرگونه مداخله تأکید کرد. آن را پیاده سازی کرده و اطمینان حاصل کنید که تمام سیستم های توسعه یافته فراگیر هستند و به افرادی که برای کمک به آنها طراحی شده اند گوش می دهند.
یک نکته اصلی شفافیت است: این مسئله را روشن می کند که داده های مورد استفاده برای آموزش الگوریتم از کجا به دست می آید ، هدف اصلی این الگوریتم چیست و اینکه آیا داده های آینده بیمار همچنان به الگوریتم کمک می کند تا از جمله عوامل دیگر یاد بگیرند.
"تلاش برای پیش بینی مشکلات اخلاقی قبل از اینکه جدی شوند [به معنای] پیدا کردن یک نقطه شیرین کامل که در آن می دانید به اندازه کافی در مورد این فناوری برای اطمینان از آن ، اما قبل از [مشکل] بیشتر گسترش نمی یابد و زودتر آن را حل می کند." دنتون چار گفت. کاندیدای علوم پزشکی ، دانشیار گروه بیهوشی کودکان ، پزشکی بعد از عمل و پزشکی درد. به گفته وی ، یک قدم مهم ، شناسایی همه ذینفعان است که ممکن است تحت تأثیر فناوری قرار بگیرند و تعیین کنند که چگونه خودشان دوست دارند به این سؤالات پاسخ دهند.
جسی ارنفلد ، دکتر ، رئیس جمهور انجمن پزشکی آمریکا ، در مورد چهار عامل که باعث پذیرش هر ابزار بهداشتی دیجیتال ، از جمله مواردی که از هوش مصنوعی استفاده می شود ، بحث می کند. آیا مؤثر است؟ آیا این کار در موسسه من خواهد بود؟ چه کسی می پردازد؟ چه کسی مسئول است؟
مایکل پففر ، دکتر ، مدیر ارشد اطلاعات مراقبت های بهداشتی استنفورد ، نمونه ای از اخیر را ذکر کرد که در آن بسیاری از موضوعات در بین پرستاران در بیمارستان های استنفورد مورد آزمایش قرار گرفت. پزشکان توسط مدل های بزرگ زبان پشتیبانی می شوند که حاشیه نویسی اولیه را برای پیام های ورودی بیمار ارائه می دهند. اگرچه این پروژه کامل نیست ، اما پزشکانی که به توسعه این فناوری کمک کرده اند گزارش دهند که این مدل بار کاری خود را کاهش می دهد.
ما همیشه روی سه چیز مهم تمرکز می کنیم: ایمنی ، کارآیی و گنجاندن. ما پزشک هستیم. نینا وسان ، دکتر ، استادیار بالینی روانپزشکی و علوم رفتاری ، که به Char و Pfeffer پیوستند ، گفت: "ما سوگند نمی خوریم." "این باید اولین راه برای ارزیابی این ابزارها باشد."
نیگام شاه ، MBBS ، دکتری ، استاد پزشکی و علوم داده های زیست پزشکی ، علیرغم هشدار منصفانه به مخاطبان ، بحث را با آماری تکان دهنده آغاز کرد. وی گفت: "من به طور کلی و به طور کلی صحبت می کنم ، و گاهی اوقات آنها تمایل دارند که بسیار مستقیم باشند."
به گفته شاه ، موفقیت هوش مصنوعی به توانایی ما در مقیاس بندی آن بستگی دارد. وی گفت: "انجام تحقیقات علمی مناسب در مورد یک مدل حدود 10 سال طول می کشد ، و اگر هر یک از 123 برنامه کمک هزینه تحصیلی و اقامت می خواستند این مدل را در آن سطح از سخت گیری آزمایش و مستقر کنند ، انجام علم صحیح بسیار دشوار خواهد بود زیرا ما در حال حاضر سازماندهی می کنیم تلاش های ما و [آزمایش]] برای اطمینان از اینکه هر یک از سایتهای ما به درستی کار می کنند ، 138 میلیارد دلار هزینه دارد. " ما نمی توانیم این را تحمل کنیم. بنابراین ما باید راهی برای گسترش پیدا کنیم و باید گسترش و علم خوبی را انجام دهیم. مهارت های سختگیرانه در یک مکان قرار دارند و مهارت های مقیاس گذاری در دیگری قرار دارد ، بنابراین ما به آن نوع مشارکت نیاز داریم. "
دانشیار دین یوان اشلی و میلدرد چو (پذیرش) در کارگاه Raise Health شرکت کردند. استیو ماهی
برخی از سخنرانان این سمپوزیوم گفتند که این امر می تواند از طریق مشارکتهای دولتی و خصوصی ، مانند دستور اخیر اجرایی کاخ سفید در مورد توسعه امن ، امن و قابل اعتماد از هوش مصنوعی و کنسرسیوم هوش مصنوعی مراقبت های بهداشتی (چای) حاصل شود. ).
لورا آدامز ، مشاور ارشد آکادمی ملی پزشکی گفت: "همکاری عمومی و خصوصی با بزرگترین پتانسیل یکی بین دانشگاه ، بخش خصوصی و بخش دولتی است." وی خاطرنشان کرد: دولت می تواند اعتماد عمومی را تضمین کند و مراکز پزشکی دانشگاهی می توانند. مشروعیت را ارائه دهید ، و تخصص فنی و زمان رایانه توسط بخش خصوصی می تواند ارائه شود. "همه ما از هر یک از ما بهتر هستیم و می دانیم که ... ما نمی توانیم دعا کنیم تا پتانسیل [هوش مصنوعی] را تحقق بخشیم ، مگر اینکه درک کنیم که چگونه با یکدیگر تعامل داشته باشیم."
چندین سخنران گفتند که هوش مصنوعی همچنین در تحقیقات تأثیر دارد ، خواه دانشمندان از آن برای کشف جزم های بیولوژیکی استفاده کنند ، توالی ها و ساختارهای جدید مولکول های مصنوعی را برای پشتیبانی از درمان های جدید پیش بینی کنند ، یا حتی به آنها در جمع بندی یا نوشتن مقالات علمی کمک کنند.
جسیکا مگا ، دکتر ، متخصص قلب و عروق در دانشکده پزشکی دانشگاه استنفورد و بنیانگذار Alphabet ، گفت: "این فرصتی برای دیدن ناشناخته است." مگا از تصویربرداری Hyperspectral اشاره کرد ، که تصویر تصویر را برای چشم انسان نامرئی می کند. ایده این است که از هوش مصنوعی برای تشخیص الگوهای اسلایدهای آسیب شناسی استفاده کنیم که انسان ها این امر را نشان نمی دهند. "من مردم را تشویق می کنم تا ناشناخته ها را در آغوش بگیرند. من فکر می کنم همه در اینجا کسی را با نوعی وضعیت پزشکی می شناسند که به چیزی فراتر از آنچه امروز می توانیم ارائه دهیم نیاز دارد. "
پانل ها همچنین موافقت كردند كه سیستم های اطلاعاتی مصنوعی روشهای جدیدی را برای شناسایی و مبارزه با تصمیم گیری مغرضانه ، چه توسط انسان و چه از هوش مصنوعی ، با توانایی شناسایی منبع تعصب فراهم می كنند.
چندین هیئت مدیره موافق بودند: "سلامت چیزی بیش از مراقبت پزشکی نیست." سخنرانان تأکید کردند که محققان غالباً هنگام جمع آوری داده های فراگیر و استخدام شرکت کنندگان برای مطالعات ، از عوامل اجتماعی بهداشتی مانند وضعیت اقتصادی اقتصادی ، کد پستی ، سطح تحصیلات و نژاد و قومیت غافل می شوند. میشل ویلیامز ، استاد اپیدمیولوژی در دانشگاه هاروارد و استادیار اپیدمیولوژی و سلامت جمعیت در دانشکده پزشکی دانشگاه استنفورد گفت: "هوش مصنوعی فقط به اندازه داده هایی که این مدل آموزش داده شده است ، مؤثر است." "اگر آنچه را که تلاش می کنیم انجام دهیم. نتایج سلامت را بهبود بخشید و نابرابری ها را از بین ببرید ، باید اطمینان حاصل کنیم که داده های با کیفیت بالا را در مورد رفتار انسان و محیط اجتماعی و طبیعی جمع آوری می کنیم. "
Natalie Pageler ، MD ، استاد بالینی کودکان و پزشکی ، گفت که داده های جمع شده سرطان اغلب داده های مربوط به زنان باردار را حذف می کند و باعث ایجاد تعصبات اجتناب ناپذیر در مدل ها و تشدید نابرابری های موجود در مراقبت های بهداشتی می شود.
دکتر دیوید مگنوس ، استاد کودکان و پزشکی ، گفت که مانند هر فناوری جدید ، هوش مصنوعی می تواند از بسیاری جهات بهتر شود یا آنها را بدتر کند. مگنوس گفت ، این خطر این است که سیستم های هوش مصنوعی در مورد نتایج ناعادلانه سلامت ناشی از عوامل اجتماعی سلامت و تقویت این نتایج از طریق بازده آنها آشنا می شوند. وی گفت: "هوش مصنوعی آینه ای است که نشان دهنده جامعه ای است که ما در آن زندگی می کنیم." "من امیدوارم که هر بار که فرصتی برای درخشش در مورد یک مسئله داریم - برای نگه داشتن آینه به خودمان - این به عنوان انگیزه ای برای بهبود اوضاع خدمت می کند."
اگر نتوانستید در کارگاه سلامت Raise شرکت کنید ، ضبط جلسه را می توان در اینجا یافت.
دانشکده پزشکی دانشگاه استنفورد یک سیستم مراقبت های بهداشتی دانشگاهی یکپارچه متشکل از دانشکده پزشکی دانشگاه استنفورد و سیستم های ارائه خدمات درمانی بزرگسالان و کودکان است. آنها با هم پتانسیل کامل زیست پزشکی را از طریق تحقیقات مشترک ، آموزش و مراقبت بالینی بیمار درک می کنند. برای اطلاعات بیشتر ، به med.stanford.edu مراجعه کنید.
یک مدل هوش مصنوعی جدید به پزشکان و پرستاران بیمارستان استنفورد کمک می کند تا با هم همکاری کنند تا مراقبت از بیمار را بهبود بخشند.
زمان پست: ژوئیه 19-2024