एआई विज्ञहरूले स्वास्थ्य सेवामा बलियो एआईलाई कसरी एकीकृत गर्ने, अन्तरविषय सहकार्य किन महत्त्वपूर्ण छ, र अनुसन्धानमा जेनेरेटिभ एआईको सम्भावनाबारे छलफल गर्छन्।
मे १४ मा स्ट्यानफोर्ड युनिभर्सिटी स्कूल अफ मेडिसिनमा आयोजित RAISE स्वास्थ्य संगोष्ठीमा फेइफेई ली र लोयड माइनरले उद्घाटन मन्तव्य दिए। स्टीव फिश
कृत्रिम बुद्धिमत्ताले घेरिएका धेरैजसो मानिसहरूले कुनै न कुनै प्रकारको "आहा" क्षण अनुभव गरेका हुन्छन्, जसले सम्भावनाहरूको संसारमा आफ्नो दिमाग खोल्छन्। मे १४ मा उद्घाटन RAISE स्वास्थ्य संगोष्ठीमा, स्ट्यानफोर्ड विश्वविद्यालय स्कूल अफ मेडिसिनका डीन र स्ट्यानफोर्ड विश्वविद्यालयका चिकित्सा मामिलाका उपाध्यक्ष, लोयड माइनरले आफ्नो दृष्टिकोण साझा गरे।
जब एक जिज्ञासु किशोरलाई भित्री कानको बारेमा आफ्नो निष्कर्ष संक्षेप गर्न भनियो, उसले जेनेरेटिभ आर्टिफिसियल इन्टेलिजेन्स तर्फ फर्कियो। "मैले सोधें, 'सुपीरियर क्यानल डिहिसेन्स सिन्ड्रोम भनेको के हो?' माइनरले लगभग ४,००० संगोष्ठी सहभागीहरूलाई भने। केही सेकेन्डमै, धेरै अनुच्छेदहरू देखा परे।
"तिनीहरू राम्रा छन्, साँच्चै राम्रा छन्," उनले भने। "यो जानकारी रोगको संक्षिप्त, सामान्यतया सही र स्पष्ट रूपमा प्राथमिकता दिइएको विवरणमा संकलित गरिएको थियो। यो एकदमै उल्लेखनीय छ।"
धेरैले आधा-दिनको कार्यक्रमको लागि माइनरको उत्साह साझा गरे, जुन RAISE स्वास्थ्य पहलको परिणाम थियो, जुन स्ट्यानफोर्ड विश्वविद्यालय स्कूल अफ मेडिसिन र स्ट्यानफोर्ड इन्स्टिच्युट फर ह्युमन-सेन्टर्ड आर्टिफिसियल इन्टेलिजेन्स (HAI) द्वारा कृत्रिम बुद्धिमत्ताको जिम्मेवार प्रयोगलाई मार्गदर्शन गर्न सुरु गरिएको परियोजना हो। बायोमेडिकल अनुसन्धान, शिक्षा, र बिरामी हेरचाहमा बुद्धिमत्ता। वक्ताहरूले चिकित्सामा कृत्रिम बुद्धिमत्तालाई डाक्टर र वैज्ञानिकहरूको लागि मात्र उपयोगी नभई पारदर्शी, निष्पक्ष र बिरामीहरूको लागि पनि समान रूपमा लागू गर्नुको अर्थ के हो भनेर जाँच गरे।
"हामी विश्वास गर्छौं कि यो मानव क्षमता बढाउने प्रविधि हो," स्ट्यानफोर्ड स्कूल अफ इन्जिनियरिङका कम्प्युटर विज्ञानका प्राध्यापक, RAISE हेल्थ विथ माइनर परियोजनाका निर्देशक र HAI का सह-निर्देशक फेई-फेई लीले भने। पुस्तादेखि पुस्तासम्म, नयाँ प्रविधिहरू देखा पर्न सक्छन्: एन्टिबायोटिकको नयाँ आणविक अनुक्रमदेखि जैविक विविधताको नक्साङ्कन र आधारभूत जीवविज्ञानका लुकेका भागहरू प्रकट गर्नेसम्म, AI ले वैज्ञानिक खोजलाई गति दिइरहेको छ। तर यो सबै लाभदायक छैन। "यी सबै अनुप्रयोगहरूको अनपेक्षित परिणाम हुन सक्छ, र हामीलाई [कृत्रिम बुद्धिमत्ता] जिम्मेवारीपूर्वक विकास र कार्यान्वयन गर्ने कम्प्युटर वैज्ञानिकहरू चाहिन्छ, डाक्टर र नीतिशास्त्रीहरूदेखि... सुरक्षा विशेषज्ञहरू र बाहिरका विभिन्न सरोकारवालाहरूसँग काम गर्दै," उनी भन्छिन्। "RAISE हेल्थ जस्ता पहलहरूले यसमा हाम्रो प्रतिबद्धता प्रदर्शन गर्छन्।"
स्ट्यानफोर्ड मेडिसिनका तीन डिभिजनहरू - स्कूल अफ मेडिसिन, स्ट्यानफोर्ड हेल्थ केयर र स्ट्यानफोर्ड युनिभर्सिटी स्कूल अफ चाइल्ड हेल्थ मेडिसिन - को एकीकरण र स्ट्यानफोर्ड युनिभर्सिटीका अन्य भागहरूसँगको यसको सम्बन्धले यसलाई यस्तो स्थितिमा पुर्याएको छ जहाँ विशेषज्ञहरू कृत्रिम बुद्धिमत्ताको विकाससँग जुधिरहेका छन्। स्वास्थ्य सेवा र औषधिको क्षेत्रमा व्यवस्थापन र एकीकरणका मुद्दाहरू। औषधि, गीत गयो।
"हामी कृत्रिम बुद्धिमत्ताको विकास र जिम्मेवार कार्यान्वयनमा अग्रणी हुन राम्रो स्थितिमा छौं, आधारभूत जैविक खोजदेखि औषधि विकासमा सुधार गर्ने र क्लिनिकल परीक्षण प्रक्रियाहरूलाई अझ प्रभावकारी बनाउने, स्वास्थ्य सेवाहरूको वास्तविक वितरणसम्म। स्वास्थ्य सेवा। स्वास्थ्य सेवा प्रणाली कसरी स्थापित गरिएको छ," उनले भने।
धेरै वक्ताहरूले एउटा साधारण अवधारणामा जोड दिए: प्रयोगकर्तामा ध्यान केन्द्रित गर्नुहोस् (यस अवस्थामा, बिरामी वा चिकित्सक) र अरू सबै कुरा पछि आउनेछ। "यसले बिरामीलाई हामीले गर्ने सबै कुराको केन्द्रमा राख्छ," ब्रिघम एण्ड वुमेन्स हस्पिटलका बायोएथिक्सका निर्देशक डा. लिसा लेहम्यानले भनिन्। "हामीले उनीहरूको आवश्यकता र प्राथमिकताहरूलाई विचार गर्न आवश्यक छ।"
बायाँबाट दायाँ: STAT समाचार प्रस्तोता मोहना रविन्द्रनाथ; माइक्रोसफ्ट अनुसन्धानकी जेसिका पिटर ली; बायोमेडिकल डेटा विज्ञानकी प्राध्यापक सिल्भिया प्लेभ्राइटिस, चिकित्सा अनुसन्धानमा कृत्रिम बुद्धिमत्ताको भूमिकाको बारेमा छलफल गर्छिन्। स्टीव फिश
लेहम्यान, स्ट्यानफोर्ड विश्वविद्यालयका मेडिकल बायोएथिसिस्ट मिल्ड्रेड चो, एमडी, र गुगलका प्रमुख क्लिनिकल अफिसर माइकल होवेल, एमडी सहितको प्यानलका वक्ताहरूले अस्पताल प्रणालीहरूको जटिलतालाई उल्लेख गरे, कुनै पनि हस्तक्षेप गर्नु अघि तिनीहरूको उद्देश्य बुझ्नुपर्ने आवश्यकतालाई जोड दिए। यसलाई कार्यान्वयन गर्नुहोस् र विकसित गरिएका सबै प्रणालीहरू समावेशी छन् भनी सुनिश्चित गर्नुहोस् र मद्दत गर्न डिजाइन गरिएका मानिसहरूलाई सुन्नुहोस्।
एउटा मुख्य कुरा पारदर्शिता हो: यसले एल्गोरिथ्मलाई तालिम दिन प्रयोग गरिने डेटा कहाँबाट आउँछ, एल्गोरिथ्मको मूल उद्देश्य के हो, र भविष्यमा बिरामी डेटाले एल्गोरिथ्मलाई सिक्न मद्दत गर्न जारी राख्छ कि राख्दैन भन्ने कुरा स्पष्ट पार्छ, अन्य कारकहरूका साथै।
"गम्भीर हुनुभन्दा पहिले नै नैतिक समस्याहरूको भविष्यवाणी गर्ने प्रयास गर्नुको अर्थ [अर्थात्] प्रविधिको बारेमा पर्याप्त जानकारी भएको उत्तम स्वीट स्पट खोज्नु हो जहाँ तपाईं यसमा केही विश्वास गर्न सक्नुहुन्छ, तर [समस्या] अझ फैलिनु र यसलाई चाँडै समाधान गर्नु अघि होइन।", डेन्टन चारले भने। चिकित्सा विज्ञानका उम्मेदवार, बाल चिकित्सा एनेस्थेसियोलोजी, पेरियोपरेटिभ मेडिसिन र पेन मेडिसिन विभागका सह-प्राध्यापक। एउटा प्रमुख कदम, उनी भन्छन्, प्रविधिबाट प्रभावित हुन सक्ने सबै सरोकारवालाहरूलाई पहिचान गर्नु र उनीहरू आफैंले ती प्रश्नहरूको जवाफ कसरी दिन चाहन्छन् भनेर निर्धारण गर्नु हो।
अमेरिकन मेडिकल एसोसिएसनका अध्यक्ष जेसी एहरेनफेल्डले कृत्रिम बुद्धिमत्ताद्वारा संचालित कुनै पनि डिजिटल स्वास्थ्य उपकरण अपनाउने चार कारकहरूको बारेमा छलफल गर्छन्। के यो प्रभावकारी छ? के यो मेरो संस्थामा काम गर्नेछ? कसले तिर्नेछ? जिम्मेवार को हो?
स्ट्यानफोर्ड हेल्थ केयरका प्रमुख सूचना अधिकारी, एमडी, माइकल फेफरले हालैको एउटा उदाहरण उद्धृत गरे जसमा स्ट्यानफोर्ड अस्पतालहरूमा नर्सहरू बीच धेरै समस्याहरूको परीक्षण गरिएको थियो। क्लिनिशियनहरूलाई ठूला भाषा मोडेलहरूद्वारा समर्थित गरिन्छ जसले आगमन बिरामी सन्देशहरूको लागि प्रारम्भिक एनोटेसन प्रदान गर्दछ। यद्यपि परियोजना उत्तम छैन, प्रविधि विकास गर्न मद्दत गर्ने डाक्टरहरूले रिपोर्ट गर्छन् कि मोडेलले उनीहरूको कार्यभार कम गर्दछ।
"हामी सधैं तीन महत्त्वपूर्ण कुराहरूमा ध्यान केन्द्रित गर्छौं: सुरक्षा, दक्षता र समावेशीकरण। हामी डाक्टर हौं। हामी "कुनै हानि नगर्ने" शपथ लिन्छौं, चारमा सामेल भएकी मनोचिकित्सा र व्यवहार विज्ञानकी क्लिनिकल सहायक प्राध्यापक नीना वासन, एमडीले भनिन् र फेफर समूहमा सामेल भए। "यी उपकरणहरूको मूल्याङ्कन गर्ने यो पहिलो तरिका हुनुपर्छ।"
निगम शाह, एमबीबीएस, पीएचडी, मेडिसिन र बायोमेडिकल डाटा साइन्सका प्राध्यापकले दर्शकहरूलाई उचित चेतावनीको बावजुद स्तब्ध पार्ने तथ्याङ्कका साथ छलफल सुरु गरे। "म सामान्य शब्द र संख्यामा कुरा गर्छु, र कहिलेकाहीँ तिनीहरू धेरै प्रत्यक्ष हुन्छन्," उनले भने।
शाहका अनुसार, एआईको सफलता यसलाई मापन गर्ने हाम्रो क्षमतामा निर्भर गर्दछ। "एउटा मोडेलमा उचित वैज्ञानिक अनुसन्धान गर्न लगभग १० वर्ष लाग्छ, र यदि १२३ फेलोशिप र रेसिडेन्सी कार्यक्रमहरू मध्ये प्रत्येकले मोडेललाई कठोरताको त्यो स्तरमा परीक्षण र तैनाथ गर्न चाहन्छ भने, सही विज्ञान गर्न धेरै गाह्रो हुनेछ किनकि हामी हाल हाम्रा प्रयासहरू र [परीक्षण]] व्यवस्थित गर्छौं। हाम्रा प्रत्येक साइटहरू सही रूपमा काम गर्छन् भनी सुनिश्चित गर्न $१३८ बिलियन खर्च हुनेछ," शाहले भने। "हामी यो खर्च गर्न सक्दैनौं। त्यसैले हामीले विस्तार गर्ने तरिका खोज्नु पर्छ, र हामीले राम्रो विज्ञान विस्तार गर्न र गर्न आवश्यक छ। कठोरता सीपहरू एक ठाउँमा छन् र स्केलिंग सीपहरू अर्को ठाउँमा छन्, त्यसैले हामीलाई त्यस प्रकारको साझेदारीको आवश्यकता पर्नेछ।"
एसोसिएट डीन युआन एश्ले र मिल्ड्रेड चो (रिसेप्शन) ले RAISE स्वास्थ्य कार्यशालामा भाग लिए। स्टीव फिश
गोष्ठीमा केही वक्ताहरूले यो सार्वजनिक-निजी साझेदारी मार्फत हासिल गर्न सकिने बताए, जस्तै कृत्रिम बुद्धिमत्ताको सुरक्षित, विश्वसनीय र विकास र प्रयोग सम्बन्धी हालैको ह्वाइट हाउस कार्यकारी आदेश र स्वास्थ्य सेवा कृत्रिम बुद्धिमत्ताको लागि कन्सोर्टियम (CHAI)।
"सबैभन्दा ठूलो सम्भावना भएको सार्वजनिक-निजी साझेदारी भनेको शिक्षा, निजी क्षेत्र र सार्वजनिक क्षेत्र बीचको साझेदारी हो," राष्ट्रिय चिकित्सा प्रतिष्ठानकी वरिष्ठ सल्लाहकार लौरा एडम्सले भनिन्। उनले उल्लेख गरिन् कि सरकारले सार्वजनिक विश्वास सुनिश्चित गर्न सक्छ, र शैक्षिक चिकित्सा केन्द्रहरूले वैधता प्रदान गर्न सक्छन्, र प्राविधिक विशेषज्ञता र कम्प्युटर समय निजी क्षेत्रले प्रदान गर्न सक्छ। "हामी सबै हामीमध्ये कसैभन्दा राम्रो छौं, र हामी यो कुरा स्वीकार गर्छौं ... जबसम्म हामी एकअर्कासँग कसरी अन्तरक्रिया गर्ने भनेर बुझ्दैनौं तबसम्म हामी [कृत्रिम बुद्धिमत्ता] को सम्भावनालाई महसुस गर्न प्रार्थना गर्न सक्दैनौं।"
धेरै वक्ताहरूले भने कि एआईले अनुसन्धानमा पनि प्रभाव पारिरहेको छ, चाहे वैज्ञानिकहरूले यसलाई जैविक सिद्धान्तको अन्वेषण गर्न प्रयोग गरून्, नयाँ उपचारहरूलाई समर्थन गर्न कृत्रिम अणुहरूको नयाँ अनुक्रम र संरचनाहरूको भविष्यवाणी गरून्, वा वैज्ञानिक कागजातहरू संक्षेप गर्न वा लेख्न मद्दत गरून्।
“यो अज्ञातलाई हेर्ने अवसर हो,” स्ट्यानफोर्ड युनिभर्सिटी स्कूल अफ मेडिसिनकी कार्डियोलोजिस्ट र अल्फाबेटको भेरिलीकी सह-संस्थापक, एमडी जेसिका मेगाले भनिन्। मेगाले हाइपरस्पेक्ट्रल इमेजिङको उल्लेख गरिन्, जसले मानव आँखाले नदेख्ने छवि सुविधाहरू कैद गर्दछ। यो विचार भनेको रोगविज्ञान स्लाइडहरूमा ढाँचाहरू पत्ता लगाउन कृत्रिम बुद्धिमत्ता प्रयोग गर्नु हो जुन मानिसहरूले रोगलाई संकेत गर्दैनन्। “म मानिसहरूलाई अज्ञातलाई अँगाल्न प्रोत्साहित गर्छु। मलाई लाग्छ कि यहाँ सबैले कुनै न कुनै प्रकारको चिकित्सा अवस्था भएको व्यक्तिलाई चिन्छन् जसलाई आज हामीले प्रदान गर्न सक्ने भन्दा बाहिरको कुरा चाहिन्छ,” मेजियाले भनिन्।
प्यानलिस्टहरूले यो पनि सहमति जनाए कि कृत्रिम बुद्धिमत्ता प्रणालीहरूले पक्षपाती निर्णय लिने, चाहे त्यो मानव वा कृत्रिम बुद्धिमत्ताले गरेको होस्, पहिचान गर्न र लड्न नयाँ तरिकाहरू प्रदान गर्नेछ, पूर्वाग्रहको स्रोत पहिचान गर्ने क्षमताको साथ।
"स्वास्थ्य भनेको केवल चिकित्सा सेवा मात्र होइन," धेरै प्यानलिस्टहरूले सहमति जनाए। समावेशी डेटा सङ्कलन गर्दा र अध्ययनका लागि सहभागीहरूलाई भर्ना गर्दा अनुसन्धानकर्ताहरूले प्रायः सामाजिक आर्थिक स्थिति, जिप कोड, शिक्षा स्तर, र जाति र जातीयता जस्ता स्वास्थ्यका सामाजिक निर्धारकहरूलाई बेवास्ता गर्ने कुरामा वक्ताहरूले जोड दिए। "एआई मोडेललाई प्रशिक्षित गरिएको डेटा जत्तिकै प्रभावकारी हुन्छ," हार्वर्ड विश्वविद्यालयकी महामारी विज्ञानकी प्राध्यापक र स्ट्यानफोर्ड विश्वविद्यालय स्कूल अफ मेडिसिनमा महामारी विज्ञान र जनसंख्या स्वास्थ्यकी सह-प्राध्यापक मिशेल विलियम्सले भनिन्। "यदि हामीले हामीले गर्न खोजेको कुरा गर्छौं भने। स्वास्थ्य परिणामहरू सुधार गर्छौं र असमानताहरू हटाउँछौं, हामीले मानव व्यवहार र सामाजिक र प्राकृतिक वातावरणमा उच्च-गुणस्तरको डेटा सङ्कलन गर्छौं भनी सुनिश्चित गर्नुपर्छ।"
बालरोग तथा चिकित्साका क्लिनिकल प्रोफेसर, एमडी, नताली पेजलरले भनिन् कि समग्र क्यान्सर डेटाले प्रायः गर्भवती महिलाहरूको डेटालाई समावेश गर्दैन, जसले मोडेलहरूमा अपरिहार्य पूर्वाग्रहहरू सिर्जना गर्दछ र स्वास्थ्य सेवामा अवस्थित असमानताहरूलाई बढाउँछ।
बालरोग तथा चिकित्साका प्राध्यापक डा. डेभिड म्याग्नसले भने कि कुनै पनि नयाँ प्रविधि जस्तै, कृत्रिम बुद्धिमत्ताले धेरै तरिकाले चीजहरूलाई राम्रो बनाउन सक्छ वा झनै खराब बनाउन सक्छ। म्याग्नसले भने, जोखिम यो हो कि कृत्रिम बुद्धिमत्ता प्रणालीहरूले स्वास्थ्यको सामाजिक निर्धारकहरूद्वारा संचालित असमान स्वास्थ्य परिणामहरूको बारेमा सिक्नेछन् र तिनीहरूको आउटपुट मार्फत ती परिणामहरूलाई सुदृढ पार्नेछन्। "कृत्रिम बुद्धिमत्ता एउटा ऐना हो जसले हामी बस्ने समाजलाई प्रतिबिम्बित गर्दछ," उनले भने। "म आशा गर्छु कि हरेक पटक हामीले कुनै मुद्दामा प्रकाश पार्ने अवसर पाउँदा - आफैंलाई ऐना राख्ने - यसले स्थिति सुधार गर्न प्रेरणाको रूपमा काम गर्नेछ।"
यदि तपाईं RAISE स्वास्थ्य कार्यशालामा उपस्थित हुन असमर्थ हुनुभयो भने, सत्रको रेकर्डिङ यहाँ पाउन सकिन्छ।
स्ट्यानफोर्ड युनिभर्सिटी स्कूल अफ मेडिसिन एक एकीकृत शैक्षिक स्वास्थ्य सेवा प्रणाली हो जसमा स्ट्यानफोर्ड युनिभर्सिटी स्कूल अफ मेडिसिन र वयस्क र बाल चिकित्सा स्वास्थ्य सेवा वितरण प्रणालीहरू समावेश छन्। सँगै तिनीहरूले सहयोगी अनुसन्धान, शिक्षा र क्लिनिकल बिरामी हेरचाह मार्फत बायोमेडिसिनको पूर्ण सम्भावनालाई महसुस गर्छन्। थप जानकारीको लागि, med.stanford.edu मा जानुहोस्।
स्ट्यानफोर्ड अस्पतालका डाक्टर र नर्सहरूलाई बिरामीको हेरचाह सुधार गर्न मिलेर काम गर्न नयाँ कृत्रिम बुद्धिमत्ता मोडेलले मद्दत गरिरहेको छ।
पोस्ट समय: जुलाई-१९-२०२४