Του Ηλία Ψυχογιού

Η επιστημονική εξέλιξη ανά τον κόσμο βρίσκεται σε ένα σημείο καμπής. Ειδικά η ιατρική, μετά την πανδημία του COVID, έδειξε ότι πλέον ενσωματώνει με επιτυχία τεχνολογίες οι οποίες μέχρι πριν λίγα χρόνια φάνταζαν μακρινό μέλλον αλλά σήμερα μπαίνουν δυναμικά στην καθημερινή ιατρική πρακτική. Ανάμεσα σε αυτές είναι και η τεχνητή νοημοσύνη (AI) η οποία ήδη χρησιμοποιείται τόσο στην κλινική αξιολόγηση των ασθενών όσο και στην ανακάλυψη νέων φαρμάκων, με εντυπωσιακά αποτελέσματα.

Οι αριθμοί είναι αμείλικτοι. Στις Ηνωμένες Πολιτείες, περίπου 795.000 άνθρωποι κάθε χρόνο πεθαίνουν ή μένουν με μόνιμες βλάβες λόγω διαγνωστικών σφαλμάτων, σύμφωνα με ανάλυση που δημοσιεύτηκε online το 2023 και σε έντυπη μορφή το 2024 στο BMJ Quality & Safety. Στην πρωτοβάθμια φροντίδα του ΗΒ, αναδρομικός έλεγχος φακέλων έδειξε ότι ~4,3% των επισκέψεων είχαν χαμένες διαγνωστικές ευκαιρίες, με 37% από αυτές να προκαλούν μέτρια/σοβαρή αποτρέψιμη βλάβη (Incidence, origins and avoidable harm of missed opportunities in diagnosis: longitudinal patient record review in 21 English general practices., 2021, BMJ Quality & Safety). 

Για την Ελλάδα απουσιάζουν επίσημες εθνικές στατιστικές, πέρα από επιμέρους/πιλοτικές προσπάθειες, αλλά σίγουρα θα υπάρχουν τέτοια περιστατικά.  Το πρόβλημα είναι τεράστιο, συχνά αόρατο, αλλά με πολύ πραγματικές συνέπειες για τους ασθενείς.

Σε καμία περίπτωση δεν κατηγορούμε τους γιατρούς για το σύνολο των λανθασμένων διαγνώσεων. Θα ήταν εξαιρετικά άδικο και, κυρίως, θα ήταν ψευδές. 

Οι γιατροί, όπως και όλοι μας, είναι άνθρωποι. Μόνο που οι γιατροί, ειδικά στα νοσοκομεία, εργάζονται για πάρα πολλές ώρες, υπό τεράστια πίεση και συχνά με περιορισμένους πόρους. Επιπλέον, η φύση του λειτουργήματός τους είναι τέτοια που το όποιο σφάλμα έχει μεγαλύτερο αντίκτυπο από ότι το σφάλμα σε άλλες εργασίες. Δεν είναι το ίδιο να κάνει λάθος ένας γιατρός με το να κάνει λάθος ένας π.χ. λογιστής ή προγραμματιστής. 

Και παρότι οι συνθήκες στα νοσοκομεία ανά τον κόσμο, και φυσικά και στη χώρα μας, βελτιώνονται με την πάροδο των ετών, αυτό δεν μπορεί να διασφαλίσει την κατά 100% σωστή διάγνωση. Είναι αδύνατον, ακόμα και για τα καλύτερα χρηματοδοτούμενα συστήματα υγείας του πλανήτη. Ο λόγος; Ο ανθρώπινος εγκέφαλος είναι εξαιρετικά εξελιγμένο όργανο αλλά όχι τόσο ώστε να μπορεί να αντιμετωπίσει το ρυθμό, την πίεση και την πολυπλοκότητα της σύγχρονης υγειονομικής περίθαλψης. Αρκεί μόνο να αναλογιστεί κανείς ότι κάθε ημέρα που περνάει δημοσιεύονται χιλιάδες επιστημονικές εργασίες και μελέτες, τις οποίες είναι απόλυτα αδύνατο να διαβάσει και να μελετήσει ένας άνθρωπος. 

Εδώ έρχεται η τεχνητή νοημοσύνη. Νέα μοντέλα AI αναφέρουν επιδόσεις που ξεπερνούν τους γιατρούς σε διαγνωστικά tasks, αλλά τα ευρήματα προέρχονται από preprint και δεν ισοδυναμούν με καθιερωμένη κλινική πρακτική. Φυσικά, αυτό δεν σημαίνει ότι ο γιατρός "περισσεύει". Αντίθετα, η AI λειτουργεί σαν ένα δεύτερο ζευγάρι ακούραστα μάτια, που μειώνει το περιθώριο λάθους και δίνει στον γιατρό περισσότερο χρόνο για εκείνο που έχει τη μεγαλύτερη αξία: τη σχέση με τον ασθενή. Οι γιατροί θα έχουν την τεχνητή νοημοσύνη ως βοηθό τους, και όχι ως αφεντικό τους.

Η συμβολή της AI όμως δεν σταματά στην αξιολόγηση της κλινικής κατάστασης ή στη διαχείριση του ασθενούς. Στην έρευνα, επιταχύνει θεαματικά την ανακάλυψη νέων φαρμάκων και θεραπειών. Διεργασίες που απαιτούσαν 10–15 χρόνια και δισεκατομμύρια δολάρια, τώρα απαιτούν πολύ λιγότερο χρόνο (δεν υπολογίζουμε τις κλινικές δοκιμές οι οποίες πρέπει να είναι λεπτομερείς και πάντα θα απαιτούν μεγάλο χρονικό διάστημα υλοποίησης και αξιολόγησης). Αυτό σημαίνει ότι θεραπείες που σήμερα φαίνονται μακρινές ή ακόμα και αδύνατες, μπορούν να επιτευχθούν μέσα στα επόμενα λίγα χρόνια.  

Το μάθημα της αεροπλοΐας

Για να καταλάβουμε καλύτερα το μέλλον της ιατρικής που υπόσχεται η AI, αρκεί να κοιτάξουμε την ιστορία της αεροπλοΐας. Στις αρχές του 20ού αιώνα, οι πιλότοι πετούσαν μόνοι τους, χωρίς συστήματα υποβοήθησης. Με τον καιρό, μετά από ατυχήματα και ανάγκες που εμφανίστηκαν, τα αεροπλάνα εξοπλίστηκαν με αυτόματα συστήματα πλοήγησης και ελέγχου, με συστήματα ασφαλείας και αυτόματης πέδησης κ.λπ. Το αποτέλεσμα; Περισσότερες και ασφαλέστερες πτήσεις με χαμηλότερο κόστος. Και φυσικά, οι πιλότοι όχι μόνο δεν εξαφανίστηκαν ως επάγγελμα, αλλά έγιναν πιο αναγκαίοι από ποτέ. Το ίδιο θα συμβεί και στην ιατρική: η AI θα ενισχύσει και δεν θα αντικαταστήσει, τον γιατρό.
Και παρότι αντιλαμβάνομαι τον σκεπτικισμό γύρω από τη χρήση ιατρικών δεδομένων από την ΑΙ, επιμένω ότι η τεχνητή νοημοσύνη δεν είναι απειλή ούτε για το ιατρικό λειτούργημα, ούτε για τον ασθενή. Είναι εργαλείο. Ένα εργαλείο που μπορεί να μειώσει τα λάθη, να επιταχύνει την έρευνα και να δώσει στον γιατρό τον χρόνο και τον χώρο για να κάνει αυτό που μόνο εκείνος μπορεί και η τεχνητή νοημοσύνη δεν θα καταφέρει ποτέ: να φροντίσει τον άνθρωπο που έχει απέναντί του. Η AI έρχεται να ελαφρύνει τον γιατρό αναλαμβάνοντας με ταχύτητα την αρχική αξιολόγηση των ασθενών, να τον στηρίξει, να τον ξεκουράσει και να του επιτρέψει να είναι πιο ανθρώπινος, με την τεχνολογία στο πλευρό του, και όχι απέναντί του.

Ηθική, Τεχνητή Νοημοσύνη και Ιατρική

Παρότι, όπως κάναμε ξεκάθαρο παραπάνω, η χρήση της τεχνητής νοημοσύνης (AI) στην ιατρική φέρνει μία πραγματική επανάσταση, ταυτόχρονα εγείρονται σοβαρά ηθικά ζητήματα, με κύριο την προστασία των δεδομένων. Και αυτά τα ζητήματα θα πρέπει να τεθούν στον δημόσιο διάλογο με την ίδια ένταση με την οποία τίθεται η αναγκαιότητα χρήσης της τεχνητής νοημοσύνης. 

Για παράδειγμα, τα μοντέλα AI απαιτούν τεράστιες ποσότητες ευαίσθητων ιατρικών πληροφοριών, όπως ιστορικά ασθενών και γενετικά δεδομένα, για να λειτουργήσουν αποτελεσματικά. Η κακή διαχείριση ή η παραβίαση αυτών των δεδομένων μπορεί να οδηγήσει σε σοβαρές παραβιάσεις ιδιωτικότητας, ενώ η εμπορική εκμετάλλευση εγείρει ανησυχίες για τη συγκατάθεση των ασθενών. Το 2023 στο Nature Medicine διατυπώθηκαν επιφυλάξεις ότι ορισμένες μέθοδοι "αποπροσωποποίησης” ίσως υποτιμούν τον κίνδυνο επαναταυτοποίησης, ενώ άλλες μελέτες έχουν δείξει στην πράξη ότι από MRI μπορεί να γίνει αναγνώριση προσώπου—άρα απαιτούνται αυστηρά πρότυπα ιδιωτικότητας (GDPR κ.λπ.) και λεπτομερή ενημέρωση των ασθενών αναφορικά με τη χρήση των δεδομένων τους. 

Επιπλέον, η AI μπορεί να διαιωνίσει υπάρχουσες προκαταλήψεις. Τα μοντέλα, για παράδειγμα, εκπαιδεύονται σε ιστορικά δεδομένα που συχνά περιέχουν φυλετικές, κοινωνικοοικονομικές ή φυλετικές ανισότητες, οδηγώντας σε διαγνώσεις ή θεραπείες που ίσως ευνοούν ορισμένες πληθυσμιακές ομάδες. Ανασκοπήσεις δείχνουν ότι ορισμένα μοντέλα δερματολογίας αποδίδουν χειρότερα σε σκουρόχρωμο δέρμα όταν εκπαιδεύονται σε μη αντιπροσωπευτικά δεδομένα—ένα πρόβλημα που απαιτεί ποικιλόμορφα datasets και συνεχή audit.

Τέλος, η υπευθυνότητα, η αυτονομία και η λογοδοσία αποτελούν κρίσιμα ζητήματα. Όταν η AI προτείνει λανθασμένες διαγνώσεις, ποιος φέρει την ευθύνη; Η αδιαφάνεια των αλγορίθμων ("black box") περιπλέκει τη λογοδοσία, ενώ η υπερβολική εξάρτηση μπορεί να υπονομεύσει την ανθρώπινη κρίση και τη σχέση γιατρού-ασθενή. Μελέτες (Journal of Medical Ethics, 2023) υποδεικνύουν ότι η υπερβολική χρήση AI μπορεί να αποξενώσει τους ασθενείς από τους γιατρούς. Η λύση βρίσκεται στην ανάπτυξη εξηγήσιμων και διάφανων μοντέλων AI και στην εκπαίδευση των γιατρών ώστε να χρησιμοποιούν την τεχνολογία ως εργαλείο, διατηρώντας την ανθρωποκεντρική προσέγγιση της υγείας στο επίκεντρο.

Βιβλιογραφικές Αναφορές

- Newman-Toker DE, et al. Burden of serious harms from diagnostic error in the USA. BMJ Quality & Safety. 2024;33(2):109-120. (online 17/7/2023,  https://pubmed.ncbi.nlm.nih.gov/37460118/)

- Cheraghi-Sohi S, et al. Incidence, origins and avoidable harm of missed diagnostic opportunities in primary care: retrospective review. BMJ Quality & Safety. 2021;30(12):977-991. (https://qualitysafety.bmj.com/content/qhc/30/12/977.full.pdf)

- Agency for Healthcare Research and Quality (AHRQ). Diagnostic Errors in the Emergency Department: A Systematic Review. 2022. (https://effectivehealthcare.ahrq.gov/sites/default/files/related_files/diagnostic-error-executive-summary.pdf)

- Wei ML, et al. Artificial intelligence and skin cancer. Clinics in Dermatology. 2024 (https://pmc.ncbi.nlm.nih.gov/articles/PMC10985205/)

- Zhavoronkov A, et al. Deep learning enables rapid identification of potent DDR1 inhibitors. Nature Biotechnology. 2019. (https://www.nature.com/articles/s41587-019-0224-x)

- Sertkaya A, et al. Costs of Drug Development and Research… JAMA Network Open. 2024 (https://pmc.ncbi.nlm.nih.gov/articles/PMC11214120/). 

- Meeus P, et al. Concerns about using a digital mask to safeguard patient privacy. Nature Medicine. 2023 (https://www.nature.com/articles/s41591-023-02439-9). 

- Schwarz CG, et al. Identification of anonymous MRI research participants with face-recognition software. NEJM. 2019 (https://www.nejm.org/doi/abs/10.1056/NEJMc1915674). 

- Steeg K, et al. Re-identification of anonymised MRI head images… EClinicalMedicine. 2024. (https://pubmed.ncbi.nlm.nih.gov/39640939/) 

- Microsoft Research. Artificial Intelligence vs Doctors: Comparative Performance in Clinical Diagnosis. arXiv:2412.10849 (https://arxiv.org/abs/2412.10849). 

- Riga M, et al. MERIS (Medical Error Reporting Information System)… Stud Health Technol Inform. 2015 (https://pubmed.ncbi.nlm.nih.gov/25554702/). 

- Vozikis A, et al. Information management of medical errors in Greece... (https://www.researchgate.net/publication/221923376_Patterns_of_Medical_Errors_A_Challenge_for_Quality_Assurance_in_the_Greek_Health_System)