Naukowcy opracowali całkowicie zautomatyzowane rozwiązanie, które pozwala zmniejszyć liczbę błędnych diagnoz medycznych dzięki wykorzystaniu ogromnego potencjału inteligencji zbiorowej.

Błądzić jest rzeczą ludzką. Jednak w medycynie błędy, między innymi wynikające z nieprawidłowej diagnozy, mogą kosztować ludzkie życie.

Wyobraźmy sobie jednak, że istnieje możliwość zwiększenia dokładności rozpoznania choroby poprzez połączenie diagnoz wielu lekarzy. Międzynarodowy zespół badawczy, korzystający ze wsparcia finansowanego przez Unię Europejską projektu HACID, opracował w pełni zautomatyzowaną procedurę, w której zastosowano techniki inżynierii wiedzy umożliwiające wykorzystanie pełnego potencjału inteligencji zbiorowej zarówno w medycynie, jak i szeroko pojętej opiece zdrowotnej.

W grupie siła

Zespół przetestował swoje rozwiązanie na ponad 1 300 przypadkach medycznych pozyskanych za pośrednictwem medycznej platformy crowdsourcingowej o nazwie The Human Diagnosis Project. Każdy przypadek był diagnozowany przez dziesięciu niezależnych diagnostów. Kiedy następnie porównano jakość diagnoz postawionych przez pojedynczych lekarzy z diagnozą opracowaną kolektywnie, okazało się, że metoda stworzona w ramach projektu pozwala na osiągnięcie dużo większej dokładności diagnostycznej. Dokładność pojedynczego diagnosty wynosiła 46 %, natomiast po połączeniu decyzji dziesięciu diagnostów wskaźnik ten zwiększył się do 76 %. „Nasze wyniki pokazują ratujący życie potencjał inteligencji zbiorowej, jaki oferuje światowa społeczność medyczna, którego wykorzystanie pozwoliłoby zmniejszyć liczbę błędów diagnostycznych i zwiększyć bezpieczeństwo pacjentów”, twierdzą naukowcy w swoim artykule opublikowanym na łamach czasopisma „PNAS”.

Podczas łączenia niezależnych diagnoz w ramach otwartego modelu diagnostyki medycznej największym wyzwaniem jest określenie, które z postawionych diagnoz wskazują na tę samą koncepcję medyczną. Wiąże się to z przyziemnymi problemami, takimi jak różna pisownia, stosowanie wielkich liter czy po prostu literówki. Wśród nich są też dużo poważniejsze kwestie, jak na przykład ustalenie, czy dwie zgłoszone diagnozy są równoważne. Aby na podstawie diagnoz w wolnym tekście możliwe było zidentyfikowanie dokładnych koncepcji medycznych, zespół oparł swoje rozwiązanie na połączeniu semantycznych grafów wiedzy, przetwarzania języka naturalnego i jedynego tak wszechstronnego, wielojęzycznego uporządkowanego systemu terminologii klinicznej, jakim jest SNOMED CT, w celu zapewnienia standaryzacji.

„Ta praca przedstawia w pełni zautomatyzowany proces – od agregacji diagnoz po ocenę wyników uzyskanych za pomocą narzędzia inteligencji zbiorowej – który jest w stanie wykorzystać siłę niezależnych ekspertów medycznych w szeroko pojętej dziedzinie medycyny. W ten sposób rozwiązanie to znacznie rozszerza zastosowanie inteligencji zbiorowej w diagnostyce medycznej, wykraczając poza prostą klasyfikację binarną lub wieloklasową bądź zadania w zakresie oszacowania liczbowego”, informują autorzy badania. „Nasze wyniki pokazują, że agregacja niezależnych odpowiedzi od wielu użytkowników prowadzi do znacznej poprawy dokładności diagnostycznej w całym zakresie reguł agregacji, specjalności medycznych, głównych dolegliwości i poziomów stażu użytkowników”.

Wyeliminowanie z procesu udziału człowieka

Nowe rozwiązanie eliminuje konieczność jakiejkolwiek manualnej interwencji ze strony człowieka. Dr Vito Trianni, współautor badania i pracownik włoskiej Narodowej Rady Badawczej, koordynatora projektu HACID, w komunikacie prasowym zamieszczonym w serwisie „EurekAlert!” stwierdza: „Naszym najważniejszym osiągnięciem jest to, że choć nasze procedury agregacji i oceny są w pełni zautomatyzowane, pierwszeństwo nadal zachowują diagnozy stawiane przez człowieka, dzięki czemu możliwe jest uniknięcie potencjalnych błędów w generowaniu ostatecznej diagnozy i zwiększenie efektywności czasowej i kosztowej całego procesu”. Co ważne, w artykule możemy również przeczytać, że z uwagi na fakt, iż rozwiązanie jest w pełni zautomatyzowane, „może działać w czasie rzeczywistym w rzeczywistych warunkach klinicznych, w których dane oparte na dowodach empirycznych są w momencie dokonywania oceny nieznane”. Naukowcy współpracują obecnie w ramach projektu HACID (Hybrid Human Artificial Collective Intelligence in Open-Ended Decision Making), który jest dla nich kolejnym krokiem w kierunku wprowadzenia rozwiązania na rynek.

Więcej informacji - strona projektu HACID.

© Unia Europejska, [2023] | źródło: CORDIS