AI modellar tibbiy tavsiyalarda 80 foizgacha xato qilmoqda

Ben-Gurion universiteti va Clalit Health Services tashkiloti tadqiqotchilari Google, Anthropic va OpenAI kompaniyalarining oltita tijoriy sun'iy intellekt modelini sinovdan o'tkazdi. Tadqiqot doirasida algoritmlarning bemorga qo'shimcha tekshiruvlar yoki davolanish kerak emasligini aniqlash qobiliyati baholandi. Ilmiy ish natijalari Annals of Internal Medicine jurnalida chop etildi.

• Google, Anthropic va OpenAI'ning 6 ta modeli 225 ta klinik stssenariy asosida tekshirildi.
• Keraksiz tibbiy aralashuvlarni tavsiya qilish ulushi o'rtacha 5,4%, xato rad etishlar esa 0,6% ni tashkil etdi.
• Klinik bahsli vaziyatlarda ayrim modellarda xatolar ko'rsatkichi 80% ga chiqdi.
• Asosiy qiyinchiliklar qalqonsimon bez UShK va standart EKG ko'rsatmalarida kuzatildi.

Sinov metodikasi va klinik stsenariylar

Tadqiqotchilar asossiz tibbiy muolajalarni qisqartirishga qaratilgan Choosing Wisely xalqaro kampaniyasi tavsiyalari asosida 225 ta klinik stsenariyni tayyorladilar. Tekshiruv talab etilmaydigan har bir holat o'xshash, ammo aynan shu muolaja zarur bo'lgan boshqa holat bilan juftlashtirildi. Masalan, bel og'rig'idan shikoyat qilgan yosh yigitga umurtqa pog'onasini vizualizatsiya qilish shart emas.

Biroq ko'krak bezi saratonini boshdan kechirgan va tunda belida og'riq paydo bo'lgan ayol uchun bunday tekshiruv talab etilishi mumkin. Sinovdagi oltita modelning har biri barcha stsenariylardan uch martadan o'tdi va jami 4050 ta javob tahlil qilindi. Bu esa modellarning tibbiy qaror qabul qilishdagi yondashuvlarini chuqur solishtirish imkonini berdi.

Asosiy xato nuqtalari va modellar farqi

Tahlil natijalariga ko'ra, ortiqcha tekshiruvlarni tayinlashdagi xatolar asosan ikkita yo'nalishga to'g'ri keldi: qalqonsimon bez ultratovush tekshiruvi va EKG. Mutaxassislarning fikricha, o'lchami 1 sm dan kichik bo'lgan qalqonsimon bez tugunlari bo'yicha tibbiy hamjamiyatning o'zida ham yagona fikr mavjud emas. Turli tibbiy qo'llanmalar turlicha qarorlarga olib kelishi mumkin.

Bundan tashqari, 5,4% lik o'rtacha ko'rsatkich modellar orasidagi katta farqni yashiradi. Tadqiqotchi Gay Labanning aytishicha, bir xil bahsli vaziyatda bir model ortiqcha tekshiruvni 10% dan kam holatda tavsiya qilgan bo'lsa, boshqasida bu ko'rsatkich 80% ni tashkil etgan. Shifokor Din Ariel sun'iy intellekt aynan mutaxassislarning o'zida ham aniqlik bo'lmagan vaziyatlarda qiynalishini ta'kidladi.

Cheklovlar va kelgusidagi rejalar

Tadqiqot mualliflari o'z ishining ba'zi cheklovlarini qayd etishdi. Modellar real bemorlar bilan uzoq suhbatlarda qatnashmagan, balki alohida so'rovlar olgan. Shuningdek, tekshiruv real tibbiy maslahatlar asosida emas, standart stsenariylar bo'yicha o'tkazilgan, shuning uchun bu raqamlarni kundalik amaliyotga to'g'ridan-to'g'ri ko'chirib bo'lmaydi.

Tadqiqotchilarning navbatdagi maqsadi — agar bemor qat'iy talab qilsa, sun'iy intellekt keraksiz tekshiruvni rad eta olishini o'rganishdir. AI suhbatdoshga moslashishga moyil bo'lgani sababli, tibbiyotda ortiqcha aralashuvlarga asosli ravishda “yo'q” deya olish qobiliyati uning kelajagi uchun muhim shart bo'lib qolmoqda.