Modelele de inteligență artificială depășesc performanțele medicilor umani în majoritatea sarcinilor de raționament medical complex. Un studiu recent realizat în Statele Unite arată că tehnologia a dovedit o precizie neașteptată, mai ales în deciziile luate strict în regim de urgență, de la stabilirea primelor diagnostice până la sfaturile de gestionare a pacienților.
Un nou standard in medicina de urgenta
V-ați gândit vreodată cine ar putea lua decizii mai bune într-o cameră de gardă aglomerată? O echipă mixtă de la Harvard Medical School și Beth Israel Deaconess Medical Center a comparat recent inteligența artificială cu medicii umani pe o gamă extrem de largă de sarcini de raționament clinic. Rezultatele sunt clare. Modelele de limbaj mari (cunoscute ca LLM) au depășit doctorii în mai multe direcții critice de acțiune.
Vorbim aici despre decizii luate rapid pe baza informațiilor disponibile, identificarea diagnosticelor probabile și alegerea pașilor următori. „Am testat modelul de inteligență artificială față de aproape fiecare standard de referință și a eclipsat atât modelele anterioare, cât și nivelurile de bază ale medicilor noștri”, explică Arjun Manrai, co-autor principal și profesor la Harvard Medical School.
Si totusi, specialistul adauga imediat o nuanta critica. „Totuși, acest lucru nu înseamnă că inteligența artificială va îmbunătăți neapărat îngrijirea, modul și locul în care ar trebui implementată rămân insuficient studiate și avem nevoie disperată de studii prospective riguroase pentru a evalua impactul inteligenței artificiale asupra practicii clinice.”
Performante aproape perfecte
Iar nevoia de rigoare nu se opreste aici. Cercetătorii au evaluat inițial o1-preview, modelul de raționament lansat de OpenAI în 2024. Până la urmă, tehnologia a depășit medicii umani în majoritatea experimentelor, mai ales în raționamentul de management și în setările de urgență din lumea reală, care presupun de regulă informații fragmentate.
Performanțele sunt atât de bune, încât vechile metode de testare devin inutile, după cum noteaza Financiarul. „Modelele sunt din ce în ce mai capabile. Obișnuiam să evaluăm modelele cu teste grilă; acum obțin constant scoruri aproape de 100% și nu mai putem urmări progresul pentru că suntem deja la plafon”, precizează Peter Brodeur, co-prim autor și membru clinic la Beth Israel Deaconess.
Unde se vede diferenta majora
Cercetătorii au cerut modelelor LLM (mai exact versiunile o1 și GPT-4o) să evalueze pacienții în diferite momente specifice dintr-un departament de urgență. Etapele au variat de la triajul inițial până la deciziile ulterioare de internare. La fiecare pas, algoritmul a primit doar datele disponibile în acel moment și i s-a cerut să genereze diagnostice probabile.
Diferența majoră s-a văzut la triaj.
Acolo, informațiile despre starea pacientului sunt mult mai limitate, iar inteligența artificială a performat cu o claritate superioară. Dar, la fel ca doctorii, modelele AI și-au îmbunătățit constant abilitățile pe măsură ce au primit mai multe date medicale. „Deși aplicarea inteligenței artificiale pentru a asista suportul decizional clinic este uneori privită ca un demers cu risc ridicat, o utilizare mai mare a acestor instrumente ar putea servi la atenuarea costurilor umane și financiare ale erorilor de diagnostic, întârzierilor și lipsei de acces”, notează autorii studiului american.
Riscurile din spatele algoritmilor
Numai ca lucrurile nu sunt mereu perfecte. E drept că viteza de procesare fascinează, dar specialiștii cer acum sisteme de sănătate capabile să investească masiv în infrastructura de calcul și să dezvolte cadre clare pentru integrarea sigură a acestor instrumente.
Pericolul este real și nu trebuie ignorat. „Un model ar putea obține diagnosticul principal corect, dar ar putea sugera și teste inutile care ar putea expune un pacient la vătămări. Oamenii ar trebui să fie nivelul de bază suprem atunci când vine vorba de evaluarea performanței și siguranței”, avertizează Brodeur.
Studiul prezintă și anumite limitări tehnice, recunoscute deschis de echipa de la Harvard. Autorii au subliniat că cercetarea reflectă strict performanța modelului o1 la acel moment, în condițiile în care pe piață au apărut deja variante mult mai avansate, cum ar fi modelul o3. „Deși ne așteptăm ca performanța să fie menținută sau îmbunătățită cu modele mai noi, ar trebui făcute studii suplimentare pentru a elucida modul în care performanța variază între modele și pentru a studia modul în care oamenii și LLM-urile pot colabora”, concluzionează autorii cercetării.
