Istraživači sa Instituta Maks Plank za ljudski razvoj, Instituta za kognitivne nauke i tehnologije (ISTC) i Norveškog univerziteta nauke i tehnologije razvili su pristup kolektivne inteligencije kako bi povećali tačnost medicinskih dijagnoza. Njihov rad je nedavno objavljen u Zborniku radova Nacionalne akademije nauka.
Procenjuje se da 250.000 ljudi umre od medicinskih grešaka koje se mogu sprečiti u SAD svake godine. Mnoge od ovih grešaka nastaju tokom dijagnostičkog procesa. Moćan način za povećanje dijagnostičke tačnosti je kombinovanje dijagnoza više dijagnostičara u zajedničko rešenje. Međutim, postoji nedostatak metoda za agregiranje nezavisnih dijagnoza u opštoj medicinskoj dijagnostici.
Istraživači sa Instituta Maks Plank za ljudski razvoj, Instituta za kognitivne nauke i tehnologije (ISTC) i Norveškog univerziteta za nauku i tehnologiju su stoga predstavili potpuno automatizovano rešenje koristeći metode inženjeringa znanja.
Istraživači su testirali svoje rešenje na 1.333 medicinska slučaja koje je obezbedio The Human Diagnosis Project (Human Dk), od kojih je svaki nezavisno dijagnostikovao 10 dijagnostičara. Kolektivno rešenje je značajno povećalo dijagnostičku tačnost: pojedinačni dijagnostičari su postigli tačnost od 46%, dok je udruživanje odluka 10 dijagnostičara povećalo tačnost na 76%. Došlo je do poboljšanja u medicinskim specijalnostima, glavnim pritužbama i nivoima staža dijagnostičara.
„Naši rezultati pokazuju spasonosni potencijal korišćenja kolektivne inteligencije“, kaže prvi autor Ralf Kurvers. On je viši naučni naučnik u Centru za adaptivnu racionalnost Instituta Maks Plank za ljudski razvoj i njegovo istraživanje se fokusira na društveno i kolektivno donošenje odluka kod ljudi i životinja.
Dokazano je da kolektivna inteligencija povećava tačnost odluka u mnogim domenima, kao što su geopolitičko predviđanje, investicije i dijagnostika u radiologiji i dermatologiji. Međutim, kolektivna inteligencija se uglavnom primenjuje na relativno jednostavne zadatke odlučivanja.
Primene u otvorenijim zadacima, kao što su upravljanje hitnim slučajevima ili opšta medicinska dijagnostika, u velikoj meri nedostaju zbog izazova integracije nestandardizovanih unosa od različitih ljudi. Da bi prevazišli ovu prepreku, istraživači su koristili grafove semantičkog znanja, obradu prirodnog jezika i medicinsku ontologiju SNOMED CT, sveobuhvatnu višejezičnu kliničku terminologiju, za standardizaciju.
„Ključni doprinos našeg rada je da, dok dijagnoze koje su dali ljudi zadržavaju svoj primat, naše procedure agregacije i evaluacije su potpuno automatizovane, izbegavajući moguće pristrasnosti u generisanju konačne dijagnoze i omogućavajući da proces bude više vremena i troškova. -efikasan“, dodaje koautor Vito Trianni sa Instituta za kognitivne nauke i tehnologije (ISTC) u Rimu.
Istraživači trenutno sarađuju – zajedno sa drugim partnerima – u okviru projekta HACID kako bi svoju aplikaciju približili tržištu. Projekat će istražiti novi pristup koji okuplja ljudske stručnjake i predstavljanje znanja i rezonovanje podržano veštačkom inteligencijom kako bi se kreirali novi alati za donošenje odluka u različitim domenima. Primena HACID tehnologije na medicinsku dijagnostiku predstavlja jednu od mnogih mogućnosti za korišćenje digitalno zasnovanog zdravstvenog sistema i dostupnih podataka.
