Το νέο σύστημα τεχνητής νοημοσύνης εντοπίζει μοτίβα σωματικής κακοποίησης και επιτρέπει στους επαγγελματίες υγείας να παρεμβαίνουν νωρίτερα.
Επιστήμονες ανέπτυξαν ένα εργαλείο τεχνητής νοημοσύνης (AI), σχεδιασμένο να βοηθά τους γιατρούς να εντοπίζουν ασθενείς που μπορεί να διατρέχουν κίνδυνο βίας από σύντροφο (intimate partner violence, IPV), ακόμη και χρόνια πριν τα θύματα ζητήσουν βοήθεια.
ΔΙΑΦΉΜΙΣΗ
ΔΙΑΦΉΜΙΣΗ
Ερευνητές στις Ηνωμένες Πολιτείες εκπαίδευσαν ένα μοντέλο μηχανικής μάθησης χρησιμοποιώντας δεδομένα που συλλέχθηκαν κατά τη διάρκεια τακτικών επισκέψεων σε νοσοκομεία. Η μελέτη (πηγή στα Αγγλικά) δημοσιεύτηκε στο επιστημονικό περιοδικό Nature.
Ως βία από σύντροφο ορίζεται η κακοποίηση από νυν ή πρώην συντρόφους, που μπορεί να οδηγήσει σε σοβαρούς τραυματισμούς, χρόνιο πόνο και διαταραχές ψυχικής υγείας.
Σύμφωνα με έκθεση (πηγή στα Αγγλικά) της Ευρωπαϊκής Επιτροπής, το 18% των γυναικών που είχαν ποτέ σύντροφο δήλωσαν ότι το 2021 είχαν βιώσει σωματική ή σεξουαλική βία από τον σύντροφό τους.
Ο σημερινός έλεγχος για περιστατικά ενδοοικογενειακής βίας στα νοσοκομεία βασίζεται συνήθως στο αν οι γιατροί θέτουν στους ασθενείς ερωτήσεις για την ασφάλειά τους στο σπίτι. Ωστόσο, πολλά θύματα δεν αποκαλύπτουν την κακοποίηση λόγω φόβου, στίγματος ή ανησυχιών για την ασφάλειά τους, με αποτέλεσμα τα περιστατικά να περνούν συχνά απαρατήρητα.
Η ερευνητική ομάδα χρησιμοποίησε δεδομένα αρκετών ετών από σχεδόν 850 γυναίκες που είχαν υποστεί βία από σύντροφο και από περισσότερους από 5.200 ασθενείς παρόμοιας ηλικίας σε ομάδα ελέγχου, προκειμένου να δημιουργήσει τρία διαφορετικά συστήματα τεχνητής νοημοσύνης και να εξετάσει πόσο αποτελεσματικά θα μπορούσαν να εντοπίζουν άτομα σε κίνδυνο.
Το πρώτο σύστημα ανέλυσε δομημένα νοσοκομειακά δεδομένα, όπως ηλικία, ιατρικό ιστορικό και άλλες τυπικές πληροφορίες ασθενών. Το δεύτερο εξέτασε γραπτές ιατρικές σημειώσεις, συμπεριλαμβανομένων των παρατηρήσεων των γιατρών και των ακτινολογικών γνωματεύσεων. Το τρίτο σύστημα συνδύασε και τους δύο τύπους πληροφοριών.
Και τα τρία μοντέλα απέδωσαν πολύ καλά, αλλά το συνδυαστικό σύστημα αποδείχθηκε το πιο ακριβές. Εντόπισε σωστά τον κίνδυνο στο 88% των περιπτώσεων.
Το εργαλείο μπόρεσε επίσης να επισημάνει πιθανή κακοποίηση περισσότερο από τρία χρόνια πριν πολλοί ασθενείς ενταχθούν αργότερα σε νοσοκομειακά προγράμματα παρέμβασης για ενδοοικογενειακή βία.
Αναλύοντας ταυτόχρονα μεγάλα σύνολα νοσοκομειακών δεδομένων, το νέο σύστημα τεχνητής νοημοσύνης μπορεί να εντοπίζει μοτίβα σωματικών τραυμάτων που συνδέονται με κακοποίηση και να επισημαίνει ασθενείς των οποίων τα ιατρικά αρχεία μοιάζουν με εκείνα επιβεβαιωμένων περιστατικών κακοποίησης, επιτρέποντας στους επαγγελματίες υγείας να παρέμβουν νωρίτερα.
«Αυτό το εργαλείο υποστήριξης κλινικών αποφάσεων θα μπορούσε να έχει σημαντικό αντίκτυπο στην πρόβλεψη και την πρόληψη της βίας από σύντροφο», δήλωσε ο Qi Duan, διευθυντής προγράμματος στο Τμήμα τεχνολογιών πληροφορικής υγείας του Εθνικού Ινστιτούτου Βιοϊατρικής Απεικόνισης και Βιομηχανικής (NIBIB) των Εθνικών Ινστιτούτων Υγείας των ΗΠΑ.
«Δεδομένης της συχνότητας των περιστατικών, το εργαλείο θα μπορούσε να αποτελέσει ιδιαίτερα σημαντικό πόρο για τη δημόσια υγεία», πρόσθεσε ο Duan.
Οι ερευνητές τονίζουν ότι η τεχνολογία έχει σχεδιαστεί για να υποστηρίζει τους κλινικούς γιατρούς και όχι για να αντικαθιστά την κρίση τους. Δεν διαγιγνώσκει την κακοποίηση ούτε εξαναγκάζει τους ασθενείς να αποκαλύψουν πληροφορίες. Αντίθετα, παρέχει ένα σήμα που μπορεί να βοηθήσει τους γιατρούς να προσεγγίσουν προσεκτικά το θέμα και να προσφέρουν υποστήριξη, εφόσον χρειάζεται.
«Η δουλειά μας σηματοδοτεί μια στροφή προς την έγκαιρη αναγνώριση του κινδύνου, αξιοποιώντας πληροφορίες που υπάρχουν ήδη στα δεδομένα υγείας», δήλωσε η Bharti Khurana, ακτινολόγος επειγόντων περιστατικών στο Mass General Brigham και αναπληρώτρια καθηγήτρια στην Ιατρική Σχολή του Χάρβαρντ.
Οι ερευνητές λένε ότι σχεδιάζουν να ενσωματώσουν την τεχνολογία στα συστήματα ηλεκτρονικών ιατρικών φακέλων, ώστε τα νοσοκομεία να μπορούν να λαμβάνουν αξιολογήσεις σε πραγματικό χρόνο κατά τη διάρκεια της καθημερινής φροντίδας.