Három rokon szakma határán
A kurzus első tisztázása a fogalmi rend. A hagyományos orvosi szoftver szabályokat hajt végre, amelyeket szakértők írtak le, ha a laborérték ennyi felett van, jelezz. A biostatisztika kevés, gondosan megválasztott változóval vizsgál hipotéziseket, jellemzően azért, hogy oksági kérdésre válaszoljon, használ-e a gyógyszer. A gépi tanulás sok változóból tanul mintázatot, jellemzően azért, hogy jósoljon, ki fog romlani, kinél áll fenn kockázat. A három nem versenytárs, hanem más kérdésekre való. A bajok abból lesznek, amikor egy jóslásra épített modellt oksági állításként olvasnak, vagy fordítva.
Mitől nehéz terep a klinikum
Az egészségügyben minden adat egy törékeny folyamat mellékterméke. A kórházi rendszerek elsődleges célja az ellátás és az elszámolás, nem a kutatás, ezért az adat hiányos, késleltetett, és tele van a működés lenyomataival. A betegek nem véletlenszerűen kerülnek vizsgálatra, hanem mert az orvos gyanút fogott, és ez a szelekció minden modellbe beszivárog. A gyakorlat pedig folyamatosan változik, új protokollok, új gyógyszerek, új kódolás, így a tavalyi mintázat idén már torzíthat. Ezek nem kivételek, hanem a terep alaptulajdonságai, és a kurzus minden további leckéje ezekhez igazodik.
Az első kérdés minden orvosi modellnél. Ha a modell téved, ki viseli a következményét, és észreveszi-e valaki időben. Az egészségügyben a hibának neve és arca van, ezért itt a modell értékelése nem technikai lépés, hanem betegbiztonsági kérdés.
Kinek szól ez a tudás
A Stanford kurzus kimondott célja, hogy a nem mérnök hátterű egészségügyi szereplők, orvosok, ápolók, egészségpolitikusok, gyógyszerfejlesztők is képesek legyenek kritikusan értékelni ezeket a rendszereket. Ez a magyar feldolgozás ugyanezt vállalja. Nem modellt fogsz építeni, hanem azt tanulod meg, milyen kérdésekkel kell átvilágítani egy egészségügyi AI megoldást, mielőtt betegek közelébe kerül. Ez a tudás egyre kevésbé speciális, és egyre inkább alapkövetelmény mindenkinek, aki az ellátás jövőjéről dönt.
Források és további olvasnivaló
Stanford University School of Medicine, Fundamentals of Machine Learning for Healthcare, a Coursera felületén ingyenesen elérhető kurzus, az AI in Healthcare sorozat része. A fogalmi alapokról a Gépi tanulás alapjai kurzusban írtam.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, priorizált cselekvési lista.
Érdekel a program →