نوشته شانیا کندی
– دانشکده پزشکی و علوم بهداشتی دانشگاه جورج واشنگتن (GW) (SMHS) و دانشگاه مریلند شرقی (UMES) کمک هزینه دو ساله 839000 دلاری مؤسسه ملی بهداشت (NIH) برای پیشبرد توسعه هوش مصنوعی دریافت کردند. (AI) ابزارهایی برای بهبود برابری سلامت.
این پروژه که به عنوان «هوش مصنوعی قابل اعتماد برای رسیدگی به نابرابری‌های سلامت در جوامع کم منابع» (AI-FOR-U) شناخته می‌شود، بر طراحی «رویکرد توسعه مبتنی بر نظریه و مشارکتی» برای ساخت ابزارهای هوش مصنوعی متمرکز است که می‌تواند به کارکنان مراقبت‌های بهداشتی خط مقدم کمک کند. به نابرابری ها در جوامعی که در آنها خدمت می کنند رسیدگی کنند.
در طول مدت پروژه، تیم‌های تحقیقاتی برای توسعه و پیاده‌سازی ابزارهای هوش مصنوعی و یادگیری ماشینی که برای افزایش توضیح‌پذیری و عادلانه بودن مدل‌های پیش‌بینی ریسک طراحی شده‌اند، کار خواهند کرد. سپس این ابزارها در زمینه سلامت رفتاری، بیماری های متابولیک قلبی و انکولوژی ارزیابی خواهند شد. از آنجا، محققان اعتماد کاربران را به ابزارها اندازه گیری می کنند.
کینگ زنگ، دکترا، استاد تحقیقات بالینی و رهبری، مدیر مرکز انفورماتیک بیومدیکال GW (BIC) و همکارانش توضیح داد: «ما تعامل جامعه مبتنی بر نظریه را با استفاده و آزمایش الگوریتم‌های تقویت‌کننده اعتماد در توسعه ابزار ترکیب خواهیم کرد. مدیر تحقیقات نتایج علم داده در مرکز پزشکی امور کهنه سربازان واشنگتن دی سی، در این خبر. «نتایج موارد استفاده بالینی توسط شرکا و ذینفعان ما هدایت و انتخاب خواهد شد. در آماده سازی پروژه، چند مدل پیش بینی ریسک به عنوان اولویت های مشترک برای شرکای ما ظاهر شده اند.
تیم تحقیقاتی با هفت شریک اجتماعی که به جوامع لاتین، سیاه‌پوست، LGBTQ+، مهاجر و دارای وضعیت اقتصادی پایین‌تر در مریلند، ویرجینیا و واشنگتن دی سی خدمت می‌کنند، همکاری خواهد کرد: مدارس دولتی شهر الکساندریا (ویرجینیا)، داروهای تخفیف اپل، سازمان آمریکایی‌های چینی- دی سی، بیمارستان سنت الیزابت، مراقبت بهداشتی یونیتی، دانشگاه ایالتی ویرجینیا و بهداشت ویتمن واکر.
این سازمان ها در نظرسنجی های اجتماعی، گروه های متمرکز و مصاحبه ها برای ارائه بازخورد در مورد ابزارهای هوش مصنوعی پروژه شرکت خواهند کرد.
T. Sean Vasaitis، دکترا، رئیس و استاد دانشکده UMES گفت: «پیاده‌سازی مداوم هوش مصنوعی در مراقبت‌های بهداشتی تأثیرات عمیقی بر روش‌های درمان بیماران و توسعه راه‌حل‌هایی برای بسیاری از مسائل مبرم خواهد داشت. داروسازی و حرفه های بهداشتی. «در حالی که ما پتانسیل منافع بزرگ ذاتی این فناوری‌ها را تشخیص می‌دهیم، همچنین مسئولیت خود را برای اطمینان از اینکه استفاده از هوش مصنوعی باعث افزایش نابرابری مراقبت‌های بهداشتی یا منجر به مراقبت نامناسب از بیمار از طریق اتکا به مجموعه داده‌های غیرمعمول نمی‌شود، درک می‌کنیم. علاوه بر این، نیاز به بهبود درک کاربر هوش مصنوعی از چگونگی و چرایی پاسخگویی هوش مصنوعی وجود دارد. ما باید بتوانیم به پاسخ‌ها اعتماد کنیم و به راهی برای قضاوت در مورد احتمال دقیق بودن پاسخ‌ها نیاز داریم. پروژه AI-FOR-U برای رفع این نگرانی ها با ایجاد برنامه های کاربردی هوش مصنوعی قابل اعتماد که نیازهای کارکنان مراقبت های بهداشتی را در جمعیت های تحت پوشش و دارای نمایندگی کمتر برآورده می کند، طراحی شده است.
این کار بخشی از تلاش بزرگ‌تری است که کنسرسیوم هوش مصنوعی/یادگیری ماشین برای ارتقای برابری سلامت و تنوع پژوهشگران (AIM-AHEAD) و NIH برای مقابله با موضوع توسعه هوش مصنوعی قابل اعتماد در زمینه برابری سلامت رهبری می‌کند.
هدف این تحقیق استفاده از تجربه GW در توسعه هوش مصنوعی مراقبت های بهداشتی و تخصص UMES در تحقیقات نابرابری سلامت است.
راه اندازی پروژه AI-FOR-U در حالی انجام می شود که مجموعه تحقیقاتی رو به رشد نشان می دهد که بسیاری از مدل های هوش مصنوعی در جمعیت های غیر سفیدپوست ضعیف عمل می کنند.
یک تیم تحقیقاتی از دانشگاه پنسیلوانیا، فیلادلفیا و موسسه ملی سوء مصرف مواد مخدر (NIDA) اخیراً دریافتند که مدل‌های هوش مصنوعی برای پیش‌بینی شدت افسردگی با استفاده از زبان پست‌های رسانه‌های اجتماعی افراد ممکن است به خوبی به جمعیت سفیدپوست آمریکایی تعمیم داده شود، اما نه سیاه‌پوستان. .
این مطالعه بر اساس شواهدی مبنی بر ارتباط افسردگی و استفاده از زبان و اینکه ویژگی های جمعیت شناختی مانند سن و جنسیت به طور قابل توجهی بر استفاده از زبان تأثیر می گذارد، انجام شد. با این حال، تحقیق در مورد رابطه بالقوه بین زبان و افسردگی و اینکه چگونه ممکن است تحت تأثیر نژاد قرار گیرد، محدود است.
برای پرداختن به این موضوع، محققان تأثیر نژاد بر ارتباط افسردگی-زبان را با استفاده از هوش مصنوعی ارزیابی کردند. نتایج تجزیه و تحلیل نشان داد که این مدل‌ها در مورد شرکت‌کنندگان سفیدپوست به‌طور قابل‌توجهی بهتر از افراد سیاه‌پوست عمل می‌کنند، که نیاز به تحقیقات بیشتر در مورد نقش افسردگی در بیان زبان طبیعی در گروه‌های مختلف را برجسته می‌کند.