Στο στρογγυλό τραπέζι «Η τεχνητή νοημοσύνη στη δημόσια υγεία: Προοπτικές και προβληματισμοί» συζητήθηκαν οι εφαρμογές της τεχνητής νοημοσύνης στον χώρο της δημόσιας υγείας, πώς μπορούν αυτές να τη βελτιώσουν, αλλά και οι προβληματισμοί και τα ηθικά ζητήματα που δημιουργούνται γύρω από τη χρήση της. Το τραπέζι συντόνισαν οι Κλειώ Σγουροπούλου, καθηγήτρια Π.Α.Δ.Α., και Αναστασία Κριθαρά, ερευνήτρια στο Ε.Κ.Ε.Φ.Ε. «Δημόκριτος».
Ο Κωνσταντίνος Κεσανόπουλος , Μέλος Ε.ΔΙ.Π., Π.Α.Δ.Α., μίλησε συνολικά για την επανάσταση που έχει προκαλέσει η τεχνητή νοημοσύνη στις βιοεπιστήμες. Ξεκίνησε αναφερόμενος στην ιστορική διαδρομή των γενετικών δεδομένων από τη γονιδιωματική (genomics) που ξεκίνησε το 1986 μέχρι την επιγενετική, στα πιο πρόσφατα χρόνια. Τόνισε ότι υπάρχει πλειάδα εφαρμογών που βασίζονται στα γενετικά δεδομένα, οι οποίες, ενώ αρχικά είχαν ένα περιορισμένο φάσμα χρήσης, τώρα εφαρμόζονται ευρέως για να επιτευχθεί η Ενιαία Υγεία. Η τεχνητή νοημοσύνη, ειδικότερα, βοηθά στο πόσο καλά διαβάζουμε τα γενετικά δεδομένα, μας δίνει τα εργαλεία για να προσεγγίσουμε τη φύση και παρέχει μοντέλα που βοηθούν στη λήψη αποφάσεων. Ορισμένα παραδείγματα εφαρμογών της τεχνητής νοημοσύνης στη δημόσια υγεία αφορούν στην πρόγνωση και στην επιλογή και εξατομίκευση της θεραπείας του καρκίνου, στη μελέτη σπάνιων νοσημάτων και στον υπολογισμό του κινδύνου για ανάπτυξη χρόνιων και ψυχικών νοσημάτων. Ο ομιλητής δεν παρέλειψε να θέσει κάποια ερωτήματα που είναι δύσκολο να απαντηθούν, όπως σε ποιον ανήκουν τα δεδομένα που χρησιμοποιούνται και ποιος μπορεί να τα χρησιμοποιήσει, και ακόμη, εάν ο ασθενής πρέπει να γνωρίζει ότι το θεραπευτικό του πρωτόκολλο έχει αναπτυχθεί από έναν αλγόριθμο τεχνητής νοημοσύνης. Ο κ. Κεσανόπουλος έκλεισε την ομιλία του με ένα θετικό μήνυμα για τα αποτελέσματα μίας πρόσφατης μελέτης που αποκάλυψε πως ο φόβος για την τεχνητή νοημοσύνη δεν υπάρχει και ότι οδηγούμαστε στην 5η βιομηχανική επανάσταση, η οποία θα βελτιώσει αισθητά τη ζωή των ανθρώπων μέσω της τεχνητής νοημοσύνης.
Στη συνέχεια, ο Νίκος Ιωσήφ, Πρόεδρος και Συνιδρυτής Human Health Intelligence Organization, μίλησε για την αξιοποίηση της τεχνητής νοημοσύνης στον μετασχηματισμό της πρόληψης και του προσυμπτωματικού ελέγχου στη δημόσια υγεία. Ανέφερε ότι πλέον στην Ελλάδα έχουμε κατακτήσει ένα επίπεδο ωριμότητας να συνομιλούμε για την τεχνητή νοημοσύνη, ωστόσο για να επέλθουν μεταρρυθμίσεις στον χώρο της υγείας θα πρέπει να τηρηθεί μια ρεαλιστική προσέγγιση και άποψη. Συγκεκριμένα, η αξιοποίηση της τεχνητής νοημοσύνης στη δημόσια υγεία θα πρέπει να αντιμετωπιστεί ως ανάγκη και όχι ως πολυτέλεια, ενώ το πρώτο βήμα θα πρέπει να είναι η ψηφιακή μετάβαση, με μεθοδικό τρόπο, να δημιουργήσει αξιόπιστα και ποιοτικά δεδομένα. Στη συνέχεια, αναφέρθηκε στους τρόπους με τους οποίους συνεισφέρει η τεχνητή νοημοσύνη στη βελτίωση της πρωτογενούς, της δευτερογενούς και της τριτογενούς πρόληψης. Για την πρωτογενή πρόληψη, η σύνδεση των δεδομένων και οι εξατομικευμένες συστάσεις, με αξιοποίηση της τεχνητής νοημοσύνης, μπορεί να αποσυμφορήσει το Ε.Σ.Υ. και να μειώσει τον όγκο εργασίας των επαγγελματιών υγείας. Στη δευτερογενή πρόληψη, στο πλαίσιο του προσυμπτωματικού ελέγχου, η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πιο έγκυρη ερμηνεία των διαγνωστικών εξετάσεων, ενώ στην τριτογενή πρόληψη, να συνεισφέρει στην απομακρυσμένη παρακολούθηση ασθενών, την αποθεραπεία και την πρόβλεψη επιπλοκών. Τέλος, ο ομιλητής αναφέρθηκε στις προκλήσεις της χρήσης της τεχνητής νοημοσύνης μεταξύ των οποίων είναι η προστασία προσωπικών δεδομένων, οι αλγοριθμικές μεροληψίες και η διαφάνεια, και η εκπαίδευση τόσο των επαγγελματιών όσο και του κοινού. «Η τεχνητή νοημοσύνη μπορεί όχι απλά να μεταρρυθμίσει, αλλά να επαναπροσδιορίσει τη δημόσια υγεία, προσφέροντας καινοτόμες λύσεις σε άλυτα έως σήμερα προβλήματα», κατέληξε.
Ο καθηγητής Χαράλαμπος Πατρικάκης αναφέρθηκε στις δυνατότητες, τις ευκαιρίες αλλά και τους προβληματισμούς ως προς τη συμβολή της τεχνητής νοημοσύνης στην αντιμετώπιση επιδημιών. Στο πρώτο μισό της ομιλίας του ο κ. Πατρικάκης μίλησε για τη συμβολή της τεχνητής νοημοσύνης στην προγνωστική ανάλυση και τα συστήματα έγκαιρης προειδοποίησης, στην επεξεργασία δεδομένων σε πραγματικό χρόνο και την παρακολούθηση ασθενειών, την κατανομή και τη διαχείριση πόρων, καθώς και για το τι νέο φέρνει η τεχνητή νοημοσύνη και θέματα ηθικής και δεοντολογίας. Τα ερωτήματα αυτά απαντήθηκαν εξολοκλήρου με τη βοήθεια chatbot τεχνητής νοημοσύνης παραθέτοντας τα σχετικά πλεονεκτήματα και τους προβληματισμούς σε επίπεδο θεωρίας. Στο δεύτερο μισό της ομιλίας του, ο κ. Πατρικάκης απάντησε στα παραπάνω ερωτήματα ο ίδιος, και αναφέρθηκε σε πραγματικά παραδείγματα. Συγκεκριμένα, μίλησε για ένα λογισμικό που χρησιμοποιεί τεχνητή νοημοσύνη και το οποίο είχε προβλέψει το ξέσπασμα του ιού ZIKA και την απειλή του COVID-19 πριν αυτά προκύψουν, για το ερευνητικό πρόγραμμα EUNOMIA που αφορά στην ανίχνευση ψευδών ειδήσεων, σε έναν εξομοιωτή νοσοκομειακού περιβάλλοντος σε συνθήκες επιδημίας που δίνει τη δυνατότητα διαχείρισης των κλινών, καθώς και σε μία εργασία φοιτητών στο πανεπιστήμιο ΜΙΤ, οι οποίοι μέσα σε μία ώρα βρήκαν 4 τρόπους μέσω γνωστού chatbot τεχνητής νοημοσύνης να δημιουργήσουν μία νέα θανατηφόρα πανδημία. Ο κ. Πατρικάκης έκλεισε την ομιλία του υπογραμμίζοντας την έλλειψη άρτια εκπαιδευμένου και εξειδικευμένου ανθρώπινου δυναμικού στο πεδίο της τεχνητής νοημοσύνης.
Ο τελευταίος ομιλητής, Αθανάσιος Κακασής, παθολόγος – λοιμωξιολόγος με επιχειρηματική δραστηριότητα στον χώρο της ΤΝ, μίλησε για τη σημασία του εναρμονισμού των ιατρικών δεδομένων στην υπηρεσία της δημόσιας υγείας. Ως εναρμονισμό δεδομένων όρισε τη διαδικασία ομογενοποίησης διαφόρων μορφών δεδομένων για τη δημιουργία συνεκτικών βάσεων, η οποία βοηθά στην αποκεντρωμένη ενοποίηση των δεδομένων για περαιτέρω ανάλυση. Ανέφερε τα OHDSI και HL7 FHIR ως τα επικρατέστερα standard δεδομένων για την επίτευξη του εναρμονισμού, τα οποία μάλιστα είπε ότι είναι συμπληρωματικά μεταξύ τους για τη διαλειτουργικότητα του συνοπτικού φακέλου ασθενή στο πλαίσιο του Ευρωπαϊκού Χώρου Δεδομένων για την Υγεία (EHDS). Συγκεκριμένα ανέφερε ότι το OMOP CDM του OHDSI είναι ένα εργαλείο εναρμόνισης, που λειτουργεί ως λεξικό για ιατρικά δεδομένα, τα κωδικοποιεί σε μία ενιαία γλώσσα και τα οργανώνει σε συγκεκριμένες βάσεις δεδομένων, οι οποίες με τη σειρά τους βοηθούν στο να απαντώνται ερευνητικά ερωτήματα, χωρίς να μοιράζονται/αποκαλύπτονται τα πραγματικά δεδομένα. Τέλος, αναφέρθηκε στην COVID-19 και το παράδειγμα της υδροξυχλωροκίνης για το πως real word data μπορούν να μετατραπούν σε real world evidence μέσω της ομογενοποίησης των δεδομένων.
