Les chercheurs ont développé une IA «explicable» pour aider à diagnostiquer et traiter les enfants à risque

Deux chercheurs du Oak Ridge Laboratory ont mis au point un système d’IA «explicable» conçu pour aider les professionnels de la santé à diagnostiquer et traiter les enfants et les adultes qui ont vécu l’adversité de leur enfance. Bien qu'il s'agisse d'un cas d'utilisation résolument restreint, les rouages ​​derrière cette IA ont des implications particulièrement intéressantes pour le domaine de l'apprentissage automatique dans son ensemble.

De plus, il représente la première véritable solution basée sur les données au problème exceptionnel de l'autonomisation médecins généralistes avec des compétences de diagnostic de domaine de niveau expert – un exploit impressionnant en soi.

Commençons par quelques antécédents. Les expériences défavorables de l'enfance (ACE) sont une forme bien étudiée de facteurs environnementaux médicalement pertinents dont les effets sur les personnes, en particulier ceux des communautés minoritaires, tout au long de toute leur vie ont fait l'objet de recherches approfondies.

Bien que les symptômes et les résultats soient souvent difficiles à diagnostiquer et à prévoir, les interventions les plus courantes sont généralement faciles à utiliser. Fondamentalement: dans la plupart des cas, nous savons quoi faire avec les personnes souffrant ou vivant dans des conditions environnementales défavorables pendant l'enfance, mais nous n'avons souvent pas les ressources nécessaires pour amener ces personnes complètement du diagnostic au traitement.

Enter Nariman Ammar et Arash Shaban-Nejad, deux chercheurs en médecine du Oak Ridge National Laboratory de l'Université de Tennesee. Ils ont publié aujourd'hui un article de pré-impression décrivant le développement et les tests d'un nouveau cadre d'IA conçu pour aider au diagnostic et au traitement d'individus répondant aux critères des ACE.

Contrairement à un os cassé, les ACE ne sont pas ' t diagnostiqué par des examens physiques. Ils nécessitent un gardien ou un professionnel de la santé avec une formation et une expertise dans le domaine de l'adversité infantile pour diagnostiquer. Bien que l'essentiel du diagnostic de ces cas implique de poser des questions aux patients, ce n'est pas aussi simple que de suivre une liste de contrôle.

Les professionnels de la santé peuvent ne pas soupçonner les ACE tant que les «bonnes» questions ne sont pas posées, et même alors les questions de suivi sont souvent plus perspicaces. Selon les nuances particulières d'un cas individuel, il pourrait y avoir des dizaines de milliers de paramètres potentiels (combinaisons de questions et de réponses) affectant les recommandations d'intervention qu'un professionnel de la santé pourrait devoir faire.

Et, peut-être pire, une fois que les interventions sont fait – c'est-à-dire que les rendez-vous sont fixés avec des agences médicales, psychiatriques ou locales / gouvernementales qui peuvent aider le patient – il n'y a aucune garantie que la prochaine personne dans la longue lignée des soins de santé et des fonctionnaires que le patient rencontrera sera en vient à comprendre les ACE comme le dernier.

Le travail de l'équipe d'Oak Ridge est, en soi, une intervention. Il est conçu pour fonctionner un peu comme un robot de chat d'assistance technique. Vous entrez les informations du patient et il recommande et planifie des interventions basées sur les différentes bases de données sur lesquelles il est formé.

Cela peut ressembler à un chatbot ordinaire, mais cette IA fait beaucoup de déductions. Il traite les demandes en langage clair telles que «ma maison n'a pas de chauffage» en inférences sur l'adversité de l'enfance (problèmes de logement), puis recherche ce qui est essentiellement la version lisible par ordinateur d'un manuel médical sur les ACE et décide du meilleur plan d'action à recommander. à un professionnel de la santé.

Les questions-réponses ne sont pas une liste de contrôle pré-scriptée, mais plutôt un système de conversation dynamique basé sur des «Fulfillments» et des webhooks qui, selon l'article, «permettent à l'agent d'invoquer des points de terminaison de service externes et d'envoyer réponses dynamiques basées sur les expressions de l'utilisateur plutôt que sur le codage en dur de ces réponses. »

En utilisant ses propres inférences, il décide quelles questions poser en fonction du contexte à partir des réponses précédentes. Le but ici est de gagner du temps et de faire en sorte qu'il soit aussi simple que possible d'extrapoler les informations les plus utiles possibles dans le moins de questions possible.

Couplé avec des capacités de planification de niveau final, cela pourrait finir par être un guichet unique pour aider les gens qui, autrement, pourraient continuer à vivre dans un environnement qui pourrait causer des dommages permanents et permanents à leur santé et à leur bien-être.

La meilleure partie de ce système d'IA est qu'il est entièrement explicable. Il convertit ces exécutions et ces webhooks en éléments exploitables en les attachant aux extraits de données pertinents qu'il a utilisés pour extrapoler ses résultats finaux. Ceci, selon la recherche, permet un système ouvert entièrement traçable qui – à moins d'éventuels problèmes d'interface utilisateur et de connectivité – devrait être utilisable par n'importe qui.

Si cette méthodologie peut être appliquée à d'autres domaines – comme, par exemple, ce qui rend moins pénible de traiter avec à peu près tous les autres chatbot de la planète – cela pourrait changer la donne pour déjà en plein essor l'industrie des robots de services .

Comme toujours, gardez à l'esprit que les papiers arXiv sont des pré-impressions qui n'ont pas fait l'objet d'un examen par les pairs et sont susceptibles d'être modifiés ou rétractés. Pour en savoir plus sur le nouveau cadre d’IA de l’équipe Oak Ridge cliquez ici .

Publié le 17 novembre 2020 – 23:55 UTC