சரிபார்க்க முடியாத தரவுத் தொகுப்புகளில் கட்டமைக்கப்பட்ட AI சுகாதார முன்கணிப்பு மாதிரிகள் கடுமையான கவலைகளை எழுப்புகின்றன

AI சுகாதார தரவு மூலத்தில் தொந்தரவு தரும் இடைவெளிகளை ஆய்வு வெளிப்படுத்துகிறது

பக்கவாதம் மற்றும் நீரிழிவு போன்ற சுகாதார அபாயங்களை முன்கணிக்க வடிவமைக்கப்பட்ட செயற்கை நுண்ணறிவு மாதிரிகள், தோற்றத்தை சரிபார்க்க முடியாத தரவுத் தொகுப்புகளை அடிப்படையாகக் கொண்டிருக்கலாம் என்று BMC Medicine இல் வெளியிடப்பட்ட புதிய ஆராய்ச்சி தெரிவிக்கிறது. குயின்ஸ்லாந்து தொழில்நுட்ப பல்கலைக்கழகம் (QUT) மற்றும் ஆஸ்திரேலிய சுகாதார சேவை கண்டுபிடிப்பு மையம் (AusHSI) ஆராய்ச்சியாளர்கள் தலைமையிலான இந்த ஆய்வு, தரவுத் தொகுப்புகள் மற்றும் இயந்திர கற்றல் வளங்களைப் பகிர்வதற்கான பிரபலமான ஆன்லைன் தளமான Kaggle இல் ஹோஸ்ட் செய்யப்பட்ட இரண்டு பரவலாகப் பதிவிறக்கம் செய்யப்பட்ட சுகாதார தரவுத் தொகுப்புகளை ஆய்வு செய்தது. கண்டுபிடிப்புகள் சில AI-இயக்கப்படும் மருத்துவ கருவிகளின் அடித்தளத்தில் ஒரு முக்கியமான குறைபாட்டை எடுத்துக்காட்டுகின்றன.

125 க்கும் மேற்பட்ட சக மதிப்பாய்வு செய்யப்பட்ட ஆய்வுகளில் பயன்படுத்தப்பட்ட தரவுத் தொகுப்புகள்

கேள்விக்குரிய இரண்டு தரவுத் தொகுப்புகள், தரவு எங்கிருந்து வந்தது, அவை எவ்வாறு சேகரிக்கப்பட்டன அல்லது அவை உண்மையான நோயாளிகளைப் பிரதிநிதித்துவப்படுத்துகின்றனவா என்பது பற்றி எந்த தகவலையும் வழங்காமல், 125 சக மதிப்பாய்வு செய்யப்பட்ட ஆய்வுகளில் பயன்படுத்தப்பட்டதாக கண்டறியப்பட்டது. QUT இன் பொது சுகாதாரம் மற்றும் சமூகப் பணி பள்ளி மற்றும் AusHSI இன் முன்னணி ஆசிரியர் அலெக்சாண்டர் கிப்சன் இந்த கண்டுபிடிப்பில் அதிர்ச்சியை வெளிப்படுத்தினார். "இது போன்ற ஒன்றை சந்திப்பது மிகப்பெரிய ஆச்சரியமாக இருந்தது," என்று கிப்சன் கூறினார். "இந்த தரவுத் தொகுப்புகள் அவற்றின் நம்பகத்தன்மை மற்றும் மருத்துவ ஆராய்ச்சிக்கான பொருத்தம் பற்றி கடுமையான கேள்விகளை எழுப்பும் அசாதாரண வடிவங்களை வெளிப்படுத்துகின்றன."

மருத்துவ தாக்கம் மற்றும் காப்புரிமை மேற்கோள்கள்

தரவுகளை அடிப்படையாகக் கொண்ட மூன்று முன்கணிப்பு மாதிரிகள் மருத்துவ நடைமுறையில் பயன்பாட்டின் சான்றுகளைக் காட்டின. ஒரு மாதிரி ஒரு மருத்துவ சாதன காப்புரிமையில் மேற்கோள் காட்டப்பட்டது, மேலும் மாதிரிகள் 86 மதிப்பாய்வு கட்டுரைகளில் குறிப்பிடப்பட்டன. அடிப்படை தரவுகளின் கேள்விக்குரிய தோற்றம் இருந்தபோதிலும், இந்த மாதிரிகள் நிஜ உலக மருத்துவ முடிவுகள் மற்றும் புதுமைகளை பாதித்துள்ளன என்பதை இது குறிக்கிறது.

அத்தியாவசிய தரவு-மூல அளவுகோல்களில் பூஜ்ஜிய மதிப்பெண்

இந்த ஆய்வு சர்வதேச அளவில் அங்கீகரிக்கப்பட்ட TRIPOD+AI அறிக்கையிடல் கட்டமைப்பைப் பயன்படுத்தி தரவுத் தொகுப்புகளை மதிப்பீடு செய்தது, இது முன்கணிப்பு மாதிரி ஆய்வுகளின் வெளிப்படைத்தன்மை மற்றும் முழுமையை மதிப்பிடுகிறது. தரவுத் தொகுப்புகள் அத்தியாவசிய தரவு-மூல அளவுகோல்களில் 9 இல் 0 மதிப்பெண்களைப் பெற்றன, இது அவற்றின் தோற்றம் பற்றிய சரிபார்க்கக்கூடிய தகவல்களின் முழுமையான பற்றாக்குறையைக் குறிக்கிறது. இது இதழ்கள், டெவலப்பர்கள் மற்றும் மருத்துவர்களுக்கு ஒரு சிவப்புக் கொடியாக இருக்க வேண்டும் என்று கிப்சன் எச்சரித்தார். "அறியப்படாத தோற்றம் கொண்ட தரவுகளில் கட்டமைக்கப்பட்ட முன்கணிப்பு மாதிரிகள் மருத்துவ முடிவெடுப்பதில் இடமில்லை. நம்பகமான தரவு இல்லாமல், வெளியீடுகள் நம்பகத்தன்மையற்றவை மற்றும் மருத்துவர்களை தவறாக வழிநடத்தும் மற்றும் நோயாளிகளுக்கு தீங்கு விளைவிக்கும் அபாயம் உள்ளது," என்று அவர் கூறினார்.

வலுவான வெளிப்படுத்தல் தேவைகளுக்கான அழைப்பு

ஆசிரியர்கள் இதழ்கள், நிதியளிப்பவர்கள் மற்றும் தரவு களஞ்சியங்கள் தரவு மூல வெளிப்படுத்தலுக்கான தேவைகளை வலுப்படுத்த பரிந்துரைக்கின்றனர். மேலும் முறையற்ற பயன்பாட்டைத் தடுக்க இரண்டு Kaggle தரவுத் தொகுப்புகளையும் அகற்ற பரிந்துரைக்கின்றனர். இந்த தரவுத் தொகுப்புகளைப் பயன்படுத்திய ஏழு கட்டுரைகள் ஏற்கனவே நம்பகத்தன்மையற்றவை என்று இதழ்களில் இருந்து திரும்பப் பெறப்பட்டுள்ளன. ஆய்வின் முடிவுகள் திறந்த அறிவியல் நேர்மை வழிகாட்டிகளின் தொகுப்பையும் புதுப்பித்துள்ளன, இது ஆராய்ச்சி நேர்மையை உறுதி செய்வதற்கான ஆதாரங்களை வழங்குகிறது.

சுகாதாரத்தில் AI க்கான பரந்த தாக்கங்கள்

சுகாதாரத்தில் AI கருவிகள் பெருகும்போது இந்த பிரச்சினை ஒரு பரந்த சவாலை பிரதிபலிக்கிறது என்று கிப்சன் குறிப்பிட்டார். வலுவான தரவு மூல தரநிலைகள் இல்லாமல், குறைபாடுள்ள மாதிரிகளை மருத்துவ நடைமுறையில் பயன்படுத்தும் அபாயம் அதிகரிக்கிறது. நோயாளி விளைவுகளை பாதிக்கக்கூடிய AI மாதிரிகளைப் பயிற்றுவிக்கும் முன் தரவுத் தொகுப்புகளின் கடுமையான சரிபார்ப்பின் அவசியத்தை இந்த ஆய்வு வலியுறுத்துகிறது.

துறைக்கான பரிந்துரைகள்

• AI முன்கணிப்பு மாதிரிகளைப் பயன்படுத்தும் எந்த ஆய்வுக்கும் விரிவான தரவு மூல தகவலை இதழ்கள் கோர வேண்டும்.
• தரவு சேகரிப்பு மற்றும் பகிர்வு நடைமுறைகளில் வெளிப்படைத்தன்மையை நிதியளிப்பவர்கள் கட்டாயமாக்க வேண்டும்.
• Kaggle போன்ற தரவு களஞ்சியங்கள், தரவுத் தொகுப்புகள் குறைந்தபட்ச மூல தரநிலைகளை பூர்த்தி செய்வதை உறுதி செய்ய சரிபார்ப்பு செயல்முறைகளை செயல்படுத்த வேண்டும்.
• தரவு நம்பகத்தன்மைக்கான தெளிவான ஆதாரம் இல்லாமல் AI கருவிகளை ஏற்றுக்கொள்வதில் மருத்துவர்கள் எச்சரிக்கையாக இருக்க வேண்டும்.

இந்த கண்டுபிடிப்புகள் AI மற்றும் மருத்துவ சமூகங்களுக்கு ஒரு எச்சரிக்கை கதையாக செயல்படுகின்றன, சுகாதாரத்தில் AI இன் வாக்குறுதியை உணர முடியும் என்பதை வலியுறுத்துகின்றன, இந்த மாதிரிகளை அடிப்படையாகக் கொண்ட தரவு நம்பகமானதாக இருந்தால் மட்டுமே.

இந்த கட்டுரை Medical Xpress அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.