Μόλις στα 27 της βρέθηκε στη λίστα του MIT Technology Review για τους πιο «καινοτόμους νέους επιστήμονες», δύο χρόνια αργότερα συμπεριλήφθηκε από το Forbes στους «30 Under 30» της επιχειρηματικής τεχνολογίας, το 2016 αναδείχθηκε «Γυναίκα της Χρονιάς» από το Globes και το 2021 επιλέχθηκε ως «Νέα Παγκόσμια Ηγέτις» από το Παγκόσμιο Οικονομικό Φόρουμ στο Νταβός. Σήμερα, ως ιδρύτρια και CEO της Diagnostic Robotics και επιστημονική συνιδρύτρια της Mana.bio, η Κίρα Ραντίνσκι μιλά στο «Κ» λίγες ημέρες πριν από την άφιξή της στην Αθήνα για το EmTech Europe (19-20 Μαρτίου).
Με τη συζήτηση να περιστρέφεται γύρω από το μέλλον των αλγορίθμων στην πρόβλεψη και στην αντιμετώπιση ασθενειών, το κεντρικό ερώτημα είναι σαφές: μπορούμε να προβλέψουμε -και τελικά να αποτρέψουμε- την επιδείνωση μιας κατάστασης πριν ο ασθενής φτάσει στο νοσοκομείο;
Οι μεγάλοι χρόνοι αναμονής στα «Τμήματα Επειγόντων Περιστατικών» (ΤΕΠ) ξεκινούν από το πρώτο σημείο επαφής του ασθενούς με το σύστημα υγείας, όπως έχετε επισημάνει. Με βάση αυτή τη διαπίστωση, αναπτύξατε την ψηφιακή βοηθό Maxine. Πώς, με τη χρήση αλγορίθμων, επανασχεδιάζετε την αλληλεπίδραση των πολιτών με το σύστημα υγείας;
Στην «Diagnostic Robotics» ξεκινήσαμε προσπαθώντας να λύσουμε το πρόβλημα της διαλογής των περιστατικών. Με άλλα λόγια, μόλις ένας ασθενής φτάνει στα επείγοντα, στόχος μας ήταν να προσδιορίσουμε τι είναι πραγματικά «επείγον» και τι όχι, να προπαραγγείλουμε εξετάσεις και να βελτιστοποιήσουμε τις εσωτερικές διαδικασίες του τμήματος. Για να το κάνουμε αυτό, αναλύσαμε ιστορικά ιατρικά αρχεία, εξετάσαμε τι αποφάσισαν τελικά οι γιατροί, ποιες εξετάσεις ζήτησαν και ποια ήταν τα αποτελέσματα. Δημιουργήσαμε ένα σύστημα που έκανε ερωτήσεις στους ασθενείς και καθόριζε αν η περίπτωσή τους είναι επείγουσα και ποιες εξετάσεις πρέπει να γίνουν.
Ωστόσο, γρήγορα ανακαλύψαμε ότι αυτά που καταγράφουν οι γιατροί είναι πολύ διαφορετικά από τον τρόπο με τον οποίο πραγματικά κάνουν τις ερωτήσεις. Για παράδειγμα, η κλασική προσέγγιση για έναν ασθενή με έντονο πονοκέφαλο είναι να ρωτήσουν: «Είναι ο χειρότερος πονοκέφαλος που έχετε βιώσει ποτέ;». Οι περισσότεροι θα απαντήσουν «ναι», αλλιώς δεν θα βρίσκονταν στο τμήμα επειγόντων περιστατικών. Οι έμπειροι γιατροί ρωτούν διαφορετικά: «Νιώθετε σαν να σας χτυπάει ένα σφυρί στο κεφάλι;». Αυτές οι αποχρώσεις στην προσέγγιση σπάνια καταγράφονται στις ιατρικές περιγραφές. Κανείς δεν καταγράφει την ακριβή διατύπωση της αλληλεπίδρασης. Αυτό δημιουργεί μια μεγάλη πρόκληση για τα μοντέλα «μηχανικής μάθησης», τα οποία μαθαίνουν από ό,τι είναι γραμμένο στον φάκελο και όχι από την πραγματική εμπειρία που αποκτούν οι γιατροί μέσω της ανθρώπινης αλληλεπίδρασης.
Το μεγαλύτερο πρόβλημα, λοιπόν, ήταν τα δεδομένα. Είχαμε πολλά, αλλά τα περισσότερα ήταν άσχετα. Για χρόνια, εστιάσαμε στο να διδάξουμε στο σύστημα πώς να επικοινωνεί με τους ανθρώπους. Κατέληξε να μοιάζει με τον τρόπο που οι γιατροί μιλούν στους ασθενείς και ήμασταν ικανοποιημένοι με τα αποτελέσματα. Ωστόσο, συνειδητοποιήσαμε ότι δεν είχε τον λειτουργικό αντίκτυπο που ελπίζαμε. Όταν κάποιος βρίσκεται στα επείγοντα, συχνά είναι ήδη αργά – πολλοί ασθενείς θα μπορούσαν να είχαν αντιμετωπιστεί νωρίτερα.
Πόσο νωρίς μπορεί η «Maxine» να ανιχνεύσει αυτά τα σημάδια επιδείνωσης ή επιπλοκών σε σύγκριση με την παραδοσιακή κλινική αξιολόγηση;
Αυτό που κάναμε ήταν ότι επεκτείναμε το σύστημα στην προληπτική φροντίδα. Αντί να προβλέπουμε τον κίνδυνο τη στιγμή που ένας ασθενής φτάνει στο νοσοκομείο, αρχίσαμε να προβλέπουμε την επιδείνωση έξι έως δώδεκα μήνες νωρίτερα. Σε αυτό το στάδιο, αποκτήσαμε πρόσβαση σε σχεδόν 100 εκατομμύρια ιατρικές περιγραφές και δεδομένα από περίπου 30 εκατομμύρια ασθενείς. Αρχίσαμε να προβλέπουμε την πορεία των ασθενών, εξετάζοντας αν ήταν πιθανό να επιδεινωθούν μέσα στους επόμενους έξι έως δώδεκα μήνες. Όταν αρχίσαμε να εφαρμόζουμε το σύστημα, αντιμετωπίσαμε μια άλλη πρόκληση. Φανταστείτε να λαμβάνετε στο σπίτι σας ένα τηλεφώνημα που λέει: «Γεια σας, πιστεύουμε ότι θα αρρωστήσετε σοβαρά σε έξι μήνες». Αυτή είναι μια πολύ περίεργη κλήση. Συνειδητοποιήσαμε λοιπόν ότι το σημαντικό είναι να καθορίσουμε τα επόμενα βέλτιστα βήματα στην πορεία του ασθενή. Αρχίσαμε να αναλύουμε ποιες παρεμβάσεις είχαν κάνει ιστορικά οι γιατροί πρωτοβάθμιας περίθαλψης για να αποτρέψουν την επιδείνωση, ποιες ήταν αποτελεσματικές και ποιες όχι. Αντί να κάνουμε ανησυχητικές κλήσεις, τώρα λέμε: «Με βάση το προφίλ σας, πιστεύουμε ότι τα επόμενα βήματα θα σας ωφελήσουν». Αυτά τα βήματα είναι κλινικά επικυρωμένα, δεν εφευρίσκουμε νέα φάρμακα. Αυτό που κάνουμε είναι να προτείνουμε συγκεκριμένες εξετάσεις, να συνδέσουμε τους ασθενείς με τους γιατρούς πρωτοβάθμιας περίθαλψης ή να προτείνουμε άλλες προληπτικές ενέργειες.
Αντιμετωπίσαμε, βέβαια, ένα πρόβλημα «επεκτασιμότητας». Υπάρχουν εκατομμύρια ασθενείς και μόνο μερικές χιλιάδες νοσηλευτές διαθέσιμοι για να τους καλέσουν. Στην καλύτερη περίπτωση, μπορούσαμε να επικοινωνήσουμε με τους πιο άρρωστους ασθενείς. Αλλά τι γίνεται με εκείνους που βρίσκονται στη μέση, οι οποίοι θα μπορούσαν να αποφύγουν την επιδείνωση της κατάστασής τους με μια μικρή παρέμβαση; Για να αντιμετωπίσουμε αυτό το πρόβλημα, δημιουργήσαμε ένα σύστημα που μπορεί να καλεί τους ασθενείς και να πραγματοποιεί πλήρη φωνητική συνομιλία. Η τεχνητή νοημοσύνη ξεκινά έναν διάλογο με τον πολίτη, συζητά για την υγεία και τους καθοδηγεί προς τα κατάλληλα επόμενα κλινικά βήματα.
Πόσο ακριβείς είναι οι προβλέψεις του συστήματος;
Εξαρτάται από το τι προβλέπουμε. Ορισμένες καταστάσεις είναι ευκολότερο να προβλεφθούν από άλλες. Για παράδειγμα, η επιδείνωση της «συμφορητικής καρδιακής ανεπάρκειας (ΣΚΑ)» είναι σχετικά προβλέψιμη σε χρονικό ορίζοντα 6 έως 12 μηνών. Μια ενδιαφέρουσα ανακάλυψη που κάναμε σχετίζεται με τα εποχιακά μοτίβα. Στην αρχή του χειμώνα, πολλοί ασθενείς με «ΣΚΑ» παρουσιάζουν επιδείνωση. Υπάρχουν δύο κύριοι λόγοι. Πρώτον, δεν κάνουν εμβόλιο για τη γρίπη και η μόλυνση από τη γρίπη μπορεί να επιδεινώσει την κατάστασή τους. Δεύτερον, είναι πολύ ευαίσθητοι στην πρόσληψη αλατιού. Η υπερβολική κατανάλωση αλατιού οδηγεί σε κατακράτηση υγρών, η οποία μπορεί να προκαλέσει επιδείνωση των συμπτωμάτων τους. Τι αλλάζει τον χειμώνα; Οι άνθρωποι τείνουν να τρώνε περισσότερες σούπες. Πολλές σούπες έχουν υψηλή περιεκτικότητα σε νάτριο και οι ασθενείς συχνά δεν γνωρίζουν πόσο αλμυρές είναι. Αυτή η αλλαγή στη διατροφή συμβάλλει στην εποχική επιδείνωση. Όταν εξηγείται, αυτό φαίνεται προφανές, ωστόσο οι γιατροί δεν παρακολουθούν συνεχώς τι τρώνε οι ασθενείς στο σπίτι. Αντίθετα, το σύστημά μας αναγνωρίζει αυτά τα συμπεριφορικά και εποχιακά μοτίβα σε μεγάλη κλίμακα.
Πόσες αλληλεπιδράσεις με τον ασθενή ολοκληρώνει η Maxine από την αρχή μέχρι το τέλος, χωρίς την ανθρώπινη παρέμβαση;
Εξαρτάται από την περίπτωση χρήσης. Συνεργαζόμαστε με την κλινική Mayo Clinic για την υποδοχή ασθενών με καρκίνο του μαστού. Όταν μια γυναίκα διαγνωστεί με καρκίνο του μαστού, το πρώτο βήμα είναι μια λεπτομερής συνέντευξη υποδοχής. Αυτό μπορεί να διαρκέσει έως και 45 λεπτά, ακόμα και μέσω τηλεφώνου. Απαιτεί τη συλλογή ολοκληρωμένου ιατρικού ιστορικού, την κατανόηση του σταδίου της νόσου, την εξέταση απεικονίσεων και τη συλλογή εκτεταμένων πληροφοριών για το ιστορικό της ασθενούς. Σε αυτό το σενάριο, η Maxine ολοκληρώνει περισσότερο από το 75% των κλήσεων χωρίς καμία ανθρώπινη παρέμβαση. Σε άλλα σενάρια υγειονομικής περίθαλψης, ωστόσο, η πλήρης αυτοματοποίηση δεν είναι πάντα ιδανική.
Πολλά συστήματα υγειονομικής περίθαλψης εξακολουθούν να είναι επιφυλακτικά όσον αφορά την πλήρη εξάρτηση από αυτοματοποιημένα bots. Για παράδειγμα, όταν υποστηρίζονται αλλαγές στον τρόπο ζωής, όπως η τήρηση της διατροφής, οι ανθρώπινες σχέσεις έχουν σημασία. Αν ένα bot σας καλεί τακτικά, μπορεί να το αγνοήσετε. Αλλά αν έχετε προσωπική σχέση με έναν γιατρό, υπάρχει ένα στοιχείο υπευθυνότητας. Μπορεί να νιώθετε ένα αίσθημα ευθύνης ή ακόμα και ενοχής γνωρίζοντας ότι ο γιατρός σας παρακολουθεί την πρόοδό σας. Στην περίπτωσή μας, η προσέγγιση είναι υβριδική. Η Maxine χειρίζεται την παρακολούθηση του ασθενούς και μπορεί να του υπενθυμίζει ότι η πρόοδος θα κοινοποιηθεί στον γιατρό. Περιοδικά, ένας γιατρός επικοινωνεί απευθείας με τον ασθενή για να διατηρήσει την ανθρώπινη σχέση, ενισχύοντας την υπευθυνότητα και την εμπιστοσύνη.
Ένα από τα ζητήματα που αντιμετωπίζουν τα μοντέλα «μηχανικής μάθησης» είναι η μεροληψία των δεδομένων, για παράδειγμα έναντι ασθενών με υψηλό κόστος ή υποεξυπηρετούμενων πληθυσμών. Πώς την αντιμετωπίζετε;
Μια μελέτη του 2019 έδειξε ότι ο αλγόριθμος προληπτικής φροντίδας ενός μεγάλου συστήματος υγειονομικής περίθαλψης των ΗΠΑ ήταν ακούσια μεροληπτικός έναντι των Αφροαμερικανών ασθενών. Το ζήτημα προέκυψε επειδή το σύστημα προέβλεπε το κόστος και όχι την ασθένεια. Ιστορικά, οι αφροαμερικανικές κοινότητες είχαν περιορισμένη πρόσβαση σε υπηρεσίες υγειονομικής περίθαλψης, με αποτέλεσμα να καταγράφονται χαμηλότερες δαπάνες υγειονομικής περίθαλψης. Ως αποτέλεσμα, ο αλγόριθμος έμαθε ότι αυτοί οι ασθενείς ήταν «λιγότερο δαπανηροί» και, ως εκ τούτου, τους έδωσε χαμηλότερη προτεραιότητα.
Εμείς ακολουθούμε μια θεμελιωδώς διαφορετική προσέγγιση: Δεν προβλέπουμε το κόστος. Προβλέπουμε τον κίνδυνο ασθένειας και την αποτρέψιμη επιδείνωση. Εστιάζοντας στα κλινικά αποτελέσματα και όχι στα πρότυπα δαπανών, μειώνουμε τη δομική μεροληψία που είναι ενσωματωμένη στα ιστορικά δεδομένα κόστους. Ωστόσο, η μεροληψία δεν μπορεί να εξαλειφθεί εντελώς. Ελέγχουμε συνεχώς τα μοντέλα μας συγκρίνοντας άτομα με πανομοιότυπα κλινικά προφίλ, που διαφέρουν μόνο σε χαρακτηριστικά όπως το φύλο ή η φυλή. Εάν εμφανιστούν στατιστικά σημαντικές διαφορές, τις διερευνούμε.
Μεταξύ άλλων, είστε η επιστημονική συνιδρύτρια της Mana.bio, στην οποία συνδυάζετε τη μηχανική μάθηση με τη νανοτεχνολογία για την ανάπτυξη νέων φαρμάκων. Ποιο είναι το τρέχον χρονικό διάστημα από την ανακάλυψη ενός φαρμάκου έως την κυκλοφορία του στην αγορά και κατά πόσο μπορεί η «τεχνητή νοημοσύνη» να μειώσει αυτό το διάστημα;
Σήμερα, μπορεί να χρειαστούν έως και 12 χρόνια για να μεταφερθεί ένα φάρμακο από την αρχική ανακάλυψη στην έγκριση για κυκλοφορία στην αγορά. Στην περίπτωσή μας, χρησιμοποιούμε συστήματα «τεχνητής νοημοσύνης» για να δημιουργήσουμε «συνταγές μορίων (των φαρμάκων)» και ρομποτικές εργαστηριακές πλατφόρμες για να συνθέσουμε και να δοκιμάσουμε αυτά τα «μόρια» αυτόματα. Αντί να χρειάζονται χρόνια, βλέπουμε όλο και πιο συχνά σημαντική πρόοδο μέσα σε λίγες εβδομάδες.
Θα λέγατε ότι κινούμαστε προς ένα μέλλον όπου ο σχεδιασμός και οι δοκιμές των φαρμάκων θα γίνονται σε μεγάλο βαθμό υπολογιστικά;
Μεγάλο μέρος του σχεδιασμού φαρμάκων είναι ήδη υπολογιστικό. Τα μεγαλύτερα εναπομείναντα εμπόδια είναι τα στάδια της «βιολογικής επικύρωσης», δηλαδή μελέτες σε ζώα και κλινικές δοκιμές σε ανθρώπους. Αυτές οι φάσεις εξακολουθούν να είναι δύσκολο να επιταχυνθούν με ασφάλεια και ηθική. Με την πάροδο του χρόνου, ενδέχεται να αναπτύξουμε καλύτερα βιολογικά μοντέλα, όπως προηγμένα συστήματα in vitro ή πιο ακριβείς προσομοιώσεις σε ανθρώπους, που θα μας επιτρέψουν να συντομεύσουμε αυτά τα στάδια.
Σε παλαιότερη συνέντευξή σας στο CRAFTED είχατε δηλώσει: «Θέλω η τεχνητή νοημοσύνη να με αντικαταστήσει ως επιστήμονα». Αν η τεχνητή νοημοσύνη αντικαταστήσει τους επιστήμονες, τι θα παραμείνει «ανθρώπινο» στην επιστήμη;
Αυτή είναι μια βαθιά ερώτηση. Προς το παρόν, εξακολουθούν να υπάρχουν πειράματα που διεξάγουν οι άνθρωποι, εργαστηριακές εργασίες που δεν έχουν ακόμη αυτοματοποιηθεί πλήρως, αλλά, μόλις ξεπεραστούν αυτά τα εμπόδια, θα γίνει λιγότερο σαφές ποιος θα είναι ο ρόλος του παραδοσιακού επιστήμονα.
Δεν είναι απολύτως σαφές πώς θα είναι ο επιστήμονας του μέλλοντος. Ίσως ο ρόλος του ανθρώπου να μετατοπιστεί από τη δημιουργία υποθέσεων στον καθορισμό αξιών, στην υποβολή σημαντικών ερωτήσεων ή στην απόφαση για τις κατευθύνσεις που πρέπει να ακολουθήσει η ανθρωπότητα. Αυτά είναι ακόμη ανοιχτά ερωτήματα.
Ποιο είναι το μήνυμά σας προς τα κορίτσια που θέλουν να σπουδάσουν STEM (Επιστήμη, Τεχνολογία, Μηχανική, Μαθηματικά) και να ακολουθήσουν παρόμοια πορεία;
Από τότε που θυμάμαι τον εαυτό μου, ήθελα να γίνω επιστήμονας. Σε ηλικία τεσσάρων ή πέντε ετών, ήδη φανταζόμουν ότι θα έσπρωχνα τα όρια της ανθρώπινης γνώσης λίγο πιο μπροστά. Αυτό το όνειρο παρέμεινε μαζί μου. Αυτό που με βοήθησε περισσότερο ήταν ότι κανείς δεν μου είπε ότι ήταν αδύνατο. Όποτε ήθελα να δοκιμάσω κάτι, για παράδειγμα, να πάω στο πανεπιστήμιο στα δεκαπέντε. Η απάντηση ήταν απλά: «Γιατί όχι; Δοκίμασε». Θυμάμαι ότι, όταν ήμουν 21 ετών, παρακολούθησα μια διάσκεψη στη Microsoft, όπου οι άνθρωποι συζητούσαν για τη «γυάλινη οροφή». Ωστόσο, είχα μεγαλώσει σε μια οικογένεια γυναικών και κανείς δεν μου είχε ποτέ υποδείξει ότι υπήρχαν όρια σε ό,τι μπορούσα ή δεν μπορούσα να κάνω. Αυτή η απουσία επιβαλλόμενων ορίων έκανε τεράστια διαφορά.
Έτσι, το μήνυμά μου προς τους γονείς των κοριτσιών είναι απλό: μην επιβάλλετε τεχνητά όρια. Ενθαρρύνετε την εξερεύνηση. Αφήστε τα παιδιά σας να ανακαλύψουν τα δικά τους όρια αντί να κληρονομήσουν τα δικά σας. Και προς τα κορίτσια και τις νέες γυναίκες που ενδιαφέρονται για τα STEM: μπαίνουμε σε μια περίοδο τεράστιων μετασχηματισμών. Γίνεται λόγος για «τεχνητή νοημοσύνη», «μοναδικότητα (singularity)» και το μέλλον της εργασίας. Στην πραγματικότητα, όμως, βρισκόμαστε στην αρχή μιας συναρπαστικής νέας εποχής γεμάτης νέα επαγγέλματα, νέες ανακαλύψεις και νέες ευκαιρίες.
Η Καθημερινή συνδιοργανώνει με το MIT Technology Review το τρίτο EmTech Summit, με έμφαση στις τελευταίες εξελίξεις στον τομέα της τεχνητής νοημοσύνης. Το συνέδριο θα πραγματοποιηθεί στις 19-20 Μαρτίου στο Μέγαρο Μουσικής Αθηνών. Εισιτήρια διαθέσιμα: emtecheurope.com
