عندما ضرب covid-19 أوروبا في مارس 2020 ، غرقت المستشفيات في أزمة صحية لا تزال غير مفهومة. لكن كانت هناك بيانات من الصين ، التي كانت قبل أربعة أشهر من السباق للتغلب على الوباء. إذا أمكن تدريب خوارزميات التعلم الآلي على هذه البيانات لمساعدة الأطباء على فهم ما يرونه واتخاذ القرارات ، فقد ينقذ ذلك الأرواح. لم يحدث ذلك أبدًا ، لكنه لم يكن بسبب نقص الجهد. تقدمت فرق البحث من جميع أنحاء العالم للمساعدة. في النهاية ، تم تطوير عدة مئات من الأدوات التنبؤية ولم يحدث أي منها فرقًا حقيقيًا. هذا هو الاستنتاج الساحق لدراسات متعددة نُشرت في الأشهر الأخيرة. هذا يعكس نتائج دراستين كبيرتين قيمتا المئات من الأدوات التنبؤية التي تم تطويرها العام الماضي: تلك التي أجراها لور وينانتس Laure Wynants، عالمة الأوبئة في جامعة ماستريخت في هولندا ، والتي تدرس أدوات الكشف ، وتلك التي أجراها ديريك دريجز Derek Driggs، باحث التعلم الآلي في جامعة كامبريدج.
كان مجتمع الذكاء الاصطناعي ، على وجه الخصوص ، يسارع إلى تطوير برامج يعتقد الكثيرون أنها ستسمح للمستشفيات بتشخيص المرضى أو فرزهم بشكل أسرع ، مما يوفر الدعم الذي تشتد الحاجة إليه أولاً . في النهاية ، تم تطوير عدة مئات من الأدوات التنبؤية ولم يحدث أي منها فرقًا حقيقيًا وكان بعضها خطيرًا. في يونيو ، أصدر معهد تورينج ، وهو المركز الوطني البريطاني لعلوم البيانات والذكاء الاصطناعي ، تقريرًا يلخص المناقشات من سلسلة من ورش العمل التي عقدها في أواخر عام 2020. وكان الإجماع الواضح أن أدوات دراسات الذكاء الاصطناعي كان لها تأثير ضئيل أو معدوم في محاربة covid-19.
لوري وينانتس ، عالمة الأوبئة بجامعة ماستريخت بهولندا ، والتي تدرس أدوات الكشف ، هي المؤلف الرئيسي لدراسة قيمت مئات الأدوات التنبؤية التي تم تطويرها خلال العام الماضي. تحليل منشور في المجلة الطبية البريطانية ، يتم تحديثه دائمًا عند نشر أدوات جديدة واختبار الأدوات الموجودة. نظرت هي وزملاؤها في 232 خوارزمية لتشخيص المرضى أو توقع تطور المرض لدى الأشخاص المصابين بالمرض. وجدوا أن أيا منهم لم يكن مناسبًا للاستخدام السريري. تم العثور على اثنين فقط لتكون واعدة بما فيه الكفاية ليتم اختبارها في وقت لاحق. لم يكن لدى الأطباء حقًا أي فكرة عن كيفية التعامل مع هؤلاء المرضى.
تم تأكيد دراسة Wynants من خلال مراجعة أخرى واسعة النطاق قام بها ديريك دريجز ، باحث التعلم الآلي في جامعة كامبريدج وزملاؤه ، ونشرت في Nature Machine Intelligence. ركز هذا الفريق على نماذج التعلم العميق لتشخيص كوفيد -19 والتنبؤ بمخاطر المريض من الصور الطبية ، مثل الأشعة السينية والأشعة المقطعية على الصدر. درسوا 415 أداة منشورة وخلصت Wynants وزملاؤها إلى أن أيا منها لم يكن مناسبًا للاستخدام السريري. لقد كان هذا الوباء اختبارًا رائعًا للذكاء الاصطناعي والطب. كان سيقطع شوطًا طويلاً في حشد الجمهور لقضيتنا. يقول دريغز ، الذي يعمل بنفسه على أداة التعلم الآلي لمساعدة الأطباء أثناء الوباء ، “لكنني لا أعتقد أننا نجحنا في هذا الاختبار.
وجد كلا الفريقين أن الباحثين كرروا نفس الأخطاء الأساسية في الطريقة التي دربوا بها أو اختبروا أدواتهم. غالبًا ما تعني الافتراضات غير الصحيحة حول البيانات أن النماذج المدربة لم تعمل كما هو متوقع. لا يزال Wynants و Driggs يؤمنان بأن الذكاء الاصطناعي يمكن أن يساعد. لكنهم يخشون أنه قد يكون ضارًا إذا تم بناؤه بطريقة خاطئة ، حيث قد يفوتهم التشخيص أو يقللون من المخاطر التي يتعرض لها المرضى المعرضون للخطر. يقول دريجز: “هناك الكثير من الضجيج حول نماذج التعلم الآلي وما يمكنها فعله اليوم”.
تشجع التوقعات غير الواقعية على استخدام هذه الأدوات قبل أن تصبح جاهزة. يدعي كل من Wynants و Driggs أن بعض الخوارزميات التي نظروا إليها قد تم استخدامها في المستشفيات من قبل ، وبعضها يتم تسويقه بواسطة مطورين من القطاع الخاص. إذن ما الخطأ الذي حدث؟ وكيف يمكنك سد هذه الفجوة؟ إذا كانت هناك نقطة مضيئة واحدة ، فهي أن الوباء جعل العديد من الباحثين يدركون أن الطريقة التي يتم بها بناء أدوات الذكاء الاصطناعي يجب أن تتغير. يقول وينانتس: “لقد سلط covid-19 الضوء على القضايا التي كنا نتسكع فيها لبعض الوقت”.
