რა უშლის ხელს ხელოვნური ინტელექტის ფართოდ გამოყენებას ონკოლოგიაში?
ამ სტატიაში
რატომ არის ეს თემა მნიშვნელოვანი?
ხელოვნური ინტელექტი (AI) ბოლო წლებში ონკოლოგიაში დიაგნოსტიკის, მკურნალობის დაგეგმვისა და პაციენტების მონიტორინგის მრავალ სფეროში იმედისმომცემ ტექნოლოგიად გამოჩნდა. თუმცა ამ ენთუზიაზმის მიუხედავად, კლინიკურ პრაქტიკაში მისი ინტეგრაცია სერიოზულ პრობლემებს აწყდება. ამ სტატიაში დეტალურად განვიხილავთ ძირითად ფაქტორებს, რომლებიც ონკოლოგიაში AI-ის ფართო დანერგვას აფერხებს: არასაკმარისი სიზუსტე, მონაცემთა მრავალფეროვნების პრობლემები, ეთიკური და გარემოსდაცვითი შეშფოთებები, რეგულირების ხარვეზები და სხვა.
1. რამდენად ზუსტია ხელოვნური ინტელექტი? ჰალუცინაციების პრობლემა და მცდარი ინფორმაცია
ონკოლოგების ერთ-ერთი მთავარი შეშფოთებაა AI სისტემებში „ჰალუცინაციების“ მაღალი სიხშირე. ეს ნიშნავს, რომ სისტემები ფაქტობრივ საფუძველს მოკლებულ ან მცდარ ინფორმაციას ქმნიან.
მნიშვნელოვანი შენიშვნა: ზოგიერთ კვლევაში AI ჩატბოტების მიერ მცდარი ინფორმაციის წარმოქმნის მაჩვენებელმა 20-30%-ს გადააჭარბა. ეს სერიოზულ რისკს ქმნის, განსაკუთრებით ონკოლოგიაში, სადაც მკურნალობის პროტოკოლები სწრაფად იცვლება.
ეს მდგომარეობა განსაკუთრებით საშიშია ონკოლოგიაში:
AI ხელსაწყოებმა შეიძლება ლიტერატურა არასწორად გადმოსცენ ან წყაროდ რეცენზირების გაუვლელი სტატიები მიუთითონ. სათანადო გადამოწმების გარეშე ამან შესაძლოა არაოპტიმალური კლინიკური რეკომენდაციები გამოიწვიოს.
2. მონაცემთა ნაკრებების მიკერძოება: ყველასთვის შესაფერისი არ არის
AI სისტემების წარმატება იმ მონაცემებზეა დამოკიდებული, რომლებზეც ისინი გაწვრთნეს. თუმცა ეს ნაკრებები ძირითადად თეთრკანიან, მაღალი სოციალურ-ეკონომიკური სტატუსის მქონე პირებს წარმოადგენს. შედეგად, სისტემა შეიძლება წარუმატებელი იყოს სხვა რასის, ეთნიკური წარმომავლობისა და გეოგრაფიული რეგიონების პაციენტებში.
ფაქტი, რომელსაც ხაზი უნდა გაესვას: AI სისტემებში, რომლებიც უმცირესობების ჯგუფების მონაცემებზე არ გაწვრთნილა, სწორი დიაგნოზის მაჩვენებელი შეიძლება მნიშვნელოვნად შემცირდეს. ამან ჯანმრთელობის უთანასწორობა კიდევ უფრო შეიძლება გააღრმაოს.
3. შეესაბამება კლინიკურ პრაქტიკას? სამუშაო პროცესებში ინტეგრაციის სირთულე
ბევრი კლინიკური გარემო AI სისტემების ინტეგრაციისთვის მზად არ არის.
კლინიკური გარემო დატვირთული და რთულია. კლინიკების უმეტესობას ამ სისტემების დასანერგად საკმარისი ტექნიკური ინფრასტრუქტურა არ აქვს.
ამასთან, მრავალი AI მოდელი „შავი ყუთივით“ იქცევა — არ ხსნის თავისი გადაწყვეტილებების უკან არსებულ ლოგიკას. ეს ექიმებს პაციენტებისთვის განმარტების მიცემას ურთულებს.
4. პაციენტის კონფიდენციალურობა და რეგულირების ხარვეზები
რადგან კიბოს მონაცემები გენეტიკურ ინფორმაციას შეიცავს, პაციენტის კონფიდენციალურობის დაცვა განსაკუთრებით მნიშვნელოვანია. თუმცა მრავალი AI ხელსაწყო პაციენტის მონაცემების ფართოდ გაზიარებას მოითხოვს.
ამასთან, AI-ის დახმარებით მიღებული გადაწყვეტილებების არასასურველ შედეგებზე იურიდიული პასუხისმგებლობის საკითხი ჯერ კიდევ გაურკვეველია. ამიტომ მრავალი ჯანდაცვის დაწესებულება AI-ს სიფრთხილით ეკიდება.
5. გარემოსდაცვითი და ტექნიკური ხარჯები: უხილავი ფასი
AI სისტემები უზარმაზარ მონაცემთა ცენტრებში მუშაობს, რომლებიც ყოველწლიურად მილიონობით ლიტრ წყალს, ენერგიასა და იშვიათ ელემენტებს (ლითიუმს, კობალტს) მოიხმარს. ეს ნახშირბადის კვალს ზრდის.
საყურადღებო მონაცემი: დიდი AI მოდელების წლიური ნახშირბადის ემისიები შეიძლება მცირე ქალაქების ემისიებს უახლოვდებოდეს.
ამასთან, მუდმივი განახლების საჭიროება საავადმყოფოების IT განყოფილებების დატვირთვას ზრდის. რესურსების ნაკლებობის მქონე დაწესებულებები ამ სისტემების შენარჩუნებას ვერ ახერხებს.
6. რამდენად სანდოა AI პაციენტის თვალსაზრისით?
არ უნდა დაგვავიწყდეს, რომ AI-ზე დაფუძნებული საინფორმაციო ხელსაწყოების გამოყენებისას პაციენტებიც არასწორი მიმართულების მიღების რისკის ქვეშ არიან. განსაკუთრებით კონტექსტის გარეშე წარმოდგენილი მონაცემები — მაგალითად, გადარჩენის საშუალო მაჩვენებლები — ინდივიდუალური პაციენტისთვის შეიძლება შეცდომაში შემყვანი იყოს.
ჯანმრთელობის საკითხებში დაბალი წიგნიერების მქონე პაციენტებში AI ხელსაწყოებმა ინფორმაციული დაბნეულობა შეიძლება გამოიწვიოს. ამან შეიძლება პაციენტები მკურნალობის არასწორ გადაწყვეტილებებამდე მიიყვანოს.
7. გამოსავლის რეკომენდაციები: უფრო ეთიკური, უსაფრთხო და ხელმისაწვდომი AI-სთვის
ამდენი პრობლემის მიუხედავად, როგორ შეიძლება ონკოლოგიაში AI-ის უსაფრთხოდ და ეფექტიანად გამოყენება?
კლინიკური გადამოწმების სისტემები
AI-ის რეკომენდაციები ონკოლოგებმა რეალურ დროში უნდა შეამოწმონ.
უნდა დაინერგოს მუდმივად განახლებადი გადამოწმების სისტემები.
სასწავლო პროგრამები
სამედიცინო ფაკულტეტებსა და უწყვეტი განათლების პროგრამებში AI წიგნიერება სასწავლო გეგმაში უნდა შევიდეს.
ASCO-ს მსგავსმა ორგანიზაციებმა ონკოლოგიისთვის სპეციალური AI სასწავლო მოდულები უნდა შექმნან.
მულტიდისციპლინური გუნდები
AI სისტემები მხოლოდ ინჟინრებმა კი არა, ონკოლოგებთან, ეთიკის სპეციალისტებსა და პაციენტებთან ერთად უნდა შეიმუშაონ.
მონაცემთა უსაფრთხოება და გამჭვირვალობა
ექიმებს გამჭვირვალედ უნდა გაუზიარონ AI სისტემების სასწავლო მონაცემთა ნაკრებების შინაარსი და მათი მუშაობის შედეგების დეტალები.
გარემოზე ზემოქმედების შეფასება
თითოეული ახალი AI სისტემისთვის უნდა ჩატარდეს გარემოზე ზემოქმედების ანალიზი და შედეგები ჯანდაცვის პოლიტიკაში აისახოს.
დასკვნა: AI ონკოლოგიაში იმედისმომცემია, თუმცა ჯერ დაბრკოლებები უნდა გადავლახოთ
AI სისტემებმა ონკოლოგიური პრაქტიკა უნდა გაამარტივოს და არა გაართულოს. ისინი გადამოწმებული მონაცემებით უნდა მუშაობდეს, ენერგოეფექტიანი იყოს და მუდმივად ახლდებოდეს. უპირველესად კი ადამიანზე ორიენტირებული უნდა დარჩეს.
ხელოვნური ინტელექტი შეიძლება ონკოლოგიაში რევოლუციური ტექნოლოგია გახდეს, თუმცა ამ პოტენციალის მისაღწევად იგი სიზუსტეს, სამართლიანობას, გამჭვირვალობასა და მდგრადობას უნდა ეფუძნებოდეს.
წყაროები
2. Fountzilas E, Pearce T, Baysal MA, Chakraborty A, Tsimberidou AM. Convergence of evolving artificial intelligence and machine learning techniques in precision oncology. NPJ Digit Med. 2025;8(1):75. doi:10.1038/s41746-025-01471-y
3. Heudel P-E, Crochet H, Blay J-Y. Impact of artificial intelligence in transforming the doctor–cancer patient relationship. ESMO RWD and Digital Oncology. 2024;3:100026. doi:10.1016/j.esmorw.2024.100026
4. Kurian M, Adashek JJ, West HJ. Cancer care in the era of artificial intelligence. JAMA Oncol. 2024;10(5):683. doi:10.1001/jamaoncol.2023.7263
5. Kather JN. Artificial intelligence in oncology: Chances and pitfalls. J Cancer Res Clin Oncol. 2023;149(10):7995-7996. doi:10.1007/s00432-023-04666-6
6. Cobanaj M, Corti C, Dee EC, et al. Advancing equitable and personalized cancer care: Novel applications and priorities of artificial intelligence for fairness and inclusivity in the patient care workflow. Eur J Cancer. 2024;198:113504. doi:10.1016/j.ejca.2023.113504
7. Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer. 2024;130(12):2101-2107. doi:10.1002/cncr.35307
8. Schinkel M, van der Poll T, Wiersinga WJ. Artificial intelligence for early sepsis detection: A word of caution. Am J Respir Crit Care Med. 2023;207(7):853-854. doi:10.1164/rccm.202212-2284VP
9. Adegbesan A, Akingbola A, Aremu O, et al. From scalpels to algorithms: The risk of dependence on artificial intelligence in surgery. J Med Surg Public Health. 2024;3:100140. doi:10.1016/j.glmedi.2024.100140
10. Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297
11. Katirai A. The environmental costs of artificial intelligence for healthcare. Asian Bioeth Rev. 2024;16(3):527-538. doi:10.1007/s41649-024-00295-4
12. Tahir D. Health care AI, intended to save money, turns out to require a lot of expensive humans. KFF Health News. გამოქვეყნდა 10 იანვარს, 2025 წელს. წვდომა 23 მარტს, 2025 წელს.
13. Duwe G, Mercier D, Wiesmann C, et al. Challenges and perspectives in use of artificial intelligence to support treatment recommendations in clinical oncology. Cancer Med. 2024;13(12):e7398. doi:10.1002/cam4.7398
14. Carroll G. Transforming cancer care delivery with generative AI. ASCO Connection. გამოქვეყნდა 9 ნოემბერს, 2023 წელს. წვდომა 23 მარტს, 2025 წელს.
ეს სტატია სასარგებლო იყო თქვენთვის?
თქვენი გამოხმაურება გვეხმარება შინაარსის გაუმჯობესებაში.
მკითხველთა კომენტარები
გაგვიზიარეთ თქვენი კომენტარი
თქვენი სახელი და კომენტარი მხოლოდ ადმინისტრატორის დამტკიცების შემდეგ გამოქვეყნდება. ელფოსტის მისამართი ვიზიტორებს არასოდეს ეჩვენებათ.
პირველმა დაწერეთ კომენტარი.