联系我们

卫生保健

‘Explainable’创建AI来诊断和治疗有不良童年经历的儿童

mm

已发表

 on

橡树岭实验室(Oak Ridge Laboratory)的研究人员最近创建了一个AI系统,旨在帮助诊断和治疗经历过严重儿童期逆境的个体。 根据下一个网站,与许多黑盒子的AI模型不同,该AI系统被设计为“可解释的”,方法是返回用于做出决策的数据片段。

“不良儿童经历”(ACE)一词是指18岁之前发生在人们身上的创伤事件,包括各种形式的虐待和忽视以及监禁,药物滥用,对父母的家庭暴力和精神疾病父母的ACES可能对人们的发展和福祉产生终身影响,并且与许多医学问题一样,早期发现和治疗可以改善所涉人员的结局。对于经历过ACE的患者而言,有效干预的类型众所周知且经过深入研究,但是心理健康治疗机构通常缺乏诊断一个人并在整个治疗过程中对其进行观察的资源。

AI系统是由田纳西大学的两名医学研究人员开发的’的Oak Ridge国家实验室,Nariman Ammar和Arash Shaban-Nejad。在最近的预印本中 通过JMIR Medical Informatics发布研究小组描述了其AI模型的开发和测试,该模型旨在帮助医疗人员诊断和治疗受ACE影响的人。

AI模型旨在向医疗从业者建议某些干预措施,从而使从业者更容易帮助患有ACE的患者。当前使个人遭受ACE治疗的过程是一个漫长而复杂的过程。为了诊断受ACE影响的人,医疗专业人员必须接受有关正确问题类型的高级培训,然后使用正确的问题来洞悉影响个人童年的哪些事件以及这些事件可能如何影响他们。在考虑各种可能的问题和答案组合时,提供者可能很难推荐特定类型的干预措施。除此之外,一旦与医疗或政府机构进行了任命,医护人员和政府工作人员将与患者打交道,并且不能保证他们接受正确的ACE培训或理解。

为了解决这些问题,研究团队设计了一个类似于聊天机器人的AI应用程序以提供技术支持。使用AI系统的人员将患者信息输入到模型中,该模型会基于模型训练所依据的数据库,按一定时间表返回针对某些干预的建议。该模型考虑了自然语言的输入,将“我的房子没有暖气”之类的短语解释为潜在的儿童逆境的指标,并根据治疗ACE的医学指南检查了这些上下文陈述,并建议采取最佳措施。

对用户条目的响应不是硬编码的,而是动态的,它使用触发和调用生成动态响应的外部服务端点的网络钩子系统。 AI系统根据对先前问题的回答来决定应问哪些问题,最终目标是能够收集最少问题中最有用,最相关的信息。如前所述,该系统也是可解释的,它公开了用于做出干预决策的数据。结果,该系统是可追溯的,并且医疗专业人员应该能够向后遵循该系统使用的逻辑。

橡树岭实验室研究人员开发的AI系统是最早的数据驱动方法之一,使医疗从业人员能够更好地诊断ACEs。虽然这本身就是一个令人印象深刻的成就,但它’可能将用于创建AI系统和聊天机器人的通用方法外推到其他领域,并用于诊断和治疗其他形式的精神疾病。还可以利用用于公开用于某些决策的数据的方法来提高透明度和可解释性。 机器学习 systems as a whole.