Η Τεχνητή Νοημοσύνη (AI) βασίζεται στην εκμετάλλευση ενός συνόλου δεδομένων μέσω διαφορετικών μεθόδων, όπως η αυτόματη μάθηση, οι οποίες μπορούν να είναι ενδιαφέρουσες και για τα φαρμακεία, σε ένα πλαίσιο αυτοματισμού και ψηφιοποίησης.
Το ChatGPT είναι εφαρμογή τεχνητής νοημοσύνης, βασισμένη σε νευρωνικά δίκτυα, που επιτρέπει διάλογο και απαντήσεις (chatbot).
Αναπτύχθηκε από τη startup Open AI και χρηματοδοτείται σε μεγάλο βαθμό από τη Microsoft.
Εξαιρετικά ευέλικτο, είναι σε θέση να παρέχει συνήθως ακριβείς απαντήσεις σε ερωτήσεις, να γράφει άρθρα και πολλά άλλα.
Οποιοσδήποτε έχει αφιερώσει λίγο χρόνο για να “παίξει” ή καλύτερα να “συνομιλήσει” μαζί του, είναι βέβαιο ότι θα εντυπωσιαστεί και θα δυσκολευτεί να πιστέψει ότι στην άλλη άκρη της οθόνης δεν βρίσκεται κάποιος άνθρωπος.
Το ChatGPT και τα παρεμφερή μοντέλα από άλλες εταιρείες τεχνολογίας, όπως το Bard από την Google και το LLaMA από τη Meta/Facebook, είναι δελεαστικά και έχουν τη δυνατότητα να επηρεάσουν τον χώρο της υγείας και της φαρμακευτικής με πολλαπλούς τρόπους.
Ας εξετάσουμε κάποιους από αυτούς, αναφέροντας παράλληλα τους προβληματισμούς που δικαιολογημένα έχουν διατυπωθεί για τη ραγδαία εξέλιξη και εξάπλωσή τους.
Φροντίδα ασθενών και εξυπηρέτηση πελατών μέσω chatbots
Τα σύγχρονα ιατρικά συστήματα δίνουν μάχη για να ικανοποιήσουν τις ατομικές ανάγκες επικοινωνίας και διάδρασης με τους ασθενείς και η προ-υπάρχουσα τεχνολογία chatbot υπολείπεται οικτρά στο πεδίο αυτό. Το ChatGPT όμως θα μπορούσε εδώ να φέρει επανάσταση.
Οι εικονικοί βοηθοί που αναπτύσσονται από το ChatGPT μπορούν να παρέχουν στους ασθενείς εξατομικευμένη φροντίδα, συμπεριλαμβανομένης της διαχείρισης της φαρμακευτικής αγωγής και της παρακολούθησης των συμπτωμάτων.
Αυτό θα μπορούσε να βελτιώσει τα αποτελέσματα των ασθενών και να μειώσει την επιβάρυνση των παρόχων υγειονομικής περίθαλψης. Υπάρχει επίσης κάποια δυνατότητα για το GPT να είναι χρήσιμο για διαγνώσεις και συμβουλές θεραπείας. Για παράδειγμα, η Google και η DeepMind σχεδιάζουν ήδη το Med-PaLM, ένα εργαλείο ιατρικών ερωτημάτων.
Ωστόσο υπάρχουν ακόμη μάλλον άλυτα ζητήματα όπως αν τα δεδομένα πρέπει να είναι ακριβή για σωστά αποτελέσματα.
Όπως επισημαίνουν οι Chris Stokel-Walker και Richard Van Noorden στο περιοδικό Nature:
«χωρίς ελέγχους στα δεδομένα εξόδου, τα LLM μπορούν εύκολα να δημιουργήσουν ψευδείς εικασίες και επιβλαβείς συσχετισμούς ».
Αυτό προφανώς δεν μπορεί να έχει καμία θέση στον χώρο της υγείας και ανεξάρτητα από τις προόδους της φαρμακευτικής και της ιατρικής, η δύναμη της ανθρώπινης επαφής έχει πάντα ιδιαίτερη αξία στα αποτελέσματα των ασθενών.
Επιτάχυνση διοικητικών διαδικασιών υγείας
Τα μοντέλα τύπου ChatGPT υπόσχονται πολλά για τις ρυθμιστικές υποθέσεις, όσον αφορά την ανάλυση εγγράφων (όπως οι υποβολές για έγκριση φαρμάκων), την προγνωστική μοντελοποίηση για ρυθμιστικές διαδικασίες και την αυτοματοποιημένη υποβολή εκθέσεων.
Πρόκειται για ζητήματα που έμμεσα αλλά ουσιαστικά, επηρεάζουν την ταχύτητα και ποιότητα της τελικής φαρμακο-ιατρικής περίθαλψης.
Εστιάζοντας στις διαδικασίες του φαρμακείου της κοινότητας, ένα μοντέλο γλώσσας θα μπορούσε για παράδειγμα να λάβει γνώση για τις διαδικασίες υποβολής καταστάσεων στον ΕΟΠΥΥ (τροφοδοτώντας το με τις σχετικές οδηγίες και εγκυκλίους) και να “διαβάζει” τις σχετικές αναφορές και τα παραστατικά που παράγει το υφιστάμενο λογισμικό μηχανογράφησης του φαρμακείου σε μηνιαία βάση.
Είναι έτσι ικανό να βοηθήσει τον φαρμακοποιό στην όλη διαδικασία “κατάθεσης συνταγών”, υπογραμμίζοντας του τα βήματα που πρέπει να ακολουθήσει και ελέγχοντας για λάθη. Όσο και αν το παραπάνω ακούγεται ως επιστημονική φαντασία, σχετικές εφαρμογές του GPT έχουν ήδη ξεκινήσει να εφαρμόζονται σε άλλους τομείς της οικονομίας με επιτυχία.
Για παράδειγμα, στον τομέα δημιουργίας λογισμικού, ο προγραμματιστής μπορεί πλέον να υπαγορεύσει (σε απλή ανθρώπινη γλώσσα) στο ChatGPT την περιγραφή ενός προβλήματος μέσης δυσκολίας και αυτό να δημιουργήσει ορθά τον προγραμματιστικό κώδικα μέσα σε δευτερόλεπτα!
Marketing και κοινωνικά δίκτυα
Το ChatGPT είναι πιθανό να αλλάξει σημαντικά το τοπίο των πωλήσεων και του μάρκετινγκ, κάτι που ισχύει τόσο για τη φαρμακευτική, όσο και για τους περισσότερους κλάδους.
Ένα μοντέλο γλώσσας μπορεί να γράψει ένα υποφερτό άρθρο σε ιστολόγιο για βασικά θέματα ή άλλο υλικό μάρκετινγκ, εξοικονομώντας έτσι χρόνο από τον φαρμακοποιό που έχει εντάξει στο ήδη βεβαρημένο πρόγραμμά του τη δημοσίευση ενημερωτικών άρθρων στην online παρουσία του φαρμακείου του.
Ομοίως, ακόμη μεγαλύτερη εξοικονόμηση χρόνου για το προσωπικού του φαρμακείου, μπορεί να επιτευχθεί κατά τη χρησιμοποίηση μοντέλων τύπου ChatGPT για την υποβοήθηση απάντησης ερωτημάτων που τίθενται από πελάτες, μέσω πχ κοινωνικών δικτύων.
Ο συνδυασμός αυτός επαγγελματία υγείας – έξυπνου chatbot, έχει επιπλέον το πλεονέκτημα ότι το μοντέλο γλώσσας έχει τη δυνατότητα να αναλύσει στιγμιαία το προφίλ και το ιστορικό αγορών του πελάτη και να παράγει απόλυτα εξειδικευμένες συμβουλές και προτάσεις, πάντα υπό τον έλεγχο του επαγγελματία υγείας.
Σε αντιστοιχία με τα παραπάνω, με καθαρά και ακριβή δεδομένα, τα μοντέλα GPT μπορούν να αναλάβουν την έρευνα αγοράς με μεγαλύτερη ταχύτητα και ακρίβεια από ό,τι οι άνθρωποι και μπορούν να βοηθήσουν στην αυτοματοποίηση και τον εξορθολογισμό χρονοβόρων στοιχείων χαμηλών δεξιοτήτων των διαδικασιών πωλήσεων και μάρκετινγκ.
Τα όρια της Τεχνητής Νοημοσύνης
Παρά τον ενθουσιασμό για την πρόσφατη εξέλιξή της, η Τεχνητή Νοημοσύνη συνεχίζει να έχει πολλούς περιορισμούς.
Το ChatGPT για παράδειγμα δεν είναι τελικά παρά ένα εργαλείο αυτόματων λεκτικών συσχετίσεων, που η αδυναμία του να “κατανοήσει” το θέμα για το οποίο μιλάει και η απουσία “κοινής λογικής”, το οδηγεί συχνά αφενός σε παιδαριώδη λάθη και αφετέρου στην παράθεση φανταστικών δεδομένων που τείνουν να παραπλανούν τον ανθρώπινο συνομιλητή, ειδικά αν δεν είναι γνώστης του αντικειμένου.
Παρόλα αυτά η εξέλιξη των τεχνολογιών AI είναι πλέον τόσο ταχεία και η ισχύς τους τόσο μεγάλη, που μεταξύ των ειδικών του χώρου γίνεται πλέον ευρεία συζήτηση για το μήπως είναι σκόπιμο να επιβραδυνθεί προσωρινά η σχετική έρευνα, έως ότου τουλάχιστον κατανοήσουμε καλύτερα τον τρόπο λειτουργίας και τις επιπτώσεις τους.
Μεταξύ άλλων, ο πρωτοπόρος της βαθιάς μάθησης Geoffrey Hinton, θεωρεί ότι:
«Πρέπει να σκεφτούμε σοβαρά για το πώς θα ελέγχουμε συστήματα τεχνητής νοημοσύνης ικανά να αυτοβελτιώνονται».
Βέβαια, υπάρχουν πολύ σημαντικά ζητήματα γύρω από την Τεχνητή Νοημοσύνη που σχετίζονται με θέματα πνευματικών δικαιωμάτων και προσωπικών δεδομένων, όσον αφορά στην εκπαίδευση των μοντέλων αυτών και κυρίως με το νομικό πλαίσιο που διέπει τη χρήση τους, στην περίπτωση που αυτή οδηγεί σε επιζήμια αποτελέσματα.
Στο πλαίσιο της φαρμακευτικής, τα ρυθμιστικά ζητήματα είναι ακόμη πιο εκτεταμένα και εγείρουν συναφή ηθικά ζητήματα.
Φαρμακοποιός, ένα επάγγελμα σε κίνδυνο;
Είναι η AI καταστροφέας ανθρώπινης εργασίας;
Αντισταθμίζουν τα οφέλη της τις δυσμενείς επιπτώσεις της;
Πρόκειται για το θεμελιώδες δίλημμα που η πρόσφατη έρευνα φαίνεται για άλλη μια φορά να επιβεβαιώνει.
Σύμφωνα με αναλυτές της Goldman Sachs, η παραγωγική τεχνητή νοημοσύνη και η αυτοματοποίηση που επέρχεται, απειλεί 300 εκατομμύρια θέσεις εργασίας παγκοσμίως.
Τι γίνεται όμως με τα επαγγέλματα υγείας;
Η αλήθεια μάλλον είναι πως σήμερα, χωρίς τα εργαλεία της πληροφορικής που να διευκολύνουν το έργο του, ο φαρμακοποιός θα αντιμετώπιζε μεγάλες δυσκολίες.
Η ιδέα με την τεχνητή νοημοσύνη δεν είναι σε καμία περίπτωση να αντικαταστήσει τον φαρμακοποιό, αλλά να τον κάνει πιο αποτελεσματικό, χάρη στην ταχεία επεξεργασία μιας μάζας πληροφοριών.
Είτε πρόκειται για βοήθεια σχετικά με τη συμμόρφωση, τη διαχείριση αποθέματος ή τον εντοπισμό σφάλματος ή απάτης, όλα αυτά θα απελευθερώσουν τον χρόνο του, για να μπορεί να επικεντρωθεί σε άλλες δραστηριότητες.
Ας δεχτούμε λοιπόν την είσοδο της Τεχνητής Νοημοσύνης στο φαρμακείο ως αυτό που ακριβώς είναι σήμερα: ένα σύνολο τεχνολογιών που στο μέλλον έχουν τη δυνατότητα να επανακαθορίσουν την επαγγελματική μας υπόσταση και που στο παρόν, μπορούν να μας βοηθήσουν σε αποτελεσματικότητα και εξοικονόμηση χρόνου. συνεπώς αξίζει να επενδύσουμε σε αυτή με προσοχή και αισιοδοξία.
ΚΩΝΣΤΑΝΤΙΝΟΣ ΚΩΣΤΙΚΑΣ, Φαρμακοποιός, MSc Information Systems, PhD Machine Learning, Δημιουργός του erx.gr
