Foresight எனப்படும் செயற்கை நுண்ணறிவு (AI) மாதிரியின் வளர்ச்சி, இங்கிலாந்தில் உள்ள தேசிய சுகாதார சேவையின் (NHS) 57 மில்லியன் மருத்துவப் பதிவுகளின் பரந்த தரவுத்தொகுப்பைச் சார்ந்திருப்பதால், கணிசமான விவாதத்தைத் தூண்டியுள்ளது. நோய்களைக் கணிப்பதிலும், மருத்துவமனையில் அனுமதிப்பதைக் கணிப்பதிலும் சுகாதாரப் புரட்சியை ஏற்படுத்தும் திறன் இதற்கு இருப்பதாக ஆதரவாளர்கள் கூறினாலும், நோயாளிகளின் தனியுரிமை மற்றும் தரவு பாதுகாப்பு குறித்து விமர்சகர்கள் தீவிர கவலைகளை எழுப்புகின்றனர். இந்த கட்டுரை Foresight-ன் நுணுக்கங்களை ஆராய்கிறது, அதன் திறன்களை, அது முன்வைக்கும் நெறிமுறை சிக்கல்களை மற்றும் சாத்தியமான அபாயங்களைக் குறைக்க எடுக்கப்பட்ட பாதுகாப்பு நடவடிக்கைகளை விவரிக்கிறது.
Foresight: ஒரு தேசிய அளவிலான ஜெனரேட்டிவ் AI மாதிரி
Foresight, 2023 இல் உருவாக்கப்பட்டது, முதலில் OpenAI-ன் GPT-3 ஐப் பயன்படுத்தியது, இது ChatGPT-யின் முதல் பதிப்பை உருவாக்கிய தொழில்நுட்பமாகும். இது இரண்டு லண்டன் மருத்துவமனைகளில் இருந்து 1.5 மில்லியன் நோயாளிகளின் பதிவுகளில் பயிற்சி பெற்றது. University College London-ஐச் சேர்ந்த Chris Tomlinson மற்றும் அவரது குழுவினர் Foresight-ஐ விரிவுபடுத்தியுள்ளனர், அதை “சுகாதார தரவுகளின் தேசிய அளவிலான ஜெனரேட்டிவ் AI மாதிரி” என்று முத்திரை குத்தியுள்ளனர். இந்த மேம்படுத்தப்பட்ட பதிப்பு Meta-வின் ஓப்பன் சோர்ஸ் LLM Llama 2 ஐப் பயன்படுத்துகிறது மற்றும் நவம்பர் 2018 முதல் டிசம்பர் 2023 வரை இங்கிலாந்தில் உள்ள NHS மூலம் வழக்கமாக திரட்டப்பட்ட எட்டு தனித்துவமான தரவுத்தொகுப்புகளை உள்ளடக்கியது. இந்த தரவுத்தொகுப்புகளில் வெளிநோயாளர் நியமனங்கள், மருத்துவமனை சேர்க்கைகள், தடுப்பூசி பதிவுகள் மற்றும் பிற உடல்நலம் தொடர்பான நிகழ்வுகள் அடங்கும், இது 57 மில்லியன் தனிநபர்களில் 10 பில்லியன் தரவு புள்ளிகளாகும் - இது அடிப்படையில் இங்கிலாந்தின் முழு மக்கள்தொகை ஆகும்.
தொடர்ச்சியான சோதனை காரணமாக பொதுவில் கிடைக்கும் செயல்திறன் அளவீடுகள் இல்லாத போதிலும், Foresight தனிப்பட்ட நோய்களைக் கண்டறியவும், மருத்துவமனையில் சேர்ப்பது அல்லது மாரடைப்பு போன்ற பரந்த சுகாதார போக்குகளை கணிக்கவும் உதவும் என்று Tomlinson கூறுகிறார். மே 6 ஆம் தேதி நடந்த ஒரு செய்தியாளர் சந்திப்பில், நோய் சிக்கல்களை முன்னரே கணிக்கவும், ஆரம்ப தலையீட்டை செயல்படுத்தவும், தடுப்பு சுகாதாரத்தை நோக்கி ஒரு மாற்றத்தை ஏற்படுத்தவும் இந்த மாதிரிக்கு சாத்தியம் இருப்பதாக அவர் வலியுறுத்தினார்.
தனியுரிமை மற்றும் தரவு பாதுகாப்பு கவலைகள்
இத்தகைய விரிவான மருத்துவ தரவுகளை AI மாதிரியில் செலுத்தும் வாய்ப்பு தனியுரிமை குறித்த கவலைகளைத் தூண்டியுள்ளது. ஆராய்ச்சியாளர்கள் அனைத்து பதிவுகளும் AI-க்கு பயிற்சி அளிப்பதற்கு முன்பு “அடையாளம் நீக்கப்பட்டன” என்று கூறினாலும், தரவு மாதிரி பகுப்பாய்வு மூலம் மீண்டும் அடையாளம் காணும் ஆபத்து ஒரு முக்கிய கவலையாக உள்ளது, குறிப்பாக பெரிய தரவுத்தொகுப்புகளுடன்.
University of Oxford-ஐச் சேர்ந்த Luc Rocher, சக்திவாய்ந்த ஜெனரேட்டிவ் AI மாதிரிகளை உருவாக்கும் போது நோயாளியின் தனியுரிமையைப் பாதுகாப்பதில் உள்ள உள்ளார்ந்த சவாலை எடுத்துரைக்கிறார். AI நோக்கங்களுக்காக தரவை மதிப்புமிக்கதாக மாற்றும் தரவு செறிவு, அதை அநாமதேயமாக்குவதை நம்பமுடியாத அளவிற்கு கடினமாக்குகிறது. பாதுகாப்பான பயன்பாட்டை உறுதிப்படுத்த இந்த மாதிரிகள் மீது கடுமையான NHS கட்டுப்பாட்டை Rocher ஆதரிக்கிறார்.
NHS Digital-ஐச் சேர்ந்த Michael Chapman, அடையாளம் நீக்கப்பட்ட தரவுகளுடன் கூட மீண்டும் அடையாளம் காணும் உள்ளார்ந்த ஆபத்தை ஒப்புக்கொள்கிறார். நேரடி அடையாளங்காட்டிகள் அகற்றப்பட்டாலும், சுகாதாரத் தரவின் செறிவு முழுமையான அநாமதேயத்தை உறுதிப்படுத்துவதை கடினமாக்குகிறது.
இந்த ஆபத்தை எதிர்கொள்ளும் வகையில், AI ஒரு “பாதுகாப்பான” NHS தரவு சூழலில் செயல்படுகிறது, இது தகவல் கசிவைக் கட்டுப்படுத்துகிறது மற்றும் அங்கீகரிக்கப்பட்ட ஆராய்ச்சியாளர்களுக்கு மட்டுமே அணுகலை உறுதி செய்கிறது என்று Chapman கூறினார். Amazon Web Services மற்றும் Databricks கணக்கீட்டு உள்கட்டமைப்பை வழங்குகின்றன, ஆனால் தரவை அணுக முடியாது.
Imperial College London-ஐச் சேர்ந்த Yves-Alexandre de Montjoye, பயிற்சி தரவை மனப்பாடம் செய்யும் மாதிரியின் திறனைச் சரிபார்த்து, சாத்தியமான தகவல் கசிவைக் கண்டறிய பரிந்துரைக்கிறார். New Scientist ஆல் கேள்வி எழுப்பப்பட்டபோது, Foresight குழு இந்த சோதனைகளை இன்னும் நடத்தவில்லை, ஆனால் எதிர்காலத்தில் செய்ய திட்டமிட்டுள்ளது என்று Tomlinson ஒப்புக்கொண்டார்.
பொது நம்பிக்கை மற்றும் தரவு பயன்பாடு
தரவு பயன்பாட்டைப் பற்றி பொதுமக்களுக்குத் தெரிவிப்பது நம்பிக்கையைப் பேணுவதற்கு முக்கியமானது என்று University of Oxford-ஐச் சேர்ந்த Caroline Green வலியுறுத்துகிறார். அநாமதேயமாக்கும் முயற்சிகள் இருந்தபோதிலும், மக்கள் பொதுவாக தங்கள் தரவைக் கட்டுப்படுத்தவும் அதன் இலக்கை புரிந்து கொள்ளவும் விரும்புகிறார்கள், இது அதன் நெறிமுறைகள் பற்றி அவர்களை மிகவும் தீவிரமாக உணர வைக்கிறது.
Foresight மூலம் தரவு பயன்பாட்டிலிருந்து விலகுவதற்கு தனிநபர்களுக்கு தற்போதைய கட்டுப்பாடுகள் குறைந்த விருப்பங்களையே வழங்குகின்றன. தேசிய அளவில் சேகரிக்கப்பட்ட NHS தரவுத்தொகுப்புகளிலிருந்து தரவு மாதிரியைப் பயிற்றுவிக்கப் பயன்படுகிறது, மேலும் இருக்கும் விலகல் வழிமுறைகள் பொருந்தாது, ஏனெனில் NHS England செய்தித் தொடர்பாளரின் கூற்றுப்படி, தரவு “அடையாளம் நீக்கப்பட்டது”. இருப்பினும், தங்கள் குடும்ப மருத்துவரிடமிருந்து தரவைப் பகிர்வதிலிருந்து விலகிய தனிநபர்களின் தரவு மாதிரியில் சேர்க்கப்படாது.
GDPR மற்றும் தரவு அநாமதேயமாக்கல்
தனிப்பட்ட தரவைப் பயன்படுத்துவதற்கான ஒப்புதலை திரும்பப் பெறும் விருப்பம் தனிநபர்களுக்கு இருக்க வேண்டும் என்று பொது தரவு பாதுகாப்பு ஒழுங்குமுறை (GDPR) கட்டளையிடுகிறது. இருப்பினும், Foresight போன்ற LLM களின் பயிற்சி செயல்முறை AI கருவியிலிருந்து ஒரு பதிவை நீக்குவதை சாத்தியமற்றதாக்குகிறது. மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவு அநாமதேயமாக்கப்பட்டது மற்றும் தனிப்பட்ட தரவு அல்ல என்பதால் GDPR பொருந்தாது என்று NHS England செய்தித் தொடர்பாளர் கூறுகிறார்.
UK தகவல் ஆணையரின் வலைத்தளம் “அடையாளம் நீக்கப்பட்ட” தரவு அநாமதேய தரவுகளுடன் ஒன்றுக்கொன்று மாற்றாக பயன்படுத்தப்படக்கூடாது என்று தெளிவுபடுத்துகிறது, ஏனெனில் UK தரவு பாதுகாப்பு சட்டம் அந்த சொல்லை வரையறுக்கவில்லை, மேலும் அதன் பயன்பாடு குழப்பத்திற்கு வழிவகுக்கும்.
COVID-19 தொடர்பான ஆராய்ச்சிக்கு Foresight தற்போது பயன்படுத்தப்படுவதால் சட்ட நிலைமை மேலும் சிக்கலாக உள்ளது, இது தொற்றுநோய்களின் போது இயற்றப்பட்ட தரவு பாதுகாப்பு சட்டங்களுக்கு விதிவிலக்குகளை அனுமதிக்கிறது என்று medConfidential-ஐச் சேர்ந்த Sam Smith கூறுகிறார். COVID-க்கு மட்டும் AI உள்ளே பதிக்கப்பட்ட நோயாளித் தரவைக் கொண்டிருக்கலாம், அது ஆய்வகத்தை விட்டு வெளியேறக்கூடாது, மேலும் நோயாளிகள் தங்கள் தரவு பயன்பாட்டின் மீது கட்டுப்பாடு வைத்திருக்க வேண்டும் என்று Smith கூறுகிறார்.
நெறிமுறை பரிசீலனைகள்
AI மேம்பாட்டிற்கான மருத்துவ தரவைப் பயன்படுத்துவதை சுற்றியுள்ள நெறிமுறை பரிசீலனைகள் Foresight ஐ ஒரு நிலையற்ற நிலையில் வைக்கின்றன. AI மேம்பாட்டிற்கு நெறிமுறைகள் மற்றும் மனித பரிசீலனைகள் தொடக்க புள்ளியாக இருக்க வேண்டும், ஒரு பின் எண்ணமாக அல்ல என்று Green வாதிடுகிறார்.
கவலைகளை ஆழமாக ஆராய்தல்
NHS மருத்துவப் பதிவுகளை Foresight பயன்படுத்துவதை சுற்றியுள்ள கவலைகள் வெறும் தரவு தனியுரிமையை விட அதிகமாக நீண்டுள்ளது. தனிப்பட்ட சுகாதார தகவல்களின் உரிமை, அல்காரிதமிக் சார்புக்கான சாத்தியம் மற்றும் மருத்துவர்-நோயாளி உறவில் AI இன் நீண்டகால தாக்கம் பற்றிய அடிப்படைக் கேள்விகளை அவை தொடுகின்றன.
சுகாதார தரவின் உரிமை மற்றும் கட்டுப்பாடு
முக்கிய நெறிமுறை சங்கடங்களில் ஒன்று, தனிநபர்கள் தங்கள் சொந்த சுகாதார தரவின் மீது எந்த அளவிற்கு கட்டுப்பாடு வைத்திருக்க வேண்டும் என்பதுதான். பயனுள்ள கவனிப்பை வழங்க நோயாளியின் தகவல்களை NHS க்கு அணுகுவது சந்தேகத்திற்கு இடமின்றி தேவைப்பட்டாலும், AI பயிற்சிக்கு இந்த தரவைப் பயன்படுத்துவது குறித்து தனிநபர்கள் போதுமான தகவல்களைப் பெற்றுள்ளார்களா மற்றும் அத்தகைய இரண்டாம் நிலை பயன்பாடுகளுக்கு ஒப்புதல் அளிக்க அதிகாரம் பெற்றுள்ளார்களா என்ற கேள்விகளை எழுப்புகிறது.
தற்போதைய விலகல் வழிமுறைகள் போதுமானதாக இல்லை, ஏனெனில் அவை AI பயிற்சியின் சிக்கல்களை முழுமையாக நிவர்த்தி செய்யவில்லை. அடையாளம் நீக்கப்பட்ட தரவு இனி GDPR இன் கீழ் தனிப்பட்ட தரவு அல்ல என்ற வாதம் ஒரு சட்டரீதியான விளக்கமாகும், இது அநாமதேயமாக்கப்பட்ட தரவுகளும் மீண்டும் அடையாளம் காணப்படலாம் அல்லது தனிநபர்களைப் பற்றிய அனுமானங்களை எடுக்கப் பயன்படுத்தப்படலாம் என்ற யதார்த்தத்தை புறக்கணிக்கிறது.
நோயாளியின் தரவு AI ஆராய்ச்சி மற்றும் மேம்பாட்டிற்கு எவ்வாறு பயன்படுத்தப்படலாம் என்பதை வெளிப்படையாகக் கோடிட்டுக் காட்டும் தகவலறிந்த ஒப்புதல் முறையை செயல்படுத்துவது மிகவும் வலுவான அணுகுமுறையாக இருக்கும். இதற்கு அத்தகைய பயன்பாடுகளின் சாத்தியமான நன்மைகள் மற்றும் அபாயங்கள் பற்றிய தெளிவான மற்றும் அணுகக்கூடிய விளக்கங்கள் தேவைப்படும், அத்துடன் தனிநபர்களுக்கு உள்ளே அல்லது வெளியே செல்ல அர்த்தமுள்ள வாய்ப்பை வழங்கும்.
அல்காரிதமிக் சார்பு
பெரிய தரவுத்தொகுப்புகளில் பயிற்சி பெற்ற AI மாதிரிகளில் அல்காரிதமிக் சார்புக்கான சாத்தியம் மற்றொரு குறிப்பிடத்தக்க கவலையாக உள்ளது. Foresight ஐப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவு இருக்கும் சுகாதார வேறுபாடுகளை பிரதிபலித்தால், மாதிரி இந்த ஏற்றத்தாழ்வுகளை நிரந்தரமாக்கலாம் மற்றும் அதிகரிக்கலாம்.
உதாரணமாக, சில மக்கள்தொகை குழுக்கள் தரவுத்தொகுப்பில் குறைத்து மதிப்பிடப்பட்டால் அல்லது அவர்களின் மருத்துவ நிலைகள் தவறாக கண்டறியப்பட்டால் அல்லது குறைவாக சிகிச்சையளிக்கப்பட்டால், இந்த குழுக்களுக்கான நோய்கள் அல்லது மருத்துவமனையில் சேர்ப்பதை AI கணிப்பதில் குறைவான துல்லியமாக இருக்கலாம். இது சுகாதார ஆதாரங்களை அணுகுவதில் சமமற்ற தன்மையை ஏற்படுத்தலாம் மற்றும் ஏற்கனவே இருக்கும் சுகாதார சமத்துவமின்மைகளை அதிகரிக்கலாம்.
அல்காரிதமிக் சார்பு அபாயத்தை குறைக்க, Foresight ஐப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவை கவனமாக பகுப்பாய்வு செய்து சாத்தியமான சார்புகளை அடையாளம் கண்டு நிவர்த்தி செய்வது அவசியம். இதில் குறைத்து மதிப்பிடப்பட்ட குழுக்களை அதிகமாக மாதிரியாக்குவது, தரவில் உள்ள தவறுகளை சரிசெய்வது மற்றும் நியாயமான மற்றும் சமமானதாக வடிவமைக்கப்பட்ட அல்காரிதம்களை உருவாக்குவது ஆகியவை அடங்கும்.
மருத்துவர்-நோயாளி உறவில் தாக்கம்
சுகாதாரத்தில் AI இன் பயன்பாடு அதிகரித்து வருவது பாரம்பரிய மருத்துவர்-நோயாளி உறவை ஆழமான வழிகளில் மாற்றும் திறனைக் கொண்டுள்ளது. AI சந்தேகத்திற்கு இடமின்றி மருத்துவர்களுக்கு அதிக தகவலறிந்த முடிவுகளை எடுப்பதில் உதவ முடியும் என்றாலும், இது கவனிப்பின் மனித கூறுகளை மாற்றாது என்பதை உறுதி செய்வதுமுக்கியம்.
மருத்துவர்கள் தங்கள் மருத்துவ தீர்ப்பை மேம்படுத்த AI ஐ ஒரு கருவியாகப் பயன்படுத்துகிறார்கள் என்பதில் நோயாளிகள் நம்பிக்கை கொள்ள வேண்டும், அதற்கு பதிலாக அல்ல. மருத்துவர்-நோயாளி உறவு நம்பிக்கை, பச்சாத்தாபம் மற்றும் பகிரப்பட்ட முடிவெடுக்கும் உறவாக இருக்க வேண்டும்.
மருத்துவர்-நோயாளி உறவைப் பாதுகாக்க, சுகாதாரத்தில் மனித தொடர்பு மற்றும் தகவல்தொடர்பு முக்கியத்துவத்தை வலியுறுத்துவது முக்கியம். தங்கள் முடிவெடுக்கும் செயல்பாட்டில் AI இன் பங்கை திறம்பட தொடர்புகொள்வதற்கும், நோயாளிகளுக்கு ஏற்படக்கூடிய எந்தவொரு கவலைகளையும் நிவர்த்தி செய்வதற்கும் மருத்துவர்களுக்கு பயிற்சி அளிக்கப்பட வேண்டும்.
முன்னோக்கி ஒரு பாதையை கண்டுபிடிப்பது
சுகாதாரத்தில் AI ஐச் சுற்றியுள்ள சிக்கலான நெறிமுறை மற்றும் சட்ட நிலப்பரப்பை வழிநடத்த பலதரப்பட்ட அணுகுமுறை தேவைப்படுகிறது.
- வெளிப்படைத்தன்மை மற்றும் பொது ஈடுபாடு: நோயாளி தரவு எவ்வாறு பயன்படுத்தப்படுகிறது என்பதை வெளிப்படையாகத் தெரிவிக்கவும், சுகாதாரத்தில் AI இன் நெறிமுறை தாக்கங்கள் பற்றிய விவாதங்களில் பொதுமக்களை ஈடுபடுத்தவும்.
- தரவு பாதுகாப்பை வலுப்படுத்துதல்: மறு அடையாளங்காணும் அபாயத்தை குறைக்க கடுமையான தரவு பாதுகாப்பு நடவடிக்கைகளை செயல்படுத்தவும், தனிநபர்கள் தங்கள் சுகாதார தரவின் மீது அதிக கட்டுப்பாட்டை உறுதி செய்யவும்.
- அல்காரிதமிக் சார்பை நிவர்த்தி செய்தல்: அனைவருக்கும் சமமான சுகாதார அணுகலை உறுதிப்படுத்த AI மாதிரிகளில் அல்காரிதமிக் சார்பை தீவிரமாக அடையாளம் கண்டு குறைக்கவும்.
- மனித மைய கவனிப்பிற்கு முன்னுரிமை அளித்தல்: மருத்துவர்-நோயாளி உறவின் முக்கியத்துவத்தை வலியுறுத்தவும், மனித தொடர்புகளை மேம்படுத்த AI ஒரு கருவியாகப் பயன்படுத்தப்படுவதை உறுதிப்படுத்தவும்.
இந்த கவலைகளை நிவர்த்தி செய்வதன் மூலம், நோயாளி தனியுரிமையைப் பாதுகாக்கும் அதே வேளையில், சமத்துவத்தை ஊக்குவிக்கும் மற்றும் கவனிப்பின் மனித கூறுகளைப் பாதுகாக்கும் அதே வேளையில் சுகாதாரத்தில் AI இன் மாற்றும் திறனைப் பயன்படுத்தலாம். சுகாதாரத்தின் எதிர்காலம் இந்த சவால்களை பொறுப்புடனும் நெறிமுறையுடனும் வழிநடத்தும் நமது திறனைப் பொறுத்தது. அப்போதுதான் AI நோயாளிகள் மற்றும் ஒட்டுமொத்த சமூகத்தின் நலன்களை உண்மையிலேயே மேம்படுத்துகிறது என்பதை உறுதிப்படுத்த முடியும்.