Η Τεχνητή Νοημοσύνη (TN) υπόσχεται επανάσταση στην υγεία, υπάρχουν, όμως, ηθικές και κοινωνικές προκλήσεις
 Ο P. Diamandis, ιδρυτής του XPRIZE Foundation και εκφραστής μιας αισιόδοξης στάσης απέναντι στην εκθετική ανάπτυξη της τεχνολογίας, προτρέπει εμφατικά τον κόσμο να «επιβιώσει για τα 10 επόμενα χρόνια», καθώς από εκεί και πέρα η επιστήμη, κυρίως μέσω της Τεχνητής Νοημοσύνης, θα αντιστρέψει τη διαδικασία της φθοράς του ανθρώπινου οργανισμού, προσφέροντας μια παρατεταμένη νεότητα. Ο P. Diamandis, μαζί με άλλες προσωπικότητες που στελεχώνουν το ίδρυμά του υιοθετούν μια προοπτική για το μέλλον κατά την οποία η νέα, διαρκώς βελτιούμενη,τεχνολογία θα βοηθήσει τον άνθρωπο να υπερβεί τα φυσικά του όρια, ακόμα και τη θνητότητα.
Όσο ακραία και αν ακούγεται η θέση αυτή, φαίνεται να συμβαδίζει, ως ένα βαθμό, και με πιο μετριοπαθείς και εγκρατείς φωνές όπως εκείνη του D.Hassabis, συνιδρυτή της DeepMind και βραβευμένου με Νόμπελ Χημείας για το έργο του στην αποκωδικοποίηση των πρωτεϊνών. Ο D.Hassabis υποστηρίζει ότι χάρη στην Τεχνητή Νοημοσύνη, ίσως εντός της επόμενης δεκαετίας, καταστεί δυνατή η θεραπεία όλων των ασθενειών. Μια τέτοια πρόβλεψη, που εκ πρώτης όψεως μοιάζει ουτοπική, αποκτά ξεχωριστό νόημα τόσο λόγω της έμπρακτης ερευνητικής και επιχειρηματικής πορείας του D.Hassabis και της ίδρυσης της Isomorphic Labs, μιας εταιρίας εξειδικευμένης προς αυτή την κατεύθυνση.
Μιλώντας, σήμερα, για «ΤΝ στην υγεία»αναφερόμαστε σε εξειδικευμένα συστήματα με κλινική τεκμηρίωση και δοκιμασμένες εφαρμογές, τα οποία επηρεάζουν α) την ιατρική πρακτική,  β) την οργάνωση και βελτίωση των υπηρεσιών δημόσιας υγείας και γ) την έρευνα για την ανάπτυξη νέων φαρμάκων και τον εκ βάθρων μετασχηματισμό της φαρμακοβιομηχανίας.
Ειδικότερα, στην ιατρική πρακτική η Τεχνητή Νοημοσύνη αναμένεται να αναδειχθεί σε ανεκτίμητο εργαλείο διάγνωσης αλλά και θεραπευτικής υποστήριξης.Ήδη συστήματα βαθιάς μάθησης έχουν τη δυνατότητα να αναλύουν με εξαιρετική ακρίβεια απεικονιστικά δεδομένα, όπως για παράδειγμα αξονικές και μαγνητικές τομογραφίες, εντοπίζοντας μοτίβα που συχνά διαφεύγουν ακόμη και από το πιο έμπειρο ανθρώπινο μάτι. Η διαρκής εκπαίδευση αυτών των μοντέλων με δισεκατομμύρια περιπτώσεις και τεράστιους όγκους κλινικών δεδομένων τους επιτρέπει όχι μόνο να συμβάλλουν στη διάγνωση, αλλά και να ενισχύουν τη λήψη κλινικών αποφάσεων, προτείνοντας πιθανές συσχετίσεις ή εναλλακτικές ερμηνείες.
Πέρα από τη διάγνωση, η προσωποποιημένη θεραπεία αποτελεί ένα νέο πεδίο που αναμένεται να αναπτυχθεί στο αμέσως επόμενο διάστημα. Τα ιδιαίτερα βιολογικά χαρακτηριστικά, το ιστορικό του ασθενούς και η παρελθούσα εμπειρία από την αποτελεσματικότητα ή μη ενός φαρμακευτικού σχήματος θα δώσουν ώθηση στη χρήση της ΤΝ για εξατομικευμένες παρεμβάσεις.
Η εξατομίκευση αυτή όμως, δεν θα αφορά μόνο στη θεραπεία αλλά και στην πρόληψη. Δεδομένα όπως η κληρονομικότητα, τα αποτελέσματα γονιδιακών ελέγχων και η ανάλυση πρωτεϊνών θα αποτελούν τις εισόδους με βάση τισ οποίες  οι προβλεπτικοί αλγόριθμοι θα αξιολογούν προδιαθέσεις σε συγκεκριμένες παθήσεις και θα σχεδιάσουν φαρμακευτικές αγωγές και διατροφικά προγράμματα και θεραπείες "κομμένες και ραμμένες" στο ιδιαίτερο προφίλ κάθε ασθενούς. Σ' αυτές τις προσεγγίσεις η ΤΝ πρόκειται να ενισχύσει την «ιατρική ακριβείας» την οποία η ιατρική πρακτική παύει να λειτουργεί ως μια γενικευμένη συνταγή για όλους και στοχεύει στη μέγιστη δυνατή βελτίωση πρόγνωσης, διάγνωσης, θεραπείας, κάθε προσώπου χωριστά, συνθέτοντας κλινικά δεδομένα, γενετικές και ανοσολογικές πληροφορίες, επιτυγχάνοντας καλύτερη ανταπόκριση και μειωμένες παρενέργειες.
Ταυτόχρονα, η ΤΝ ανοίγει νέους δρόμους στην καθημερινή ιατρική φροντίδα,υποστήριξη και ενημέρωση των ασθενών με συστήματα που θα είναι διαθέσιμα 24ώρες 7 ημέρες την εβδομάδα και θα αναγνωρίζουν το ιστορικό, τις ιδιαιτερότητες και τις ανάγκες κάθε προσώπου χωριστά.
Στη δημόσια υγεία, η Τεχνητή Νοημοσύνη υπόσχεται μια μικρή επανάσταση στην οργάνωση και στην εξοικονόμηση πόρων. Η αυτοματοποίηση διοικητικών διαδικασιών, όπως το κλείσιμο ραντεβού, η συνταγογράφηση φαρμάκων ή η τήρηση και διαχείριση ιατρικών αρχείων, προβλέπεται να μειώσει δραστικά τον χρόνο που χάνεται σε γραφειοκρατικές ρουτίνες. Επιπλέον, η καλύτερη παρακολούθηση αποθεμάτων φαρμάκων, αναλωσίμων και εξοπλισμού θα επιτρέψει την πιο ορθολογική διαχείριση και εξοικονόμηση αλλά και την αποφυγή ελλείψεων. Πέραν όλων αυτών, η ΤΝ αναμένεται να ενισχύσει την ικανότητα πρόβλεψης σε επίπεδο δημόσιας πολιτικής της υγείας.
Μέσα από την επεξεργασία μεγάλου όγκου δεδομένων, επιδημιολογικών μελετών,βιοστατιστικών και καταγραφών νοσηλειών, τα συστήματα ΤΝ θα μπορούν να παράγουν μοντέλα έγκαιρου εντοπισμού και παρακολούθησης της εξάπλωσης επιδημιών, να αναλύουν την προσβασιμότητα σε υπηρεσίες υγείας ανάλογα με γεωγραφικά ή κοινωνικά χαρακτηριστικά και να συμβάλλουν στη χάραξης πολιτικής παρέχοντας σύνθετες πληροφορίες. Τέλος, σημαντικός αναμένεται να είναι ο ρόλος της ΤΝ και στην τηλεϊατρική, επιτρέποντας την παροχή εξατομικευμένης, εξ αποστάσεως, φροντίδας σε απομακρυσμένες ή δυσπρόσιτες περιοχές.
Ωστόσο, η μεγαλύτερη υπόσχεση της Τεχνητής Νοημοσύνης στον χώρο της υγείας δεν βρίσκεται στην καθημερινή διάγνωση, στην αναβαθμισμένη θεραπεία ή στην υποστήριξη των διοικητικών δομών, αλλά στην έρευνα και στην ανάπτυξη καινοτόμωνφαρμάκων. Ο D. Hassabis, μέσω της Isomorphic Lab, στοχεύει στην καταπολέμηση όλων των ασθενειών μέσα στην επόμενη δεκαετία, ένας στόχος που μέχρι πρόσφατα δύσκολα θα μπορούσε να διατυπωθεί σοβαρά εντός της επιστημονικήςκοινότητας.
Αυτός ο φιλόδοξος αλλά ταυτόχρονα απόλυτα ορατός στόχος αποτελεί μια σχεδόν φυσική συνέπεια του επιτεύγματος του AlphaFold, ενός συστήματοςΤεχνητής Νοημοσύνης που το 2020 έλυσε το «πρόβλημα αναδίπλωσης πρωτεΐνης», που αποτελούσε μια ερευνητική πρόκληση για περισσότερα από 50 χρόνια. Το AlphaFold2, αξιοποιώντας μια καινοτόμο μέθοδο βαθιάς μάθησης, κατάφερε αρχικά να προβλέψει τη δομή περίπου 350.000 πρωτεϊνών με ατομική ακρίβεια. Στην εξελιγμένη εκδοχή του, τοAlphaFold 3, βασισμένο σε διαχυτικά μοντέλα (diffusion models), επέκτεινε τη δυνατότητα πρόβλεψης σε πολύπλοκες μοριακές αλυσίδες όπως DNA και RNA,σηματοδοτώντας, όπως σημειώνει ο D.Hassabis, «το πρώτο μεγάλο βήμα προς την κατανόηση της βιολογίας ως δυναμικής διαδικασίας» καθιστώντας με αυτόν το τρόπο τηνΤεχνητή Νοημοσύνη, όχι απλώς ένα υπολογιστικό εργαλείο, αλλά μια νέα μέθοδο επιστημονικής έρευνας.
Το συγκεκριμένο σύστημα μέχρι σήμερα έχει παράγει δομές για περισσότερες από 200 εκατομμύρια πρωτεΐνες και συνεχίζει να «ξεκλειδώνει» πληροφορίες αλλάζοντας ριζικά τα δεδομένα για τις δυνατότητες των φαρμακοβιομηχανιών για τον σχεδιασμό και την παραγωγή στοχευμένων και αποτελεσματικών φαρμάκων. Όπως λέει ο D.Hassabis, η νέα αυτή προοπτική μπορεί να μειώσει τον χρόνο ανάπτυξης ενός νέου φαρμάκου από δέκα χρόνια και δισεκατομμύρια δολάρια σε λίγους μήνες ή ακόμη και εβδομάδες. Αυτό σημαίνει όχι μόνο ταχύτερη κυκλοφορία καινοτόμων θεραπειών, αλλά και δραστική μείωση του κόστους, που θεωρητικά συνεπάγεται ευρύτερη πρόσβαση σε φαρμακευτικές θεραπείες.
Αν όλα αυτά υλοποιηθούν, θα μιλάμε για ένα εκ των βάθρων μετασχηματισμό της έννοιας της θεραπείας αλλά και για επανακαθορισμό του ιδανικού της υγείας. Ωστόσο, καμμιά  τέτοιας κλίμακας τεχνολογική αλλαγή δεν θα μπορούσε να συμβεί χωρίς «παρενέργειες», κινδύνους, και προκλήσεις που απαιτούν απαντήσεις. Ήδη στον δημόσιο διάλογο, εντός και εκτός ακαδημαϊκής κοινότητας,αναδύονται καινοφανή ηθικά διλήμματα ή επαναδιατυπώνονται πιο εμφατικά παλιά ζητήματα που συνδέονται άμεσα με τη χρήση της τεχνολογίας. Για παράδειγμα ένα τέτοιο παλιό ζήτημα που επανέρχεται σήμερα πιο πιεστικά στο προσκήνιο,αφορά στη διαχείριση των ευαίσθητων προσωπικών δεδομένων. Είναι γνωστό ότι τα συστήματα Τεχνητής Νοημοσύνης «τρέφονται» από τεράστιους όγκους ιατρικών πληροφοριών, από γονιδιακά, αιματολογικά, ανοσολογικά προφίλ ως ιστορικά ασθενών,απεικονιστικές εξετάσεις, προδιαθέσεις και προβλέψεις ανταπόκρισης σε θεραπείες κ.α.
Τόσο η απορρόφηση όσο και εξαγωγή νέων δεδομένων στην εποχή της Τεχνητής Νοημοσύνης επαναφέρει στο τραπέζι των συζητήσεων τα ζητήματα προστασίας τους. Ποιος και πώς θα έχει πρόσβαση σε αυτά; Πώς θα διασφαλιστεί, με απόλυτο τρόπο, ότι τα δεδομένα αυτά δεν θα χρησιμοποιηθούν για να επηρεάσουν το μέλλον των ασθενών σε εξωϊατρικά ζητήματα, εντείνοντας τη διάκριση μεταξύ «υγιούς» και «μη υγιούς» προσώπου; Ή ακόμα χειρότερα, ότι δεν θα γίνει απαιτητή η γνωστοποίησή τους στο πλαίσιο της ασφαλιστικής κάλυψης ενός ασθενούς, ή του καθορισμούτου εργασιακού στάτους, της πρόσληψής του από ένα οργανισμό ή ακόμα και στο πλαίσιο των διαπροσωπικών του σχέσεων; Φανταστείτε, για παράδειγμα, ένα κόσμο όπου η κοινοποίηση των προδιαθέσεων ή των προγνωστικών μιας ασθενείας θα αποτελεί προϋπόθεση για εργασία ή θα καθορίζει την ίδια την ασφαλιστική κάλυψηενός προσώπου.
Από την άλλη πλευρά ένα καινοφανές ηθικό πρόβλημα είναι ο καταλογισμός της ευθύνης σε περίπτωση που κάτι πάει στραβά με τη λειτουργία ενός συστήματος Τεχνητής Νοημοσύνης. Τι θα συμβεί, για παράδειγμα, σε μια λανθασμένη διάγνωση ή σε μια αναποτελεσματική ή εσφαλμένη αγωγή που, ω μη γένοιτο, στοιχίσειτη ζωή ενός ασθενούς; Ποιος θα φταίει; Ο γιατρός που το εμπιστεύτηκε; Ηεταιρεία που το ανέπτυξε; Το νοσοκομείο που το ενσωμάτωσε στην πρακτική του; Η τυπική ιατρική ευθύνη μεταβάλλεται και η σχέση γιατρού–ασθενούς περιπλέκεται, καθώς η τελική απόφαση συνδιαμορφώνεται σ' ένα βαθμό με τη μηχανή. Και κάποιος εδώ μπορεί να σπεύσει να παρατηρήσει ότι η ιατρική ευθύνη βαρύνει πάντα τον γιατρό.
Όμως πόσο βέβαιο είναι ότι η αυθεντία, η ακρίβεια, η αποτελεσματικότητα και η ταχύτητα των γνωματεύσεων και των εισηγήσεων των συστημάτων Τεχνητής Νοημοσύνης δεν θα υπονομεύσουν την ιατρική κρίση; Καθώς ηΤεχνητής Νοημοσύνης  ΤΝ μπορείεντοπίζει με ακρίβεια και αποτελεσματικότητα μοτίβα που ξεφεύγουν από τηνανθρώπινη παρατήρηση, πως είναι βέβαιο ότι δεν θα «επιβάλει» τελικώς τηνγνωμάτευση και κατ’ επέκταση την απόφαση για τα περαιτέρω στον γιατρό; Γνωρίζουμε καλά ότι μέχρι σήμερα η ιατρική υπερβαίνειτην απλή ανάγνωση και ανάλυση των δεδομένων των εξετάσεων. Στοιχεία όπως ηεμπειρία του γιατρού, η κλινική εικόνα του ασθενούς, η «κράση» του και άλλεςπαράμετροι που δεν δύνανται να αξιολογηθούν από τη μηχανή, συνδιαμορφώνουν τηντελική ιατρική γνωμάτευση. Αν όμως οι γιατροί αρχίσουν να «ευθυγραμμίζονται»υπερβολικά με τις προτάσεις της ΤΝ, τότε υπάρχει ο κίνδυνος να περιοριστεί ήκαι να εκλείψει αυτός ο πλούτος της κλινικής «ευφυίας».
Όπως σημειώνεται επανειλημμένως αλλού, το ζήτημα τουδιαρκούς ψηφιακού εγγραμματισμού γιατρών, ασθενών, συγγενών και διοίκησης τουτομέα της υγείας αποτελεί απαραίτητη προϋπόθεση για τον αποτελεσματικό χειρισμόαυτών των νέων εργαλείων. Ο φόβος μπροστά στο άγνωστο δεν θα πρέπει ναλειτουργεί ως τροχοπέδη στην εξελικτική πορεία, αλλά ταυτόχρονα, ο ενθουσιασμόςμιας προοπτικής καταπολέμησης όλων των ασθενειών δεν θα πρέπει να λειτουργεί ωςπαρωπίδες κρύβοντας την συνολική σφαιρική αντίληψη των πραγματικών κινδύνων πουενδέχεται να αναδυθούν στο συγκεκριμένο θέμα. Μια συντηρητική πολιτική μπορεί να καθυστερήσει εξελίξεις που θα σώσουν εκατομμύρια ζωές και αντίθετα, μια απερίσκεπτη πολιτική μπορεί να θέσει σε κίνδυνο την ιατρική πρακτική, την ιδιωτικότητα,τον χαρακτήρα των προσωπικών δεδομένων και τον τρόπο κοινωνικής καιοικογενειακής ζωής, ασφάλειας και εργασίας, δημιουργώντας νέου τύπου διακρίσειςκαι ανισότητες.
Η Τεχνητή Νοημοσύνη μάς φέρνει πιο κοντά σε έναν κόσμοό όπου οι ασθένειες θα αντιμετωπίζονται με ακρίβεια, ταχύτερα και πιοαποτελεσματικά από ποτέ. Ωστόσο, δεν υπάρχει αλγόριθμος που να μπορεί να καθορίσει τις αξίες, τα δικαιώματα και τα ιδανικά που πρέπει να διαφυλαχθούν. Αυτά παραμένουν θεμελιωδώς ανθρώπινα. Η πρόκληση επομένως για μια επωφελή για μεγαλύτερο αριθμό ανθρώπων ΤΝ, που να είναι καθολικά προσβάσιμη και χρήσιμη για την υγεία δεν θα πρέπει να θεωρείται απλώς «αίτημα» αλλά «υποχρέωση», οι όροι και οι συνθήκες τήρησης της οποίας, θα πρέπει να τεθούν σήμερα για χάρη των μελλοντικών γενεών.    
                                              Κωνσταντίνος Θ. Τσουμάκας
                                              Ομότιμος Καθηγητής Παιδιατρικής

                                              Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών
                                               http://www.ktsoumakas.eu