గ్లోబల్ హెల్త్‌లో AI ప్రమాదాలను ‘పరిశీలించాల్సిన అవసరం ఉంది’ – WHO

ఆరోగ్య సంరక్షణ ప్రదాతలు ప్రత్యేకంగా తక్కువ మరియు మధ్య-ఆదాయ దేశాలలో AIని ఉపయోగించడం వల్ల కలిగే నష్టాల గురించి తెలుసుకోవాలని ప్రపంచ ఆరోగ్య సంస్థ (WHO) తెలిపింది.

WHO ప్రకారం, పెద్ద-స్థాయి మల్టీమోడల్ మోడల్స్ (LMMలు), ఆరోగ్య సంరక్షణ అంతటా విస్తృతమైన అప్లికేషన్‌లతో కూడిన ఉత్పాదక AI రకం, రోగనిర్ధారణ మరియు చికిత్సను గణనీయంగా మెరుగుపరచడానికి మరియు ప్రపంచ ఆరోగ్య ఫలితాలను మార్చగల సామర్థ్యాన్ని కలిగి ఉన్నాయి.

చాట్‌జిపిటి, బార్డ్ మరియు బెర్ట్ ప్లాట్‌ఫారమ్‌ల ఇటీవలి ఆవిర్భావాన్ని ఉటంకిస్తూ, చరిత్రలో ఏ ఇతర వినియోగదారు అప్లికేషన్‌ల కంటే సాంకేతికత వేగంగా అవలంబించబడిందని UN ఏజెన్సీ తెలిపింది.

“ఉత్పత్తి AI సాంకేతికతలు ఆరోగ్య సంరక్షణను మెరుగుపరిచే సామర్థ్యాన్ని కలిగి ఉంటాయి, అయితే ఈ సాంకేతికతలను అభివృద్ధి చేయడం, నియంత్రించడం మరియు ఉపయోగించడం వంటివి సంబంధిత ప్రమాదాలను గుర్తించి మరియు పూర్తిగా పరిగణనలోకి తీసుకుంటే మాత్రమే.”

జెరెమీ ఫర్రార్, WHO చీఫ్ సైంటిస్ట్

“మనమంతా పబ్లిక్ హెల్త్ మరియు క్లినికల్ మెడిసిన్‌లో బాధ్యతాయుతమైన AI వినియోగం యొక్క కొత్త యుగంలోకి ప్రవేశిస్తున్నాము” అని WHO వద్ద డిజిటల్ హెల్త్ ఇన్నోవేషన్ డైరెక్టర్ అలాన్ లావ్రిక్ జనవరి 18, గురువారం విలేకరుల సమావేశంలో అన్నారు.

చాట్‌జిపిటి వంటి టెక్స్ట్-ఆధారిత మోడల్‌లలో ఉపయోగించే సాంకేతికతపై రూపొందించిన ఎల్‌ఎమ్‌ఎమ్‌ల కోసం నైతికత మరియు పాలనపై WHO కొత్త మార్గదర్శకాలను రూపొందించింది. ఇది వివిధ అవుట్‌పుట్‌లను ఉత్పత్తి చేయడానికి టెక్స్ట్, వీడియో మరియు ఇమేజ్‌ల వంటి బహుళ డేటా ఇన్‌పుట్‌లను అంగీకరించగలదు.

“ఈ పత్రంలో ఉన్న సూత్రాలు మరియు సిఫార్సులు అత్యున్నత నైతిక ప్రమాణాలకు కట్టుబడి ఉంటాయి మరియు AI మానవ శ్రేయస్సుకు దోహదపడే భవిష్యత్తుకు మార్గం సుగమం చేస్తుంది” అని లావ్రిక్ చెప్పారు.

రోగనిర్ధారణ, శాస్త్రీయ పరిశోధన మరియు ఔషధాల అభివృద్ధి, వైద్య శిక్షణ, పరిపాలన వంటి వైద్య రంగంలో ఈ సాంకేతికత విస్తృతంగా ఉపయోగించబడుతుంది మరియు లక్షణాలను అంచనా వేయడానికి రోగులు స్వయంగా ఉపయోగించబడుతుంది.

రోగనిర్ధారణలు మరియు తగిన చికిత్స ప్రణాళికలను అందించడానికి చిత్రాలు, స్కాన్‌లు మరియు ఎలక్ట్రానిక్ మెడికల్ రికార్డ్‌ల వంటి విస్తారమైన వైద్య డేటాను విశ్లేషించడానికి AI వ్యవస్థలను అమలు చేయవచ్చు. – ఇది రోగి ఫలితాలను కూడా అంచనా వేయగలదు.

ఇది జీవితాలను రక్షించడానికి, ఆరోగ్య సంరక్షణను మెరుగుపరచడానికి, ఆరోగ్య సంరక్షణను మరింత సమర్థవంతంగా చేయడానికి మరియు సాధారణ పనులు మరియు పరిపాలనా పనుల నుండి వైద్యులను విడిపించే సామర్థ్యాన్ని కలిగి ఉంది.

ఫిలిప్ గెర్విల్, AI 2030 కోసం కార్పొరేట్ సలహాదారు, బాధ్యతాయుతమైన AI వైపు చొరవ, ఇలా అన్నారు: SciDev.Net: “ఆరోగ్య కార్యకర్తల కొరత ఉన్న ప్రాంతాల్లో, ఆరోగ్య సంరక్షణకు ప్రాప్యతను మెరుగుపరచడానికి LMM ఒక ముఖ్యమైన సాధనంగా నిలుస్తుంది.

“ఈ యంత్రాలు ఆరోగ్య సంరక్షణ కార్మికుల ఉత్పాదకతను పెంచడం ద్వారా వైద్యుల కొరత ప్రభావాన్ని తగ్గిస్తాయి మరియు ఆరోగ్య సంరక్షణకు విస్తృత మరియు మరింత సమానమైన ప్రాప్యతను నిర్ధారిస్తాయి.”

కానీ ఈ సంభావ్య ప్రయోజనాలతో పాటు, జాగ్రత్తగా పరిశీలించాల్సిన ముఖ్యమైన ప్రమాదాలు కూడా ఉన్నాయని WHO హెచ్చరించింది.

WHO చీఫ్ సైంటిస్ట్ జెరెమీ ఫర్రార్ ఇలా అన్నారు: “ఉత్పత్తి AI సాంకేతికతలు ఆరోగ్య సంరక్షణను మెరుగుపరిచే సామర్థ్యాన్ని కలిగి ఉంటాయి, అయితే ఈ సాంకేతికతలను అభివృద్ధి చేస్తున్న, నియంత్రించే మరియు ఉపయోగించే వారు సంబంధిత ప్రమాదాలను గుర్తించి మరియు పూర్తిగా పరిగణనలోకి తీసుకుంటే మాత్రమే. “మీరు అలా చేస్తే మాత్రమే.”

“LMMల రూపకల్పన, అభివృద్ధి మరియు వినియోగాన్ని నియంత్రించడానికి పారదర్శక సమాచారం మరియు విధానాలు అవసరం.”

తప్పు నిర్ధారణ

దాని పరిమితులను గుర్తించకుండా LMM సామర్థ్యాన్ని ఎక్కువగా అంచనా వేయడం ప్రమాదకరమైన తప్పు నిర్ధారణలు మరియు తగని చికిత్స నిర్ణయాలకు దారితీయవచ్చు, WHO చెప్పింది.

ఒక ప్రమాదం ఏమిటంటే, ఆరోగ్య వ్యవస్థలు, ముఖ్యంగా తక్కువ మరియు మధ్య-ఆదాయ దేశాలలో, సరిగ్గా నిర్వహించబడని లేదా నవీకరించబడని LMMలపై ఆధారపడతాయి.

LMMపై ఆధారపడటం కూడా ఉద్యోగ నష్టాలకు దారి తీస్తుంది మరియు ఆరోగ్య సంరక్షణ కార్మికులకు గణనీయమైన రీట్రైనింగ్ అవసరం.

“ఉచిత భోజనం లాంటిదేమీ లేదు” అని డబ్ల్యూహెచ్‌ఓ ఆరోగ్య రంగ పరిశోధన డైరెక్టర్ రోహిత్ మల్పాని బ్రీఫింగ్‌లో చెప్పారు. “ప్రతి వినియోగ సందర్భం వివిధ ప్రమాదాలతో వస్తుంది.”

“విస్తృత ఆరోగ్య వ్యవస్థ మరియు సామాజిక ప్రమాదాలు కూడా ఉన్నాయి.”

ఈ శక్తివంతమైన మోడల్‌లకు శిక్షణ ఇవ్వడం మరియు ఉపయోగించడం వల్ల కార్బన్ పాదముద్ర మరియు నీటి వినియోగం పరంగా గణనీయమైన పర్యావరణ ఖర్చులు ఉంటాయి.

అదనంగా, శిక్షణ మరియు నిర్వహణ యొక్క ఆర్థిక ఖర్చుల కారణంగా దాని అభివృద్ధి మరియు విస్తరణ పెద్ద సాంకేతిక సంస్థల చేతుల్లో కేంద్రీకృతమై ఉందని WHO ఆందోళన వ్యక్తం చేసింది.

“ఈ నమూనాలు, వాటి యోగ్యతలు ఏమైనప్పటికీ, ప్రభుత్వాలు మరియు ఆరోగ్య వ్యవస్థలపై తమ అధికారాన్ని మరియు ఆధిపత్యాన్ని బలోపేతం చేయడానికి మరియు విస్తరించడానికి సామర్థ్యాన్ని కలిగి ఉంటాయి” అని మల్పానీ జోడించారు.

అసమానత

డిజిటల్ విభజన మరియు అధిక సబ్‌స్క్రిప్షన్ ఫీజులు మరియు అభివృద్ధి చెందిన మరియు అభివృద్ధి చెందుతున్న దేశాల మధ్య ఉన్న అంతరం ద్వారా పరిమితం చేయబడే ఈ మోడళ్లకు సమానత్వం అనే ప్రశ్నను కూడా WHO లేవనెత్తింది. ఇది ఆరోగ్య అసమానతలను మరింత తీవ్రతరం చేస్తుంది.

అదనంగా, పక్షపాత డేటాపై శిక్షణ పొందిన LMMలు ఆరోగ్య సంరక్షణ వ్యవస్థలో ఈ పక్షపాతాలను శాశ్వతం చేయగలవు.

అవసరమైన మౌలిక సదుపాయాలను నిర్మించడం మరియు ప్రభుత్వ మరియు ప్రైవేట్ రంగాలలో AI వినియోగాన్ని నియంత్రించడంలో పెద్ద సవాలు ఉంది.

“దేశాల మధ్య ఉన్న తేడాలు మరియు బలమైన డేటా లభ్యతను గుర్తించడం చాలా ముఖ్యం” అని లావ్రిక్ అన్నారు, “దేశాలు గొర్రెల కాపరులు మరియు స్టీవార్డ్‌లకు అవసరమైన మంచి పాలనను కలిగి ఉన్నాయని మేము నిర్ధారించుకోవాలి.” మేము చాలా దగ్గరగా పని చేస్తున్నాము. మేము దీన్ని చేయగలమని నిర్ధారించడానికి కలిసి.” వైద్య రంగంలో AI ఉపయోగం. ”

కానీ AI 2030 యొక్క గెర్విల్ ఇంకా ఎక్కువ పని చేయాల్సి ఉందని అభిప్రాయపడ్డారు.

నిధులు మంజూరు చేయడం, భాగస్వామ్య క్లౌడ్ కంప్యూటింగ్ వనరులను యాక్సెస్ చేయడం మరియు ఓపెన్ డేటా సెట్‌లు వంటి ప్రయత్నాలు చాలా ప్రయోజనకరంగా ఉంటాయని ఆయన అన్నారు.

తక్కువ మరియు మధ్య-ఆదాయ దేశాలు LMMలను అభివృద్ధి చేయడానికి మరియు వర్తింపజేయడానికి అవసరమైన కంప్యూటింగ్ శక్తి, డేటా మరియు నైపుణ్యాన్ని పొందడంలో సహాయపడటం ద్వారా అంతర్జాతీయ సంస్థలు ఆట మైదానాన్ని సమం చేయగలవని ఆయన అన్నారు.

అంతర్జాతీయ సంస్థలు ఈవెంట్‌లు మరియు సమాచార ప్లాట్‌ఫారమ్‌ల ద్వారా జ్ఞాన బదిలీని సులభతరం చేయగలవని, అలాగే స్థానిక డేటాతో దేశాలకు మద్దతు ఇవ్వగలవని గెర్విల్ చెప్పారు, ఈ నమూనాలు స్థానిక అవసరాలు మరియు పరిస్థితులను మరింత ఖచ్చితంగా ప్రతిబింబించేలా ముఖ్యమైనవి.

సమ్మిళిత అభివృద్ధిని ప్రోత్సహించడం చాలా ముఖ్యం అని ఆయన అన్నారు. “కొత్త LMM టెక్నాలజీల అభివృద్ధి మరియు పాలనా ప్రక్రియలో తక్కువ-వనరుల దేశాల వాటాదారులు చురుకుగా పాల్గొంటున్నట్లు నిర్ధారించడం అంతర్జాతీయ సంస్థలకు కీలకం.”

అన్నింటికంటే, AI నుండి కొంతమేరకు హాని తప్పదని WHO గుర్తించింది. మార్గదర్శకత్వం బాధ్యత పాలనల కోసం సిఫార్సులను అందిస్తుంది మరియు AI ఫలితంగా రోగులు బాధపడినప్పుడు పరిహారం విధానాల కోసం పిలుపునిస్తుంది.

“సమగ్ర బాధ్యత నియంత్రణ మరియు నియంత్రణ పర్యవేక్షణను ప్రవేశపెట్టడం చాలా అవసరం” అని గెర్విల్ అంగీకరించాడు.

“LMM ద్వారా ప్రతికూలంగా ప్రభావితమైన వ్యక్తులు తగిన పరిహారం మరియు చట్టపరమైన సహాయాన్ని పొందారని నిర్ధారించడానికి నియంత్రకాలు స్పష్టమైన బాధ్యత నిబంధనలను ఏర్పాటు చేయడం చాలా అవసరం.”

ఈ పనిని SciDev.Net యొక్క గ్లోబల్ డెస్క్ రూపొందించింది.

వ్రాసిన వారు

అబ్దల్లా తాహా

వెబ్సైట్

ఈ వ్యాసం మొదట ప్రచురించబడింది SciDev.Net జనవరి 23, 2024న. అసలు పని.