“Süni intellekt həkimləri əvəz edəcəkmi?” sualı niyə yetərsizdir?

Səhiyyə xidmətlərində süni intellekt müzakirəsi çox vaxt iki ifrat mövqe arasında gedir. Bir tərəfdən süni intellektin həkimləri qısa müddətdə lazımsız edəcəyi, digər tərəfdən isə tibbin mürəkkəbliyi, etik məsuliyyət və pasiyent-həkim münasibətləri səbəbindən səhiyyənin avtomatlaşdırmadan qorunduğu irəli sürülür.

Tədqiqat hər iki yanaşmanın tibbi işi vahid bir bütöv kimi nəzərdən keçirdiyi üçün yetərsiz olduğunu irəli sürür.

Onkoloqun gördüyü işlərin hamısı eyni koqnitiv xüsusiyyətə malik deyil. Eyni iş günü ərzində həkim:

• Laboratoriya nəticələrini müqayisə edə bilər,
• Görüntüləmə hesabatını mərhələləndirmə baxımından şərh edə bilər,
• Molekulyar biomarkeri müalicə təlimatı ilə uyğunlaşdıra bilər,
• Dərman dozasını toksikliyə görə dəyişə bilər,
• Klinik tədqiqata uyğunluğu qiymətləndirə bilər,
• Gözlənilən ömür müddətini pasiyentə izah edə bilər,
• Pasiyentin həyat keyfiyyəti ilə müalicədən əldə edilən fayda arasındakı seçimini anlamağa çalışa bilər.

Bu vəzifələrin bir hissəsi strukturlaşdırılmış məlumat və açıq qaydalarla yerinə yetirilir. Digərləri isə natamam məlumat, ziddiyyətli məqsədlər, pasiyentin dəyərləri və münasibətlərə bağlı məsuliyyət ehtiva edir.

Buna görə tədqiqatın əsas analiz vahidi “həkim” və ya “ixtisas sahəsi” deyil, fərdi koqnitiv vəzifədir.

Vəzifələrin Ayrışdırılması Nədir?

Vəzifələrin ayrışdırılması mürəkkəb iş axınının müəyyən edilə bilən giriş və çıxışları olan daha kiçik fəaliyyətlərə bölünməsidir.

Onkologiyada “müalicə qərarı vermək” vahid bir vəzifə kimi görünsə də, əslində aşağıdakı alt prosesləri əhatə edə bilər:

1. Patoloji diaqnozu təsdiqləmək,
2. Şişin mərhələsini müəyyən etmək,
3. Molekulyar biomarkerləri təsnif etmək,
4. Pasiyentin performans vəziyyətini qiymətləndirmək,
5. Təlimata uyğun müalicə variantlarını siyahıya almaq,
6. Klinik tədqiqat variantlarını nəzərdən keçirmək,
7. Dərmanların nisbi fayda və risklərini müqayisə etmək,
8. Yanaşı xəstəlikləri nəzərə almaq,
9. Pasiyentin məqsəd və üstünlüklərini anlamaq,
10. Yekun tövsiyəni hazırlamaq və izah etmək.

Bu vəzifələr bir-birindən ayrıldıqda süni intellektin hansı hissədə güclü, hansı hissədə məhdud olduğu daha aydın görünür.

Avtomatlaşdırma Potensialı İndeksi Nədir?

Automation Potential Index, yəni Avtomatlaşdırma Potensialı İndeksi hər klinik vəzifəni beş ölçü üzrə qiymətləndirən prototip qiymətləndirmə vasitəsidir.

Hər ölçü 1 ilə 4 arasında ballanır. Beş balın orta qiyməti vəzifənin API dəyərini yaradır.

\[ API_t = \frac{ C_t + D_t + E_t + V_t + A_t }{5} \]

Bu düstur tədqiqatda ayrıca tənlik kimi yazılmamışdır; alətdə təsvir edilən arifmetik ortanı göstərmək məqsədilə ifadə edilmişdir.

Düsturda:

• \(C_t\), girişin kodlaşdırıla bilməsini,
• \(D_t\), protokolun müəyyənediciliyini,
• \(E_t\), sübut və ya məlumat sıxlığını,
• \(V_t\), çıxışın doğrulana bilməsini,
• \(A_t\), səhv asimmetriyasını ifadə edir.

API-nin Beş Ölçüsü

API Hədləri

Tədqiqatda vəzifələr üç əsas bölgəyə ayrılır:

Müəllif bu hədlərin klinik məlumatlarla kalibrasiya edilmədiyini açıq şəkildə bildirir. Dəyərlər ballama məntiqini görünən etmək üçün seçilmiş müvəqqəti sərhədlərdir.

Yüksək API Dəyəri “Avtonom İstifadə Uyğundur” Deməkdirmi?

Xeyr.

Tədqiqat texniki avtomatlaşdırmaya uyğunluq ilə klinik olaraq avtonom istifadəyə icazə verilməsini bir-birindən ayırır.

Bir vəzifə:

• Məlumat baxımından tam strukturlaşdırılmış,
• Qaydaları açıq,
• Çıxışı obyektiv,
• Süni intellekt tərəfindən yüksək dəqiqliklə yerinə yetirilə bilən

ola bilər.

Lakin səhv baş verdikdə nəticə ağırdırsa, insan tərəfindən təsdiqləmə yenə də lazım ola bilər.

Məsələn, kimyaterapiya dozasının hesablanması riyazi baxımdan avtomatlaşdırmaya uyğun görünə bilər. Ancaq pasiyentin böyrək funksiyasındakı cari dəyişiklik qeydə alınmayıbsa, avtomatik hesablanan doza təhlükəli ola bilər.

Beləliklə, yüksək API balı vəzifənin texniki cəhətdən kodlaşdırıla bilən olduğunu göstərir; insan nəzarətinin birbaşa aradan qaldırılmasını təklif etmir.

3-cü Səhifədəki API Cədvəli Nəyi Göstərir?

Tədqiqatın 3-cü səhifəsindəki cədvəl API-nin beş qiymətləndirmə ölçüsünü yanaşı göstərir. Ən aşağı ballar sərbəst mətnli, kontekstdən asılı, məlumat baxımından yetərsiz, subyektiv və geri dönməz səhv riski daşıyan vəzifələrə verilir.

Ən yüksək ballar isə tam strukturlaşdırılmış məlumata əsaslanan, açıq alqoritmlərlə icra olunan, böyük doğrulama məlumat dəstləri olan, çıxışı ölçülə bilən və səhvi düzəldilə bilən vəzifələrə ayrılır.

Bu cədvəl tədqiqatın bütün konseptual çərçivəsini ümumiləşdirir: Süni intellektin gücü yalnız model arxitekturasından deyil, vəzifənin məlumat və qərar strukturundan qaynaqlanır.

Radiologiyada Avtomatlaşdırma Potensialı

Tədqiqata görə radiologiya onkoloji iş axınındakı yüksək həcmli koqnitiv girişlərdən biridir.

Radioloji görüntülər DICOM formatında rəqəmsal şəkildə saxlanılır. Bundan əlavə, bir çox görüntüləmə vəzifəsi RECIST, Lung-RADS, PI-RADS və LI-RADS kimi standartlaşdırılmış qiymətləndirmə qaydalarına malikdir.

Bu xüsusiyyətlər radioloji vəzifələrin giriş kodlaşdırılmasını və protokol müəyyənediciliyini artırır.

Müəllif yaxşı müəyyən edilmiş geniş yayılmış solid şişlərdə radioloji koqnitiv işlərin təxminən %65–70-nin uyğun məlumat şəraitində avtomatlaşdırmaya açıq ola biləcəyini təxmin edir.

Bu faiz birbaşa işçi qüvvəsinin azalması demək deyil. Görüntü keyfiyyətinə nəzarət, klinik kontekst, təsadüfi tapıntılar, nadir hallar və son klinik məsuliyyət radioloqun rolunu qoruyur.

Qeyri-müəyyən Qaraciyər Lezyonu Niyə Aşağı Bal Alır?

Qeyri-müəyyən qaraciyər lezyonunun şərhi yalnız görüntü xüsusiyyətlərindən asılı olmaya bilər.

Qərar aşağıdakı məlumatları tələb edə bilər:

• Pasiyentin məlum xərçəngi,
• Qaraciyər xəstəliyi anamnezi,
• Əvvəlki görüntülər,
• Kontrastlanma nümunəsi,
• Laboratoriya nəticələri,
• Müalicə anamnezi,
• Lezyonun zaman ərzində dəyişməsi.

Bu məlumatlar natamam olduqda və ya müxtəlif sistemlərdə səpələndikdə yalnız görüntünü təhlil edən model yetərsiz qala bilər.

Patologiyada Avtomatlaşdırma Potensialı

Rəqəmsal patologiya şüşə preparatların tam slayd görüntüləmə sistemləri ilə rəqəmsallaşdırılmasına əsaslanır.

Giriş tam rəqəmsal hala gəldikdə süni intellekt:

• Hüceyrə və şiş sahələrini müəyyən edə bilər,
• Biomarker sıxlığını ölçə bilər,
• Gleason dərəcələndirməsinə kömək edə bilər,
• Hematoksilin-eozin görüntülərindən molekulyar xüsusiyyətləri proqnozlaşdıra bilər,
• Şişə infiltrasiya edən limfositləri kəmiyyətcə ölçə bilər.

Tədqiqatda Ki67 və PD-L1 ölçümü üçün API 3,7 verilmişdir. Bu, çərçivədəki ən yüksək fərdi vəzifə ballarından biridir.

Yüksək balın səbəbləri bunlardır:

• Giriş rəqəmsaldır,
• Çıxış ədədi ola bilər,
• Nəticə mütəxəssislər arasında müqayisə edilə bilər,
• Böyük görüntü məlumat dəstləri yaradıla bilər,
• Təkrarlana bilmə insan müşahidəsi ilə müqayisədə artırıla bilər.

Tədqiqat həmçinin rutin histoloji görüntülərdən mikrosatellit qeyri-sabitliyini proqnozlaşdıran modellərin AUC dəyərlərinin 0,85-dən yuxarı olduğunu bildirir.

Nadir və ya atipik toxumaların diaqnozu isə API 1,8 ilə insan sahəsində saxlanılmışdır. Çünki nadir hallarda təlim məlumatı azdır, səhvin nəticəsi ağırdır və kontekstual şərh ehtiyacı yüksəkdir.

Patologiyada Təxmini Avtomatlaşdırma Nisbəti

Müəllif geniş yayılmış şişlərdə patologiya vəzifələrinin təxminən %70–75-nin uyğun məlumat şəraitində avtomatlaşdırmaya və ya güclü süni intellekt dəstəyinə açıq ola biləcəyini irəli sürür.

Bu nisbət patoloqun aradan qalxacağı demək deyil. Rolun aşağıdakı sahələrə yönəlməsi gözlənilə bilər:

• Çətin və atipik halların qiymətləndirilməsi,
• Süni intellekt çıxışlarının keyfiyyətinə nəzarət,
• Makroskopik nümunə götürmə qərarları,
• Klinik və molekulyar məlumatların inteqrasiyası,
• Modelin etibarlı olmadığı halların tanınması.

Radiasiya Onkologiyasında Avtomatlaşdırma

Radiasiya onkologiyası görüntü emalı, anatomik konturlama, doza hesablanması və müalicə planlaşdırılması kimi strukturlaşdırılmış prosesləri əhatə edir.

Tədqiqatda:

• Prostat, baş-boyun, ağciyər və rektum kimi geniş yayılmış göstərişlərdə avtomatik konturlama üçün API 3,2,
• IMRT və VMAT üçün bilik əsaslı planlaşdırmada API 3,0,
• Onlayn adaptiv radioterapiyada gündəlik planın süni intellekt köməyi ilə yenidən hesablanmasında API 2,6

verilmişdir.

Adaptiv radioterapiya daha aşağı bal alır; çünki gündəlik anatomik dəyişikliklərin klinik mənası və müalicə planının təhlükəsizliyi həkim təsdiqini tələb edir.

Standart göstərişlərdə radiasiya onkologiyası vəzifələrinin təxmini avtomatlaşdırma nisbəti %60–65 olaraq verilmişdir.

Tibbi Onkologiya Niyə Daha Heterogendir?

Tibbi onkologiya bir ucda demək olar ki, alqoritmik müalicə seçimlərini, digər ucda isə dəyər yüklü və münasibətə bağlı qərarları əhatə edir.

Məsələn, metastatik kiçik hüceyrəli olmayan ağciyər xərçəngində EGFR, ALK və ya ROS1 kimi molekulyar sürücü aşkarlandıqda birinci sıra müalicə seçimi böyük ölçüdə təlimat alqoritminə bağlana bilər.

Bunun əksinə, çoxsaylı yanaşı xəstəlikləri olan, kövrək və müalicəyə dözümlülüyü qeyri-müəyyən pasiyentdə eyni alqoritmi tətbiq etmək kifayət etməyə bilər.

Hazard Nisbətinin Müqayisəsi Niyə Ən Yüksək Ballardan Birini Alır?

İki klinik tədqiqatdakı hazard nisbətlərini, etibar intervallarını və median sağqalma müddətlərini müqayisə etmək riyazi və mətn əsaslı bir vəzifədir.

Kifayət qədər məlumat təqdim edildikdə süni intellekt:

• Tədqiqatları tapa bilər,
• Müvafiq pasiyent qruplarını ayıra bilər,
• Nəticə ölçülərini müqayisə edə bilər,
• Mütləq və nisbi faydanı hesablaya bilər,
• Sübut cədvəli yarada bilər.

Lakin bu müqayisə müalicənin konkret pasiyent üçün uyğun olduğuna təkbaşına qərar vermir. Pasiyentin yaşı, yanaşı xəstəlikləri, toksikliyə dözümlülüyü, gözlənilən ömür müddəti və üstünlükləri ayrıca qiymətləndirilməlidir.

Klinik Tədqiqat Uyğunlaşdırması

Klinik tədqiqatların daxil etmə və xaric etmə meyarları çox vaxt uzun və mürəkkəb olur.

Süni intellekt sistemləri:

• Şiş növünü,
• Mərhələni,
• Molekulyar profili,
• Əvvəlki müalicələri,
• Performans vəziyyətini,
• Orqan funksiyalarını,
• Coğrafi əlçatanlığı

tədqiqat meyarları ilə uyğunlaşdıra bilər.

Tədqiqatda verilən bir araşdırmaya görə bir neçə avtomatik uyğunlaşdırma vasitəsinin birlikdə istifadəsi, tək vasitənin istifadəsi ilə müqayisədə müəyyən edilən tədqiqat variantlarını %26-ya qədər artırmışdır.

Bununla belə, səhv və ya natamam elektron qeydlər uyğun pasiyentlərin nəzərdən qaçmasına və ya uyğun olmayan pasiyentlərin seçilməsinə səbəb ola bilər.

7-ci Səhifədəki Avtomatlaşdırma Matrisi

Tədqiqatın 7-ci səhifəsindəki şəkil onkoloji vəzifələri iki ox üzrə təsnif edir:

• Üfüqi ox: girişin strukturlaşdırılmamış narrativdən tam rəqəmsal məlumata doğru kodlaşdırıla bilməsi,
• Şaquli ox: çıxışın kontekstual mühakimədən deterministik alqoritmə doğru irəliləməsi.

Matris dörd bölgəyə ayrılmışdır:

Şəkil avtomatlaşdırma potensialının yalnız vəzifənin mürəkkəbliyindən deyil, məlumatın hansı formatda mövcud olmasından da asılı olduğunu göstərir.

Multidissiplinar Avtomatlaşdırma Əmsalı Nədir?

Multidisciplinary Automation Quotient, yəni MAQ fərdi vəzifələrin API ballarını bir araya gətirərək bütöv multidissiplinar qərarın avtomatlaşdırma potensialını təxmin etməyi hədəfləyir.

Tədqiqatda MAQ yekun qərara töhfə verən vəzifələrin çəkili orta API dəyəri kimi müəyyən edilir.

\[ MAQ = \frac{ \sum_{t=1}^{n} w_t API_t }{ \sum_{t=1}^{n} w_t } \]

Bu düsturda:

• \(API_t\), t vəzifəsinin avtomatlaşdırma potensialını,
• \(w_t\), vəzifənin yekun multidissiplinar qərardakı nisbi çəkisini ifadə edir.

Bu riyazi göstərim tədqiqatdakı tərifin izahlı ifadəsidir.

Şiş Şurası Niyə Fərdi Vəzifələrin Cəmindən Daha Artıqdır?

Multidissiplinar şiş şurası radiologiya, patologiya, cərrahiyyə, radiasiya onkologiyası və tibbi onkologiyanın nəticələrinin sadəcə yanaşı qoyulduğu toplantı deyil.

Şura aşağıdakı funksiyaları yerinə yetirir:

• Ziddiyyətli tapıntıları uzlaşdırır,
• Çatışmayan məlumatı müəyyən edir,
• Müxtəlif müalicə məqsədləri arasında prioritet müəyyənləşdirir,
• Pasiyent səviyyəsindəki xüsusi şərtləri nəzərə alır,
• Sübutun birbaşa tətbiq edilə bilmədiyi hallarda ortaq mühakimə yaradır.

Buna görə fərdi vəzifələr yüksək API balı alsa belə, bütöv MDT qərarının MAQ dəyəri daha aşağı ola bilər.

Tədqiqatda yaxşı müəyyən edilmiş və molekulyar olaraq xarakterizə olunmuş geniş yayılmış solid şişlər üçün MAQ dəyərlərinin 2,8–3,2 arasında olduğu təxmin edilmişdir. Bu interval yüksək şərti avtomatlaşdırma bölgəsinə uyğun gəlir.

Süni İntellekt ilə Klinisist Performansı Necə Müqayisə Edildi?

Tədqiqat onkologiyanın müxtəlif sahələrində süni intellekt ilə klinik baza performansını müqayisə edən dərc olunmuş araşdırmaları narrativ şəkildə nəzərdən keçirmişdir.

Nümunə sahələr bunlardır:

• Kimyaterapiya ilə əlaqəli hematoloji toksikliyin proqnozlaşdırılması,
• Kiçik hüceyrəli olmayan ağciyər xərçəngində sağqalmanın proqnozlaşdırılması,
• Anti-PD-1 və ya anti-PD-L1 müalicəsinə cavabın proqnozlaşdırılması,
• Hepatosellulyar karsinomada transarterial kemoembolizasiyaya cavab,
• Süni intellektin müalicə tövsiyələrinin şiş şurasının qərarları ilə uyğunluğu.

Tədqiqat bu araşdırmalardakı AUC, C-indeksi, həssaslıq və uyğunluq nisbətlərini vahid meta-analitik dəyərdə birləşdirməmişdir.

Müəllif bunun səbəbini tədqiqatlar arasındakı böyük fərqlərlə izah edir:

• Pasiyent qrupları fərqlidir,
• Nəticə ölçüləri fərqlidir,
• Doğrulama üsulları fərqlidir,
• Klinisist müqayisə qrupları eyni deyil,
• Məlumatın keyfiyyəti və seçimi dəyişir.

Buna görə tədqiqatın gəldiyi nəticə kəmiyyət deyil, keyfiyyət xarakterli nəticədir: Yaxşı müəyyən edilmiş, məlumatı zəngin və nəzarət olunan vəzifələrdə süni intellekt modelləri klinik baza performansına çata və ya onu üstələyə bilər.

Nəzarət Olunan Təcrübədə Uğur Həqiqi Klinik Uğurla Eynidirmi?

Xeyr.

Tədqiqat müqayisə nəticələrinin ideal şəraitdə nəzəri yuxarı hədlər kimi görülməli olduğunu xüsusilə vurğulayır.

Nəzarət olunan tədqiqatlarda model adətən:

• Tam məlumat,
• Əvvəlcədən seçilmiş pasiyent qrupu,
• Vahid bir vəzifə,
• Təmizlənmiş görüntü və ya qeyd,
• Aydın nəticə tərifi

ilə qiymətləndirilir.

Gündəlik klinikada isə qeydlər natamam, zaman təzyiqi yüksək, pasiyentlər mürəkkəb və qərarlar çoxölçülüdür.

Həkim Davamlılığının Olmaması Problemi

Tədqiqatın özünəməxsus müzakirələrindən biri xərçəng pasiyentinin uzun müalicə prosesi boyunca eyni həkim tərəfindən izlənməməsidir.

24–36 aylıq müalicə dövründə pasiyent:

• Müxtəlif poliklinika həkimləri,
• Növbətçi komandalar,
• Mərkəzi və periferik xəstəxana komandaları,
• Rotasiya edən həkimlər,
• Təcili yardım şöbəsinin əməkdaşları

tərəfindən qiymətləndirilə bilər.

Hər yeni həkim pasiyentin klinik tarixçəsini elektron sənədlərdən yenidən qurmalı olur.

Tədqiqatda verilən araşdırmalara görə səhiyyə keçidlərinin %28–40-da kritik məlumatların buraxıla bildiyi bildirilmişdir.

Hansı Məlumatlar İtirilə Bilər?

Xüsusilə standartlaşdırılması çətin olan məlumatlar itkiyə açıqdır:

• Dozanın azaldılması qərarının həqiqi səbəbi,
• Pasiyentin yan təsirləri olduğundan daha yüngül təsvir etmə meyli,
• Şifahi ifadə edilmiş, lakin qeydə alınmamış üstünlüklər,
• Əvvəlki klinisistin qeyri-müəyyənlik qiymətləndirməsi,
• Pasiyentin funksional vəziyyətindəki yavaş dəyişiklik,
• Müalicəni davam etdirmək istəyində zamanla yaranan fərqlilik.

Müəllif strukturlaşdırılmış və qarşılıqlı işləyə bilən elektron sağlamlıq qeydinə çıxışı olan süni intellekt sisteminin bu keçidlər arasında məlumat davamlılığını qoruya biləcəyini irəli sürür.

Uzunmüddətli Məlumat Bütövlüyü

Tədqiqat bu potensial üstünlüyü Longitudinal Information Integrity, yəni Uzunmüddətli Məlumat Bütövlüyü adlandırır.

Bu, süni intellektin insanlardan daha yaxşı klinik mühakiməyə sahib olduğu demək deyil.

Daha məhdud bir sistem üstünlüyünü ifadə edir:

Süni intellekt uyğun infrastruktur olduqda illərə yayılan çoxsaylı laboratoriya, görüntüləmə, dərman, toksiklik və klinik qeyd məlumatlarını hər qərar nöqtəsində birlikdə nəzərdən keçirə bilər.

Lakin məlumat ümumiyyətlə qeydə alınmayıbsa, süni intellekt də onu bilə bilməz.

Elektron Sağlamlıq Qeydi Avtomatlaşdırmanın Əsas Şərtidir

Tədqiqatdakı bütün avtomatlaşdırma təxminləri klinik məlumatların strukturlaşdırılmış, maşın tərəfindən oxuna bilən və qarşılıqlı işləyə bilən olduğu fərziyyəsinə əsaslanır.

İtaliyadakı Fascicolo Sanitario Elettronico 2.0 infrastrukturu nümunə kimi araşdırılmışdır.

9-cu Səhifədəki Məlumat Hazırlığı Matrisi

Tədqiqatın 9-cu səhifəsindəki cədvəl süni intellekt baxımından ən hazır məlumatların laboratoriya nəticələri və strukturlaşdırılmış dərman planları olduğunu göstərir.

Ən böyük boşluqlar isə sərbəst mətn formasındakı poliklinika qeydləri, xəstəxanadan çıxarılma xülasələri və yetərsiz qeydə alınan toksiklik məlumatlarıdır.

Bu nəticə mühüm siyasət qənaətinə gətirir: Onkologiyada süni intellekt imkanını artırmaq üçün yalnız daha güclü modellər hazırlamaq kifayət deyil. Klinik qeyd keyfiyyəti və məlumat standartları da inkişaf etdirilməlidir.

Nəzəri Avtomatlaşdırma ilə Operasion Avtomatlaşdırma Arasındakı Fərq

Tədqiqat iki avtomatlaşdırma səviyyəsini ayırır:

Bir vəzifə alqoritmik baxımdan asan olsa belə, tələb olunan məlumat qeyddə yoxdursa, həqiqi avtomatlaşdırma mümkün deyil.

Buna görə eyni süni intellekt sistemi müxtəlif xəstəxanalarda çox fərqli nəticələr verə bilər.

Qeyri-müəyyənlik Növü Paylanması Nədir?

Uncertainty Type Distribution, yəni Qeyri-müəyyənlik Növü Paylanması klinik qeyri-müəyyənliyi üç kateqoriyaya ayırır.

Tip I: Epistemik qeyri-müəyyənlik

Qərar üçün lazım olan məlumat hələ qeyddə yoxdur; lakin prinsip etibarilə əldə edilə bilər.

Nümunələr:

• Molekulyar test nəticəsinin hələ çıxmaması,
• Yeni görüntüləmə ehtiyacı,
• Performans vəziyyətinin qeydə alınmaması,
• Orqan funksiya testinin natamam olması.

Məlumat əldə edildikdə qərar alqoritmik və ya ehtimal xarakterli hala gələ bilər.

Tip II: Ehtimallı qeyri-müəyyənlik

Lazım olan məlumatlar mövcuddur; lakin hansı variantın ən yaxşı olduğu dəqiq deyil.

Nümunələr:

• Müalicəyə cavab ehtimalı,
• Residiv riski,
• Toksiklik ehtimalı,
• Sağqalma proqnozu.

Bu sahə maşın öyrənməsi və süni intellekt dəstəkli nəticəçıxarmanın əsas istifadə sahəsidir.

Tip III: Dəyər yüklü qeyri-müəyyənlik

Heç bir məlumat miqdarı təkbaşına “doğru” qərarı müəyyən edə bilməz. Qərar pasiyentin dəyərlərini, üstünlüklərini, həyat məqsədlərini, proqnoz qavrayışını və münasibətlər kontekstini əhatə edir.

Nümunələr:

• Ömür müddətini uzada biləcək, lakin ağır toksiklik yarada biləcək müalicəni qəbul edib-etməmək,
• İntensiv müalicə ilə həyat keyfiyyəti arasında seçim,
• Həyatın sonuna dair qayğı məqsədləri,
• Pasiyentin müstəqilliyini qorumaq istəyi,
• Ailə məsuliyyətləri və şəxsi məna.

Tədqiqat bu sahəni azaldıla bilməyən insan sahəsi kimi müəyyən edir.

UTD Ssenariləri

10-cu Səhifədəki UTD Qrafiki

Tədqiqatın 10-cu səhifəsindəki üfüqi yığılmış sütun qrafiki molekulyar sürücüsü müəyyən edilmiş xərçənglərdə mavi və yaşıl sahələrin, yəni məlumat əldə etməklə həll oluna bilən və ehtimal modelləşdirməsinə açıq qərarların üstünlük təşkil etdiyini göstərir.

Nadir şiş, kövrək yaşlı pasiyent və palliativ qayğı ssenarilərində sarı sahə, yəni dəyər yüklü qeyri-müəyyənlik nəzərəçarpacaq dərəcədə böyüyür.

Palliativ qayğı qərarlarında Tip III qeyri-müəyyənlik %65-ə çatır. Bu, həyatın sonuna dair qərarların çox vaxt tək bir “ən yüksək sağqalma ehtimalı” hesabı ilə həll edilə bilməyəcəyini göstərir.

Süni İntellekt İnsan Dəyərlərindən Heç İstifadə Edə Bilməzmi?

Süni intellekt pasiyentin qeydə alınmış üstünlüklərini xülasə edə, qərar variantlarını izah edə və oxşar pasiyent nəticələrini göstərə bilər.

Lakin tədqiqat dəyər yüklü qərarların yalnız məlumatların emalından ibarət olmadığını müdafiə edir.

Bu qərarlar:

• Pasiyentin nəyi qəbul edilə bilən hesab etdiyini,
• Qeyri-müəyyənliyi necə yaşadığını,
• Hansı həyat məqsədini prioritetləşdirdiyini,
• Ailəsi və həkimi ilə qurduğu münasibəti,
• Qərarın məsuliyyətini kimin daşıdığını

əhatə edir.

Buna görə süni intellekt dəyərləri qeydə ala və ya görünən edə bilər; lakin dəyərin özünü pasiyentin adından müəyyən edə bilməz.

Səhv Strukturu Necə Dəyişəcək?

Tədqiqat süni intellektin səhvi aradan qaldırmayacağını, fərdi səhvdən sistematik səhvə keçid yarada biləcəyini müdafiə edir.

İnsan səhvləri çox vaxt:

• Şəxsə xas,
• Dəyişkən,
• Dağınıq,
• Müəyyən qərar verən şəxsə bağlana bilən

xarakterdədir.

Süni intellekt səhvləri isə:

• Eyni tip pasiyentlərdə təkrarlana bilər,
• Təlim məlumatındakı qərəzi geniş miqyasda çoxalda bilər,
• Yeni xəstəxana və ya populyasiyada performans itirə bilər,
• Həqiqi xəstəlik siqnalı əvəzinə məlumat toplama üsuluna aid qısa yolları öyrənə bilər.

Qərəz və Paylanma Dəyişikliyi

Tədqiqat tibbi süni intellektdə məlum uğursuzluq nümunələrinə də yer verir.

Bir populyasiya sağlamlığı alqoritminin klinik ehtiyac əvəzinə keçmiş səhiyyə xərclərindən istifadə etdiyi üçün Qara dərili pasiyentləri daha az yönləndirdiyi bildirilmişdir.

Başqa bir nümunədə müəyyən xəstəxanaların məlumatları ilə hazırlanmış pnevmoniya aşkarlama modelinin xarici müəssisələrdə nəzərəçarpacaq performans itkisi yaşadığı bildirilmişdir.

Bu uğursuzluqlar aşağıdakı riskləri göstərir:

• Vasitəçi dəyişən qərəzi,
• Paylanma sürüşməsi,
• Qısa yol öyrənməsi,
• Təmsil olunmayan pasiyent qruplarında səhv,
• Müəssisələrarası ümumiləşdirilə bilmə problemi.

Məsuliyyət Kimə Aid Olacaq?

Mövcud sistemlərdə klinik qərarın hüquqi məsuliyyəti əsasən qərarı təsdiqləyən həkimin üzərinə qoyulur.

Bu quruluş həkim həm qərarı yaradan, həm də təsdiqləyən koqnitiv aktor olduqda məntiqlidir.

Lakin süni intellekt:

• Sübutu tapır,
• Məlumatı birləşdirir,
• Variantları sıralayır,
• Risk proqnozu verir,
• Tövsiyəni formalaşdırırsa

həkimin yalnız son təsdiqi verməsi həqiqətən müstəqil klinik doğrulama sayıla bilərmi?

Tədqiqat bu sualın mövcud məsuliyyət tənzimləmələrində tam həll edilmədiyini vurğulayır.

Onkologiya Təhsili Necə Dəyişməlidir?

Ənənəvi ixtisas təhsili aşağıdakı bacarıqlara intensiv şəkildə sərmayə qoyur:

• Görüntü və patoloji nümunələri tanımaq,
• Təlimatları yadda saxlamaq və tətbiq etmək,
• Klinik tədqiqat nəticələrini müqayisə etmək,
• Standart müalicə alqoritmlərini öyrənmək.

Tədqiqata görə bunlar eyni zamanda süni intellektin ən sürətlə irəlilədiyi sahələrdir.

İnsanların daha uzun müddət əvəzolunmaz qalacağı bacarıqlar isə əksər təhsil proqramlarında sistematik şəkildə öyrədilmir.

Müəllif üç təhsil sahəsini önə çıxarır:

1. Kalibrasiya edilmiş qeyri-müəyyənlik idarəetməsi

Natamam və ya ziddiyyətli sübut şəraitində qərar verə bilmək və qeyri-müəyyənliyi pasiyentə düzgün şəkildə çatdıra bilmək.

2. Metakoqnitiv süni intellekt nəzarəti

Modelin çıxışını sadəcə qəbul etmək əvəzinə:

• Məlumatın pasiyentə uyğun olub-olmadığını,
• Modelin hansı populyasiyada öyrədildiyini,
• Paylanmadan kənar vəziyyətin olub-olmadığını,
• Tövsiyənin hansı natamam məlumata əsaslandığını

sorğulaya bilmək.

3. İnteqrativ klinik narrativ

Parçalanmış laboratoriya, görüntüləmə, müalicə, toksiklik və pasiyent təcrübəsi məlumatlarını mənalı xəstəlik hekayəsində birləşdirə bilmək.

Tədqiqatın Ən Güclü Tezi

Tədqiqata görə onkologiyanın süni intellektə qarşı həqiqi qorunma sahəsi qanunvericilik və ya peşə adı deyil.

Həqiqi insan sahəsi aşağıdakılarda yerləşir:

• Dəyər yüklü qeyri-müəyyənlik,
• Münasibətlərə bağlı məsuliyyət,
• Natamam sübut altında mühakimə,
• Pasiyent üstünlükləri,
• Həyat məqsədləri,
• Mürəkkəb klinik kontekstin inteqrasiyası.

Lakin bu insan sahəsi öz-özünə qorunmayacaq. Təhsil və klinik mədəniyyət daxilində şüurlu şəkildə inkişaf etdirilməlidir.

Tədqiqatın Güclü Tərəfləri

• “Həkim, yoxsa süni intellekt?” ikiliyini vəzifə səviyyəsində parçalayır.
• Avtomatlaşdırma potensialını qiymətləndirilə bilən beş ölçüyə ayırır.
• Fərdi vəzifə ilə bütöv multidissiplinar qərar arasındakı fərqi MAQ ilə görünən edir.
• Klinik qeyri-müəyyənliyi məlumat çatışmazlığı, ehtimal və dəyər ölçülərinə ayırır.
• Radiologiya, patologiya, radiasiya onkologiyası və tibbi onkologiyanı eyni çərçivədə nəzərdən keçirir.
• Elektron sağlamlıq qeydinin keyfiyyətini avtomatlaşdırmanın əsas şərti kimi göstərir.
• Uzun müalicə proseslərində həkim dəyişməsinin məlumat itkisinə təsirini müzakirə edir.
• Süni intellektin sistematik səhv, qərəz və paylanma sürüşməsi risklərini görməzdən gəlmir.
• Onkologiya təhsili üçün yeni bacarıq sahələri təklif edir.

Tədqiqatın Məhdudiyyətləri

1. API, MAQ və UTD doğrulanmış vasitələr deyil

Hər üç vasitə müəllif tərəfindən təklif edilmiş prototip konseptual modellərdir. Klinik müşahidələrlə perspektiv şəkildə doğrulanmamışdır.

2. Ballar ekspert təxminidir

API dəyərləri ilkin məlumat dəstindən hesablanmamışdır. Ədəbiyyata və iş axınının şərhinə əsaslanır.

3. Hədlər empirik olaraq kalibrasiya edilməyib

3,2 və 2,4 hədləri müvəqqəti təsnifat nöqtələridir. Klinik nəticələrlə doğrulanmış sərhədlər deyil.

4. Avtomatlaşdırma faizləri həqiqi iş ölçümü deyil

Radiologiya üçün %65–70, patologiya üçün %70–75 və radiasiya onkologiyası üçün %60–65 nisbətləri zaman-hərəkət analizi ilə ölçülməyib.

5. UTD nisbətləri ilkin pasiyent məlumatına əsaslanmır

Tip I, II və III qeyri-müəyyənlik faizləri müəllifin model təxminləridir.

6. Müqayisə tədqiqatları heterogendir

Fərqli nəticə ölçüləri və pasiyent qrupları səbəbindən tədqiqatlar birbaşa müqayisə edilə bilməz.

7. Nəşr qərəzi ola bilər

Uğurlu süni intellekt nəticələrinin dərc olunma ehtimalı uğursuz nəticələrlə müqayisədə daha yüksək ola bilər.

8. İdeal məlumat infrastrukturu fərz edilmişdir

Həqiqi xəstəxanalarda qeydlər natamam, sərbəst mətn ağırlıqlı və sistemlərarası uyğunsuz ola bilər.

9. Yüksək gəlirli səhiyyə sistemlərinə fokuslanmışdır

Çərçivə əsasən İtaliya və inkişaf etmiş elektron qeyd infrastrukturu kontekstində hazırlanmışdır. Resursları az olan sistemlərə birbaşa ümumiləşdirilə bilməz.

10. İnsan əməyinin fiziki və təşkilati ölçüsü məhdud nəzərdən keçirilmişdir

Tədqiqat koqnitiv vəzifələri təhlil edir. Müayinə, müdaxilə, ağırlaşmaların idarə edilməsi, komanda koordinasiyası və qayğının təşkili kimi koqnitiv olmayan və ya qarışıq vəzifələr eyni detallılıqda qiymətləndirilməyib.

11. Generativ süni intellekt dəstəyindən istifadə olunub

Müəllif ədəbiyyat axtarışı dəstəyi, biblioqrafik doğrulama, struktur layihəsi və ingilis dili redaktəsi üçün Claude istifadə etdiyini açıqlamışdır. Məzmunu nəzərdən keçirib yekun məsuliyyəti üzərinə götürdüyünü bildirmişdir.

Tədqiqat Nə Demir?

Tədqiqat onkoloqların %70-nin işini itirəcəyini demir.

Radiologiyanın və ya patologiyanın qısa müddətdə tam avtonom sistemlərə təhvil verilməsini də təklif etmir.

Yüksək avtomatlaşdırma potensialı vəzifənin texniki xüsusiyyətlərini ifadə edir; işçi qüvvəsi nəticəsini və ya klinik tətbiq qərarını deyil.

Tədqiqat həmçinin süni intellektin dəyər yüklü qərarları heç vaxt dəstəkləyə bilməyəcəyini iddia etmir. Süni intellekt məlumatı təşkil edə və variantları izah edə bilər; lakin pasiyentin dəyərləri adından yekun seçimi müəyyən edə bilməz.

Gələcəkdə Necə Doğrulanmalıdır?

Tədqiqat üç əsas tədqiqat prioriteti təklif edir.

1. UTD-nin real şiş şuralarında ölçülməsi

Müxtəlif xərçəng növlərində qərarların nə qədərinin məlumat çatışmazlığı, ehtimal və ya dəyər əsaslı qeyri-müəyyənlik ehtiva etdiyi perspektiv şəkildə müşahidə edilməlidir.

2. Məlumat infrastrukturunun ölçülməsi

Xəstəxanalarda hansı məlumatların strukturlaşdırılmış, tam və qarşılıqlı işləyə bilən olduğu qiymətləndirilməlidir.

3. Süni intellektin bütün pasiyent yoluna təsirinin sınaqdan keçirilməsi

Yalnız fərdi vəzifənin dəqiqliyi deyil, aşağıdakı nəticələr ölçülməlidir:

• Təhvil-təslim keyfiyyəti,
• Həkimlər arasında qərar ardıcıllığı,
• Toksikliyin erkən aşkarlanması,
• Şiş şurasının qərar müddəti,
• Pasiyent təhlükəsizliyi,
• Həyat keyfiyyəti,
• Klinik nəticələr.

Ümumi Nəticə

Bu preprint tədqiqat onkologiyada süni intellekt avtomatlaşdırmasını peşələr üzrə deyil, vəzifələr üzrə qiymətləndirən konseptual çərçivə təqdim edir.

Automation Potential Index klinik vəzifələri məlumatın kodlaşdırıla bilməsi, protokol müəyyənediciliyi, sübut sıxlığı, çıxışın doğrulana bilməsi və səhvin nəticəsi baxımından ballayır.

Multidisciplinary Automation Quotient müxtəlif disiplinlərin vəzifələrini bütöv multidissiplinar qərar daxilində birləşdirməyi hədəfləyir.

Uncertainty Type Distribution isə klinik qeyri-müəyyənliyi məlumat çatışmazlığı, ehtimallı qeyri-müəyyənlik və dəyər yüklü qeyri-müəyyənlik kimi üç yerə ayırır.

Tədqiqatın nümunələrinə görə görüntü analizi, biomarker ölçümü, klinik tədqiqat uyğunlaşdırması, təlimat əsaslı müalicə seçimi və toksiklik təsnifatı yüksək nəzəri avtomatlaşdırma potensialına malikdir.

Nadir şişlər, ağır yanaşı xəstəliklər, kövrəklik, pasiyent üstünlükləri, proqnoz kommunikasiyası və həyatın sonuna dair qərarlar isə insan mühakiməsinin üstünlük təşkil etdiyi sahələr olaraq qalır.

Süni intellektin onkologiyadakı həqiqi təsiri yalnız alqoritmlərin dəqiqliyindən asılı deyil. Elektron qeydlərin tamlığı, strukturlaşdırılması, qarşılıqlı işləyə bilməsi və klinik konteksti qoruya bilməsi eyni dərəcədə vacibdir.

Tədqiqatın ən mühüm mesajı gələcəyin onkoloqunun bugünkündən daha az lazım olmayacağı, lakin onu lazım edən bacarıqların dəyişəcəyidir.

Protokola bağlı hesablama və nümunə tanıma vəzifələrinin bir hissəsi süni intellektə ötürülərkən onkoloqların əsas rolu süni intellektə nəzarət etmək, çatışmayan məlumatı görmək, parçalanmış məlumatı inteqrasiya etmək, qeyri-müəyyənliyi idarə etmək və pasiyentin dəyərlərini klinik qərara çevirmək ola bilər.

Tədqiqatın Metodu və Tapıntıları

Araşdırma ilkin pasiyent məlumatından istifadə edən eksperimental və ya müşahidə tədqiqatı deyil. Vəzifələrin ayrışdırılması, narrativ ədəbiyyat icmalı və müəllif tərəfindən hazırlanmış konseptual ballama vasitələrinə əsaslanır.

Onkoloji iş axını ESMO, AIOM və NCCN təlimatları, İtaliyadakı regional PDTA sənədləri və multidissiplinar onkoloji iş axınına dair dərc olunmuş ədəbiyyat istifadə edilərək koqnitiv vəzifələrə ayrılmışdır.

Hər vəzifə beş ölçüdə 1–4 arasında ballanmış və orta API dəyəri hesablanmışdır.

Tədqiqatın əsas təxminləri bunlardır:

Molekulyar sürücüsü müəyyən edilmiş ssenarilərdə Tip I və Tip II qeyri-müəyyənliyin cəmi təxminən %70–80 arasındadır. Nadir şiş, kövrək yaşlı pasiyent və palliativ qayğı qərarlarında Tip III dəyər yüklü qeyri-müəyyənlik %50–65-ə çatır.

Tədqiqatdakı bütün ədədi ballar və faizlər müəllif tərəfindən hazırlanmış konseptual təxminlərdir. İlkin klinik məlumatla kalibrasiya edilməyib.

Mənbə və Metod Qeydi

Bu məqalə “A Conceptual Task-Based Framework for Estimating AI Automation Potential in Multidisciplinary Oncology Workflows: Introducing the API, MAQ, and UTD Instruments” başlıqlı tədqiqata əsaslanır.

Sənəddə müəllif məlumatları kor rəyçilik məqsədilə çıxarılmışdır. Mətndə açıq şəkildə “This preprint research paper has not been peer reviewed” ifadəsi yer alır. Tədqiqat SSRN-də preprint kimi təqdim edilmiş və ekspert rəyindən keçməmişdir.

Tədqiqat API, MAQ və UTD adlı üç yeni prototip vasitə təklif edir. Vasitələr perspektiv müşahidə tədqiqatları ilə doğrulanmamışdır. Ölçülər, çəkilər, hədlər və nümunə ballar ekspert rəyinə əsaslanan təxmini dəyərlərdir.

Ədəbiyyat axtarışı süni intellekt ilə klinik baza performansını kəmiyyətcə müqayisə edən ekspert rəyindən keçmiş tədqiqatlara fokuslanmışdır. Lakin müxtəlif vəzifə və ölçülərin heterogenliyi səbəbindən meta-analiz aparılmamışdır.

Tədqiqat hər hansı xarici maliyyələşdirmə və ya maraqlar toqquşması bildirməmişdir.

Müəllif ədəbiyyat axtarışı dəstəyi, biblioqrafik mənbələrin doğrulanması, struktur layihəsinin hazırlanması və ingilis dili redaktəsi üçün Anthropic Claude istifadə etdiyini açıqlamışdır. Sonradan mətni nəzərdən keçirdiyini və məzmunun məsuliyyətini üzərinə götürdüyünü bildirmişdir.

Tədqiqatda bildirilən avtomatlaşdırma nisbətləri real xəstəxana iş yükünün ölçüləri deyil. “Nəzəri avtomatlaşdırma potensialı” uyğun və tam məlumat şəraitində texniki yuxarı həddi ifadə edir.

Bu məzmuna tədqiqatın irəli sürmədiyi iş itkisi nisbətləri, tam avtonom klinik istifadə, sübut edilmiş pasiyent faydası və ya dəqiq gələcək proqnozları əlavə edilməmişdir. API, MAQ və UTD nəticələri klinik tətbiq vasitəsi kimi deyil, doğrulanmağı gözləyən konseptual təxminlər kimi təqdim edilmişdir.