Mitmel pool maailmas seisid tervishoiusüsteemid juba enne Covid-19 pandeemia algust silmitsi kasvavate kulude, suureneva patsientide arvu ja kahaneva rahastusega.

Ühe lahendusena on välja pakutud tehisintellekti, eriti masinõppimise ehk andmete põhjal mingisuguse ülesande lahendamises oma tulemust parandavate algoritmide, senisest laialdasemat kasutuselevõtmist. Sellega võivad kaasneda aga uued moraalsed ja poliitilised väljakutsed.

"Ühel 2035. aasta varajasel talvehommikul märkan ärgates, et mu kurk on külma saanud. Tõusen üles ja jalutan vannituppa. Hammaste pesemise ajal mõõdab vannitoa peeglisse paigutatud infrapunasensor mu kehatemperatuuri. Minut peale hammaste pesemist saan oma personaalseks assistendiks olevalt tehisintellektilt teavituse, et mul on kerge palavik ja mu süljeproovis on ebatavalised näitajad. Edasi soovitab assistent mul sõrmeotsast vereproov anda. Kohvi valmimise ajal on assistent vereanalüüsiga ühele poole jõudnud ning teavitab, et ma hakkan haigestuma ühte kahest praegusel hooajal levivast gripiviirusest. Ta pakub mulle kahte videokõneaega, kui ma peaksin soovima oma perearstiga konsulteerida. Kõne tegemise ajaks on perearstile edastatud kõik minu sümptomeid puudutavad andmed. Arst kirjutab mulle välja ninatilgad ja paratsetamooli, mis toimetatakse kohale drooni abil."

See nägemus on osaliselt inspireeritud sellistest tehisintellekti rakendustest nagu eelmise aasta detsembris Wuhanis uue koroonaviiruse tuvastanud algoritm, tomograafia põhjal 20 sekundi jooksul 96-protsendilise täpsusega võimalikke nakkusjuhtumeid diagnoosiv algoritm ja Hubei ning Guangdongi provintsides ravimeid ja toitu kohale toimetavad kullerrobotid.

Siiani on erinevaid masinõppe tehnoloogiaid kasutatud näiteks rinnavähi diagnoosimises, geenide liigitamiseks, diabeedi diagnoosimiseks ja vähihaigete haigusloo prognoosimiseks. Uuringud on näidanud, et masinõppimise rakendused on inimestest edukamad tervislike riskifaktorite hindamisel, haigestumise ja nakkuste ennustamisel, rahvatervise seiramisel ja ellujäämistõenäosuste hindamisel.

Kõik see annab alust uskumuseks, et masinõppimise senisest laialdasem rakendamine muudaks meditsiini täpsemaks ja objektiivsemaks. Siiski on kriitikud hoiatanud, et nende muljetavaldavate edusammude põhjal ei saa veel kaugeleulatuvaid järeldusi teha.

Mitmed uurimused ei ole üldistatavad, sest põhinevad väikestel valimitel. Samuti ei ole osad tulemused reprodutseeritavad, sest varasemates uurimustes testitud rakendused ei anna muutunud tingimustes samasuguseid tulemusi.

Tehisintellekti laialdane kasutuselevõtmine meditsiinis võib endaga kaasa tuua vähemalt kolme tüüpi moraalseid riske. Esiteks on teadmistega seotud riskid. Algoritmide poolt pandud diagnoosid põhinevad korrelatsioonidel, mis on tõenäosuslikud ja võivad kas tehnilistel või valimist tulenevatel põhjustel ekslikuks osutuda.

Näiteks võib nutikella EKG-sensor tuvastada, et omanikul on arütmia, kuigi tegelikult võib järeldus põhineda ebatäpsetel andmetel, sest omaniku tume nahk ei võimalda heledanahalisematega võrdväärselt täpseid mõõtmisi.

Arstidel ja kasutajatel puudub mõnikord ülevaade andmetest, mille abil masinõppimise algoritme treeniti. Algoritmide neutraalsus sõltub nende treenimiseks kasutatud andmetest, mistõttu suureneb võimalus, et diagnoos võib põhineda konkreetse juhtumi suhtes ebasobivatel andmetel.

Näiteks Hiinas on IBM Watsoni kopsuvähi diagnooside täpsus madalam kui läänemaailmas, sest selle treenimiseks on kasutatud valdavalt sealsete patsientide andmeid. Teiseks on normatiivsed riskid.

Masinaõppe algoritmide kasutamine võib erinevate patsientide jaoks kaasa tuua ebaõiglasi tagajärgi, sest nad liigitatakse keskmisest halvema tervisekäitumisega gruppi, mistõttu peetakse neid (võib-olla põhjendamatult) oma haiguse eest vastutavaks.

Kuna andmekaeve ja masinaõpe eeldavad suurte andmemahtude töötlemist, siis soosib nende kasutamine elanikkonna privaatsete andmete kogumist, mis omakorda võib kaasa tuua senisest sagedasemaid privaatsuse riiveid ning kahandada nii patsientide kui ka arstide rolli ravi puudutavate otsuste langetamisel.

Kolmandaks riskiks on tõsiasi, et tarkvara poolt tehtud ja kahjulike tagajärgedeni viinud diagnoosi puhul on keeruline kellelegi vastutust omistada, sest viga võib olla tarkvaras, selle loojates, andmetes või milleski muus.

Kuigi eespool öeldu võib heita varju alguses kirjeldatud nägemusele kõrgtehnoloogilisest ja personaalsest meditsiinist, siis ei järeldu sellest, et tehisintellekti meditsiiniline kasutamine on iseenesest halb.

Keelamise asemel tuleks leida viise, kuidas seda tehnoloogiat rakendada selliselt, et soosida häid tagajärgi ja vältida halbu. Ühe lahendusena on välja pakutud idee, et tehisintellekti rakendused peaks võimaldama patsientidel senisest rohkem enda tervist puudutavates otsustes ja nende aluseks olevate teadmiste loomises informeeritult kaasa rääkida.

Üheks näiteks võiks olla Kolumbia ülikooli projekt Citizen Endo, mille raames loodud rakenduse abil kogutakse patsientide endi täheldatud sümptomeid, et täiendada nii arstide, teadlaste kui ka patsientide teadmisi endometrioosist.

Moraal ja seadusandlus liiguvad üldiselt tehnoloogilistest muutustest aeglasemalt. Käesolev pandeemia võib tehisintellekti meditsiiniliste rakenduste kasutuselevõttu veelgi kiirendada. See tähendaks, et nende muutustega kaasneda võivate moraalsete probleemide kasvõi osaliseks ennetamiseks võib jääda tavapärasest veelgi vähem aega.

Kõiki Vikerraadio päevakommentaare on võimalik kuulata Vikerraadio päevakommentaaride lehelt.

ERR.ee võtab arvamusartikleid ja lugejakirju vastu aadressil arvamus@err.ee. Õigus otsustada artikli või lugejakirja avaldamise üle on toimetusel. Artikli kommentaariumist eemaldatakse autori isikut ründavad ja/või teemavälised, ropud, libainfot sisaldavad jmt kommentaarid.