2026ko irailak 04
Bilbao
Osasun arloan gero eta konplexuagoak eta zehatzagoak diren algoritmoak eta ikaskuntza automatikorako tresnak (machine learning) erabiltzeak zailagoa egiten du medikuek eta psikologoek iragarpen edo diagnostiko baten atzean dagoen arrazoibidea ulertzea eta horretaz fidatzea. ‘Kutxa beltza’ izenez ezagutzen den opakutasun hesi hori gainditzeko, Amaia Pikatza Huergak Deustuko Unibertsitatean defendatu duen ‘Human-Centred Machine Learning for Health and Cognitive Modelling' tesiak ‘AA esplikagarria’ aplikatzea proposatzen du.
Metodologia horrek eredu aurreratuen zehaztasun analitikoa eta medikuntzako eta psikologiako profesionalek erabakiak hartzeko garaian algoritmoaren arrazoibidea itsu-itsuan baliozkotu behar ez izateko behar den interpretagarritasuna bateratzen ditu. Tesiaren egileak algoritmo garden eta multimodalak proposatzen ditu, medikuntzaren, psikologiaren eta ebaluazio kognitiboaren arloan hartzen diren erabakiak justifikatzeko gai direnak.
Hala, Adimen Artifizialaren ‘kutxa beltza irekitzean', osasun arloan lan egiten dutenek ulertzen dute ereduak zergatik iragartzen duen paziente bat berriz ospitaleratzea edo gaixotzea, Adimen Artifiziala lankidetza tresna erreal eta fidagarri bihurtuz.
Metodologia horrek bizitza errealean funtzionatzen duela frogatzeko, tesiaren egileak medikuntzaren eta psikologiaren lau arlotan jarri du proban. Bihotz-gutxiegitasunaren arloan, Pikatzak garatutako eredu algoritmiko konplexuak gai izan ziren aurreikusteko zein paziente zehatz ospitaleratuko ziren alta jaso eta 30 egunera, teknika estatistiko tradizionalek baino % 30 zehaztasun handiagoarekin. Datu prediktiboaz gain, eta AA esplikagarria erabiltzeari esker, ikertzaileak pronostiko bakoitzaren atzean arrazoi espezifikoak eman zizkien medikuei, hainbat faktore kontuan hartuta, hala nola hauskortasuna, antsietate-mailak edo pazientearen historia klinikoa.
Paziente pluripatologikoen arloan, hau da, gaixotasun kroniko ugari dituzten pertsonen arloan, tesiaren egileak frogatu zuen osasunaren determinatzaile sozialak txertatzeak aukera ematen duela hobeto aurreikusteko zein paziente ospitaleratuko diren berriz ere alta hartu eta 30 egunen barruan. AA esplikagarriari esker, pronostikoaren zehaztasuna hobetzeaz gain, medikuek azalpena jaso zuten, pazienteek hautemandako ingurune soziala eta ongizatea faktore erabakigarriak direla berriro gaixotzean.
Elikadura jokabidearen nahasmenduen arloan, ikertzaileak bere algoritmoak aplikatu zituen urtebetera gaixotasuna izateko arriskua eta paziente bakoitzaren errekuperazio probabilitateak aurreikusteko eta, AA esplikagarria erabiliz, espezialistei frogatu ahal izan zien faktore psikologikoek duten pisu erabakigarria, hala nola erresilientziak eta tratamenduaren bilakaeran hautemandako bizi kalitateak, jarraipen klinikoa gidatzeko pronostiko pertsonalizatua eskaintzeko.
Tesi honetan aztertutako laugarren arloa giza sormenarena da. Amaia Pikatzak ereduak aplikatu dizkio pentsamendu dibergentearen dimentsioak modu automatizatu eta objektiboan ebaluatzeko, hala nola originaltasuna, malgutasuna eta lanketa, pertsonek sortutako marrazki eta testuetatik abiatuta. Kasu honetan, AA esplikagarriak erakutsi zuen eraginkorra dela informazio bisuala eta testuala bateratzea.
Gardentasuna eta zorroztasun etikoa
Ikerketak erakusten du algoritmoen errendimendu teknikoa eta interpretagarritasuna ez direla helburu kontrajarriak. Azalpena algoritmoaren barruan integratzean, iragarpen bakoitzaren atzean dagoenaren arakatze gardena eskaintzen zaie espezialistei.
Ikuspegi horrek Europak AA tresna seguruak, etikoak eta gizakiaren beharretan oinarritutakoak garatzeko duen eskaera gero eta handiagoari erantzuten dio. Osasuneko eta psikologiako profesionalek irizpide algoritmikoa datu kliniko eta kognitibo errealekin egiaztatzeko aukera ematen duenez, tesiak oinarriak ezartzen ditu etorkizunean sistema asistentzialak ezartzeko, adituen iritzia ordezkatu gabe erabakiak hartzea sendotzeko.
