Îmbunătățirea accesului la medicină prin învățarea automată în spitale defavorizate
Gestionarea unei rețele de aprovizionare medicală în țările cu venituri mici și medii poate implica navigarea printr-un peisaj predispus la perturbări extreme și neașteptate.
În Sierra Leone, de exemplu, forțele externe, cum ar fi o tentativă de lovitură de stat militară, o epidemie infecțioasă și o întrerupere generalizată a curentului electric, pot complica logistica sănătății publice.
Consecințele sunt severe. Deși există o inițiativă națională dedicată furnizării de îngrijire medicală gratuită și de provizii esențiale pentru femeile gravide și copiii sub cinci ani, Sierra Leone se confruntă cu una dintre cele mai ridicate rate ale mortalității materne din lume, cu 717 decese la 100.000 de nașteri vii, explică Hamsa Bastani, cercetător în operațiuni și statistician la Wharton School.
Un factor major nu este întotdeauna lipsa medicamentelor, ci eșecul de a aduce proviziile corecte la locul potrivit și la momentul potrivit, afirmă Bastani. Unele clinici ajung să aibă stocuri excedentare, în timp ce altele rămân fără.
Pentru a aborda această nepotrivire, Bastani, informaticianul Osbert Bastani și doctoranda Angel Tsai-Hsuan Chung au colaborat cu guvernul din Sierra Leone pentru a construi un sistem de suport decizional de cost redus, care folosește învățarea automată pentru a prezice cererea și a optimiza modul în care sunt alocate medicamentele.
În urma unei desfășurări pilot în cinci districte, cercetătorii au constatat o creștere de 19% a consumului de produse medicale alocate în zonele tratate, un indicator al accesului îmbunătățit. Rezultatele lor sunt publicate în Nature.
Instrumentul prezice de câte produse va avea nevoie fiecare unitate medicală în parte și calculează cea mai eficientă modalitate de a distribui stocul național limitat, explică Tsai-Hsuan Chung. Este „conceput pentru un mediu în care datele sunt sparse, zgomotoase și adesea incomplete.”
Noua sistematizare abordează, de asemenea, inechitățile anterioare; unitățile care deservesc populații mai sărace și mai îndepărtate, care experimentau frecvent lipsuri cronice, au înregistrat o creștere de 32% a consumului de medicamente cu ajutorul noului instrument.
Pe baza acestor rezultate, guvernul a extins sistemul la nivel național. Astăzi, acesta sprijină deciziile de alocare pentru peste 70 de produse esențiale, inclusiv medicamente pentru hemoragiile postpartum și tratamentul crizelor de eclampsie, alături de alte esențiale precum vaccinuri antitetanice, mănuși și medicamente antimalarice, ajungând la aproximativ două milioane de femei și copii sub cinci ani. Sistemul funcționează cu doar 30 de dolari pe lună în costuri de server și nu necesită forță de muncă suplimentară.
Cercetarea pe teren duce la rezultate concrete.
Pentru a construi un instrument capabil să gestioneze ecosistemul logistic variat din Sierra Leone, cercetătorii știau că nu se pot baza doar pe fluxuri de date de la distanță sau pe apeluri pe Zoom, așa că Tsai-Hsuan Chung a călătorit în capitala Freetown.
Oficialii locali erau îngrijorați că un instrument AI provenit din străinătate ar putea să le înlocuiască locurile de muncă sau să-i facă responsabili dacă ceva merge prost.
Pentru a obține sprijin local și a câștiga încredere, ea a petrecut săptămâni desfășurând sesiuni de instruire personalizate, asigurând o compensație corectă pentru timpul lor. A condus proiectarea unei aplicații web care imita strâns fluxurile de lucru existente ale agenției, reducând dificultățile de a forța lucrătorii să învețe un sistem software complex și străin.
„Crucial,” adaugă Hamsa Bastani, „sistemul funcționează în principal ca un instrument de ‘suport decizional’, în care oficialii locali păstrează întotdeauna ultimul cuvânt și pot ignora recomandările.”
Sub capota sistemului lor AI.
Clinicile subdimensionate și subfinanțate sunt cele mai puțin capabile să raporteze constant date, ceea ce duce la lacune de date concentrate în zonele unde nevoile sunt cele mai mari. Acest lucru duce la o distorsionare subtilă: dacă un model învață doar din cele mai curate date, va favoriza clinicile documentate cel mai bine – cele care sunt deja mai bine deservite – în timp ce va trece cu vederea acele locuri unde înregistrările sunt subțiri, dar nevoia este acută.
Echipa ocolește această prejudecată folosind învățarea multitasking, care permite modelului să împrumute modele comune, cum ar fi cererea sezonieră, din locuri cu date mai bogate și să le aplice acolo unde înregistrările sunt sparse.
Aceasta a fost combinată cu un „backstop” construit din informații externe, inclusiv datele din recensăminte și imaginile Google Earth ale vegetației din jurul clinicilor, care indică activitatea umană. Această abordare a ajutat la definirea zonelor de deservire pe baza timpului de călătorie între acele zone și unități. Când aceste date au fost combinate cu datele din recensăminte despre proporția de femei și copii care trăiesc în zone, algoritmul a putut să deducă o estimare de bază pentru cantitatea de medicamente de care clinicile aveau nevoie, bazată doar pe demografia locală.
Aceste estimări nu surprind fiecare fluctuație locală, dar sunt capabile să ofere o bază stabilă legată de populație și geografie.
Pe viitor, cu proprietatea instrumentului de alocare acum complet transferată guvernului din Sierra Leone, echipa de cercetare își îndreaptă atenția către alte regiuni. Tsai-Hsuan Chung lucrează în prezent la un alt proiect cu oficiali din Somaliland, colaborând cu parteneri din Taiwan pentru a adapta abordări similare bazate pe date la alte sisteme de sănătate regionale.
În cele din urmă, echipa speră ca munca lor să servească drept un plan de bază pentru viitor, demonstrând că învățarea automată poate îmbunătăți semnificativ livrarea îngrijirii medicale în medii cu resurse limitate, la un cost redus.
