Diskusjon av medisinsk KI er viktig. Forfatterne opplyser godt om regelverket. Jeg mener imidlertid at dagens store språkmodeller har alvorlig mangler som er underkommunisert. KI gir treffsikre diagnoser i viktige spesialiteter som radiologi. Det skyldes at en tekst og en diagnose korresponderer med bildene som omhandler samme problem. Data fra radiologiske elektroniske pasient journaler (EPJ) er godt egnet for trening av nevrale nettverk.
Problemorienterte EPJ er også egne til å trene nevrale nettverk og diagnosene er treffsikre (1). Det skyldes at en diagnose er knyttet til journaltekst som beskriver problemet. Slike EPJ er også en kilde til kunnskap om medisinske problemer (2). I kronologiske EPJ kan hver tekst omhandle mange problemer og være knyttet til mange problemer. Slike journaler er mindre egnet (uegnet?) for å trene nevrale nettverk (3). Diagnostikk med slike nettverk er utilfredsstillende, og nettverkene kan ikke forklare diagnosene.
KI historien er om lag 75 år gammel. Fra starten bygget man diagnostiske systemer på modeller som kan forklare hvordan diagnosene fremkommer. Jeg mener at en generell modell vil danne grunnlag for neste generasjon medisinsk KI (4, 5).
Litteratur: 1. Bassøe C-F. Automated diagnoses from clinical narratives: A medical system based on computerized medical records, natural language processing and neural network technology. Neural Networks 1995; 82: 313-319. doi.org/10.1016/0893-6080(94)00076-X. 2. Rasmussen JE, Bassøe C-F. Semantic analysis of medical records. Methods Inf Med. 1993; 32: 66-72. 3. Bassøe C-F. Automatisk analyse av journaltekst. Tidsskr Nor Laegeforen 1994: 30;114: 1974-6. 4. Bassøe C-F. Combinatorial clinical decision-making. Doktoravhandling. Bergen: Institutt for informasjons- og medievitenskap, University of Bergen, 2007. 5. Bassøe C-F. A universal diagnosis syntax. BMC Med Inform Decis Mak 2023; 23: 143. doi.org/10.1186/s12911-023-02209-0.
Neste generasjon medisinsk KI
Diskusjon av medisinsk KI er viktig. Forfatterne opplyser godt om regelverket. Jeg mener imidlertid at dagens store språkmodeller har alvorlig mangler som er underkommunisert. KI gir treffsikre diagnoser i viktige spesialiteter som radiologi. Det skyldes at en tekst og en diagnose korresponderer med bildene som omhandler samme problem. Data fra radiologiske elektroniske pasient journaler (EPJ) er godt egnet for trening av nevrale nettverk.
Problemorienterte EPJ er også egne til å trene nevrale nettverk og diagnosene er treffsikre (1). Det skyldes at en diagnose er knyttet til journaltekst som beskriver problemet. Slike EPJ er også en kilde til kunnskap om medisinske problemer (2). I kronologiske EPJ kan hver tekst omhandle mange problemer og være knyttet til mange problemer. Slike journaler er mindre egnet (uegnet?) for å trene nevrale nettverk (3). Diagnostikk med slike nettverk er utilfredsstillende, og nettverkene kan ikke forklare diagnosene.
KI historien er om lag 75 år gammel. Fra starten bygget man diagnostiske systemer på modeller som kan forklare hvordan diagnosene fremkommer. Jeg mener at en generell modell vil danne grunnlag for neste generasjon medisinsk KI (4, 5).
Litteratur:
1. Bassøe C-F. Automated diagnoses from clinical narratives: A medical system based on computerized medical records, natural language processing and neural network technology. Neural Networks 1995; 82: 313-319. doi.org/10.1016/0893-6080(94)00076-X.
2. Rasmussen JE, Bassøe C-F. Semantic analysis of medical records. Methods Inf Med. 1993; 32: 66-72.
3. Bassøe C-F. Automatisk analyse av journaltekst. Tidsskr Nor Laegeforen 1994: 30;114: 1974-6.
4. Bassøe C-F. Combinatorial clinical decision-making. Doktoravhandling. Bergen: Institutt for informasjons- og medievitenskap, University of Bergen, 2007.
5. Bassøe C-F. A universal diagnosis syntax. BMC Med Inform Decis Mak 2023; 23: 143. doi.org/10.1186/s12911-023-02209-0.