Του Τάκη Μαραλέτου
Με αφορμή τις πρόσφατες επισημάνσεις του Ηλία Μόσιαλου στο πρόσφατο συνέδριο του Ελληνοαμερικανικού Επιμελητηρίου 25o Health World, ένα βαθύτερο ερώτημα έρχεται στο προσκήνιο. Μήπως η επόμενη μεγάλη ανισότητα στα συστήματα υγείας δεν θα αφορά το ποιος γνωρίζει περισσότερα, αλλά το ποιος έχει πρόσβαση στους ισχυρότερους αλγορίθμους – και κυρίως ποιος τους ελέγχει;
Για περισσότερο από μισό αιώνα, ένα μεγάλο μέρος της οικονομικής θεωρίας της Υγείας στηρίχθηκε σε μια σχετικά απλή πραγματικότητα, ο γιατρός γνώριζε πολύ περισσότερα από τον ασθενή.
Η ανισορροπία αυτή δεν ήταν παρενέργεια του συστήματος. Ήταν ένα από τα βασικά χαρακτηριστικά του. Ο ασθενής δεν μπορούσε να γνωρίζει εάν χρειάζεται μια συγκεκριμένη εξέταση, ποιο φάρμακο είναι καταλληλότερο ή εάν μια χειρουργική επέμβαση αποτελεί πράγματι την καλύτερη επιλογή. Έπρεπε να εμπιστευτεί εκείνον που διέθετε τη γνώση.
Το 1963 ο Kenneth Arrow οικοδόμησε πάνω στην αβεβαιότητα και στις ιδιαιτερότητες της ιατρικής αγοράς ένα από τα θεμελιώδη κείμενα των οικονομικών της Υγείας. Λίγα χρόνια αργότερα, ο Robert Evans προχώρησε ακόμη περισσότερο δηλώνοντας ότι ο γιατρός δεν είναι απλώς αυτός που παρέχει την υπηρεσία, αλλά και εκείνος που επηρεάζει τη ζήτηση για αυτήν. Ο άνθρωπος που σου λέει τι χρειάζεσαι είναι συχνά και αυτός που θα σου το προσφέρει.
Πάνω σε αυτή την ιδιόμορφη σχέση οικοδομήθηκαν ρυθμιστικοί μηχανισμοί, ασφαλιστικά συστήματα, κατευθυντήριες οδηγίες, μηχανισμοί αποζημίωσης και ένα μεγάλο μέρος της σύγχρονης πολιτικής Υγείας.
Τώρα όμως στο δωμάτιο μπήκε ένας τρίτος παίκτης.
Ο αλγόριθμος.
Και θα αλλάξει πολύ περισσότερα από όσα υποδηλώνει η σημερινή συζήτηση για το εάν «η Τεχνητή Νοημοσύνη θα αντικαταστήσει τους γιατρούς».
Από την ασυμμετρία πληροφόρησης στην ασυμμετρία αλγορίθμων
Στη πρόσφατη ομιλία του, ο καθηγητής Ηλίας Μόσιαλος στάθηκε ακριβώς σε αυτή τη μεταβολή. Περιέγραψε έναν κόσμο όπου δεν υπάρχει πλέον μόνο ο γιατρός που γνωρίζει και ο ασθενής που ρωτά.
Μπορεί πλέον να υπάρχει γιατρός χωρίς AI και ασθενής με AI. Γιατρός με προηγμένο κλινικό σύστημα και ασθενής με ένα απλό εμπορικό chatbot. Γιατρός και ασθενής που χρησιμοποιούν το ίδιο μοντέλο, αλλά κάνουν ελαφρώς διαφορετικές ερωτήσεις και λαμβάνουν διαφορετικές απαντήσεις. Ή δύο διαφορετικά συστήματα, εκπαιδευμένα σε διαφορετικά δεδομένα και με διαφορετικούς κανόνες.
Αυτή η πραγματικότητα δεν δημιουργεί απαραίτητα περισσότερη ισότητα.
Αντίθετα δημιουργεί μια διαφορετική μορφή ανισότητας.
Η παλιά ασυμμετρία ήταν σχετικά εύκολο να εντοπιστεί. Ο γιατρός γνώριζε περισσότερα χρόνια ιατρικής, είχε εμπειρία, πρόσβαση στη βιβλιογραφία και μπορούσε να ερμηνεύσει τα δεδομένα.
Η νέα είναι πολύ λιγότερο ορατή.
Ποιος έχει το καλύτερο μοντέλο;
Ποιος έχει πρόσβαση στα πληρέστερα δεδομένα;
Ποια έκδοση χρησιμοποιεί το νοσοκομείο και ποια ο ασφαλιστικός οργανισμός;
Ποιος καθόρισε τις προτεραιότητές του;
Σε ποιους πληθυσμούς εκπαιδεύτηκε;
Ποιος αποφάσισε πότε ο αλγόριθμος πρέπει να προτείνει περισσότερες εξετάσεις – και πότε λιγότερες;
Και, τελικά, ποιος μπορεί να δει μέσα στο σύστημα και να καταλάβει γιατί έδωσε τη συγκεκριμένη απάντηση;
Αυτό μπορεί να αποδειχθεί πολύ σημαντικότερο από το κλασικό ερώτημα για την αντικατάσταση των γιατρών.
Δεν υπάρχει «ένας» ουδέτερος αλγόριθμος
Συχνά μιλάμε για την AI σαν να πρόκειται για μία ενιαία, αντικειμενική μηχανή γνώσης.Δεν είναι αυτή η πραγματικότητα.Ένα σύστημα μπορεί να έχει σχεδιαστεί για να εντοπίζει όσο το δυνατόν περισσότερους ασθενείς υψηλού κινδύνου. Ένα άλλο για να περιορίζει τις μη αναγκαίες εξετάσεις. Ένα τρίτο για να αυξάνει την αποτελεσματικότητα ενός νοσοκομείου. Ένα τέταρτο για να μειώνει το κόστος ενός πληρωτή.
Όλοι αυτοί οι στόχοι μπορεί να είναι θεμιτοί. Αλλά δεν είναι ίδιοι.
Ας σκεφτούμε μια απλή περίπτωση.
Ένας ασθενής εμφανίζει συμπτώματα για τα οποία η πιθανότητα σοβαρής νόσου είναι μικρή, αλλά όχι μηδενική.
Ο γιατρός μπορεί να επιλέξει την εξέταση από υπερβολική προσοχή.
Το νοσοκομείο μπορεί να επιθυμεί να μειώσει τη χρήση ακριβών εξετάσεων.
Ο ασφαλιστικός οργανισμός μπορεί να έχει έναν αλγόριθμο που έχει βελτιστοποιηθεί ώστε να αποφεύγει χαμηλής αξίας παρεμβάσεις.
Ο ασθενής, έχοντας ρωτήσει ένα γενικό μοντέλο AI, μπορεί να φτάσει στο ιατρείο θεωρώντας ότι πρέπει οπωσδήποτε να εξεταστεί.
Τέσσερις παράγοντες.
Τέσσερα συστήματα πληροφόρησης.
Τέσσερα διαφορετικά κίνητρα. Τέσσερεις διαφορετικές προσεγγίσεις!
Ποιο από όλα είναι το «AI της Υγείας»;
Κανένα και όλα ταυτοχρόνως.
Το μεγάλο άλμα δεν θα είναι το chatbot. Θα είναι ο agent που θα προκύψει
Μέχρι σήμερα οι περισσότεροι άνθρωποι αντιλαμβάνονται την Τεχνητή Νοημοσύνη ως ένα σύστημα στο οποίο κάνουν μια ερώτηση και παίρνουν μια απάντηση.
Αυτό ήδη αλλάζει ραγδαία.
Η επόμενη γενιά είναι τα agentic συστήματα. Δηλαδή AI που δεν περιμένει απλώς την ερώτηση, αλλά αναλαμβάνει μια ακολουθία ενεργειών για να πετύχει έναν στόχο.
Στην Υγεία αυτό θα μπορούσε να σημαίνει ότι ένα σύστημα διαβάζει τον ηλεκτρονικό φάκελο, εντοπίζει ότι λείπει κάποια εξέταση, ελέγχει εάν ακολουθείται η κατάλληλη αγωγή, προτείνει το επόμενο βήμα, οργανώνει follow-up και παρακολουθεί εάν ο ασθενής ανταποκρίθηκε.
Ο Μόσιαλος περιγράφει ακριβώς αυτή τη μετάβαση, από την AI που αναγνωρίζει πρότυπα και συνοψίζει δεδομένα στην AI που θα μπορεί να εκτελεί ολόκληρες διαδικασίες μέσα στο σύστημα υγείας.
Και αλλάζει τη φύση όλου του προβλήματος.
Όσο η AI απλώς συμβουλεύει, ο άνθρωπος παραμένει καθαρά το σημείο της απόφασης.
Όταν αρχίζει να ενεργεί, έστω και μέσα σε προκαθορισμένα όρια, πρέπει να ξέρουμε ποιος έθεσε αυτά τα όρια.
Και κυρίως ποιος είναι υπεύθυνος όταν η αλυσίδα αποφάσεων αποτύχει.
Αν ένας agent δεν προγραμματίσει μια εξέταση επειδή εκτίμησε ότι δεν χρειάζεται, ποιος πήρε την απόφαση;
Ο γιατρός που επέτρεψε τη χρήση του; Το νοσοκομείο που το αγόρασε; Η εταιρεία που το κατασκεύασε; Το υποστηρικτικό μοντέλο πάνω στο οποίο βασίστηκε; Ο οργανισμός που όρισε το κλινικό πρωτόκολλο;
Τα συστήματα υγείας δεν έχουν ακόμη απαντήσει πλήρως σε αυτές τις ερωτήσεις και από αυτά που μπορούμε να δούμε δεν περιμένουμε γρήγορα απαντήσεις.
Η τεχνολογία, όμως, δεν περιμένει.
Η AI στην ανακάλυψη φαρμάκων, ανάμεσα στην πραγματική πρόοδο και στην υπερβολή
Ένα άλλο σημείο της ομιλίας του Μόσιαλου αξίζει να εξεταστεί προσεκτικά.
Η φαρμακοβιομηχανία έχει επενδύσει τεράστιες προσδοκίες στην AI. Ο στόχος είναι προφανής, η ανάπτυξη ενός νέου φαρμάκου απαιτεί χρόνια, τεράστια κεφάλαια και έχει εξαιρετικά υψηλά ποσοστά αποτυχίας.
Αν ένας αλγόριθμος μπορεί να μειώσει έστω και λίγο τον χρόνο ή να βελτιώσει την επιλογή στόχων και μορίων, η οικονομική αξία είναι τεράστια.
Το πρόβλημα είναι ότι μέχρι σήμερα οι υποσχέσεις «τρέχουν» ταχύτερα από τα κλινικά αποτελέσματα.
Τον Αύγουστο του 2026, μια ιδιαίτερα σημαντική ανάλυση στο Nature Reviews Drug Discovery εξέτασε ουσιαστικά μία δεκαετία AI-driven ανακάλυψη φαρμάκων. Το συμπέρασμα ήταν επιεικώς πολύ πιο συγκρατημένο από το αφήγημα της αγοράς. Παρά την εντυπωσιακή πρόοδο στα μοντέλα και στα benchmarks, η τεκμηρίωση ότι η AI έχει ήδη οδηγήσει σε μεγάλη κλινικά σημαντική βελτίωση στην παραγωγή ασφαλέστερων και αποτελεσματικότερων φαρμάκων παραμένει περιορισμένη. Οι συγγραφείς μιλούν μάλιστα για τον κίνδυνο του technology push – να έχουμε δηλαδή πρώτα την τεχνολογία και μετά να ψάχνουμε το πρόβλημα στο οποίο θα τη χρησιμοποιήσουμε – αντί για science pull, όπου ένα πραγματικό επιστημονικό ή κλινικό ερώτημα καθορίζει ποια τεχνολογία χρειαζόμαστε.
Σε αυτό το σημείο, η κριτική που διατυπώνει ο Μόσιαλος στην ομιλία του βρίσκεται πολύ κοντά στην πιο πρόσφατη επιστημονική αποτίμηση.
Αυτό όμως δεν σημαίνει ότι η AI αποτυγχάνει στην ανακάλυψη φαρμάκων.
Σημαίνει ότι πρέπει να ξεχωρίζουμε την ταχύτητα της τεχνολογικής προόδου από την ταχύτητα παραγωγής κλινικής απόδειξης.
Υπάρχουν ήδη παραδείγματα AI-assisted target identification που έχουν φτάσει μέχρι την κλινική ανάπτυξη, ενώ η AI χρησιμοποιείται ολοένα περισσότερο για τη σύνδεση βιολογικών δεδομένων, την επιλογή στόχων και τον σχεδιασμό μορίων.
Η ετυμηγορία, όμως, παραμένει εκτός περιθωρίου της μεγάλης υπόσχεσης που δίνεται.
Εάν δηλαδή θα αλλάξει θεμελιωδώς την παραγωγικότητα της φαρμακευτικής έρευνας.
Μπορεί όμως η AI να δημιουργήσει νέα γνώση;
Εδώ τα πράγματα γίνονται ακόμη πιο ενδιαφέροντα, γιατί η εξέλιξη φαίνεται ήδη να προχωρά λίγο ταχύτερα από ορισμένες διατυπώσεις της ίδιας της ομιλίας.
Ο Μόσιαλος επισημαίνει ότι τα σημερινά συστήματα βασίζονται κυρίως στη σάρωση και σύνθεση όσων ήδη γνωρίζουμε και δεν δημιουργούν πραγματικά νέα επιστημονική γνώση.
Για τα περισσότερα γενικά γλωσσικά μοντέλα, αυτή παραμένει μια χρήσιμη προειδοποίηση.
Όμως το όριο έχει αρχίσει να θολώνει.
Το 2026 δημοσιεύθηκε στο Nature το Robin, ένα multi-agent σύστημα σχεδιασμένο να συμμετέχει σε ολόκληρο τον κύκλο της επιστημονικής ανακάλυψης, αναζήτηση βιβλιογραφίας, δημιουργία υπόθεσης, πρόταση πειράματος, ανάλυση αποτελεσμάτων και αναθεώρηση της αρχικής υπόθεσης. Χρησιμοποιώντας αυτό το σύστημα, οι ερευνητές εντόπισαν υποσχόμενους θεραπευτικούς υποψηφίους για ξηρού τύπου ηλικιακή εκφύλιση της ωχράς κηλίδας.
Σίγουρα αυτό δε σημαίνει ότι αποκτήσαμε έναν αυτόνομο «επιστήμονα».
Η διάκριση όμως παρ’ όλα αυτά είναι σημαντική.
Η AI αρχίζει να είναι ικανή να παράγει νέες, ελέγξιμες υποθέσεις.Στο σημείο που βρισκόμαστε σήμερα η σωστότερη γραμμή μεταξύ υπερβολικού ενθουσιασμού και υπερβολικού σκεπτικισμού είναι ότι, η AI μπορεί να προτείνει κάτι που δεν είχε προηγουμένως προταθεί, αλλά ο πραγματικός κόσμος εξακολουθεί να έχει τον τελευταίο λόγο.
Χωρίς πείραμα, χωρίς κλινική επικύρωση, χωρίς αναπαραγωγή, μια εντυπωσιακή υπόθεση παραμένει απλώς υπόθεση.
Η μεγάλη αδυναμία είναι ότι η AI μπορεί να κάνει λάθος χωρίς να φαίνεται ότι κάνει λάθος
Υπάρχει όμως μία ιδιότητα των σημερινών συστημάτων που αποκτά εντελώς διαφορετική βαρύτητα όταν περνάμε από μια μηχανή αναζήτησης σε ένα σύστημα που επηρεάζει αποφάσεις Υγείας.
Μπορούν να κάνουν λάθος με εξαιρετικά πειστικό τρόπο. Δεν είναι ένα σφάλμα που εμφανίζεται ως «error 404».
Μπορεί να είναι μια άψογα διατυπωμένη ιατρική εξήγηση, μια υποτιθέμενη κατευθυντήρια οδηγία, μια βιβλιογραφική παραπομπή ή μια θεραπευτική σύσταση που φαίνεται απολύτως λογική.
Όπως καταλαβαίνει εύκολα κανείς αυτό είναι πολύ πιο επικίνδυνο.
Σε πρόσφατη μελέτη με τη συμμετοχή του ίδιου του Μόσιαλου εξετάστηκαν περισσότερες από 12.000 απαντήσεις των GPT-4.1 και DeepSeek-V3 σε κλινικά σενάρια. Οι ερευνητές εντόπισαν τρία διαφορετικά προβλήματα, παραλείψεις πραγματικών κατευθυντήριων οδηγιών, επινοημένες οδηγίες και μεγάλες ασυνέπειες ανάμεσα σε διαφορετικές περιπτώσεις. Τα λεγόμενα «hallucinations», δηλαδή περιπτώσεις όπου η AI επινοεί πληροφορίες που παρουσιάζονται ως πραγματικές έφτασαν έως περίπου το 9%, ενώ οι παραλείψεις σε ορισμένα σενάρια ήταν πολύ συχνότερες.
Το ενδιαφέρον εδώ δεν είναι μόνο ότι το μοντέλο κάνει λάθη. Οι άνθρωποι κάνουν επίσης λάθη.
Το πρόβλημα είναι ότι τα AI systems δημιουργούν ένα νέο είδος «automation bias» της τάσης δηλαδή να εμπιστευόμαστε περισσότερο μια απάντηση επειδή προέρχεται από ένα αυτοματοποιημένο σύστημα. Επειδή η απάντηση είναι γρήγορη, δομημένη, αναλυτική και φαίνεται βέβαιη, υπάρχει ο κίνδυνος να της αποδώσουμε μεγαλύτερη αξιοπιστία από όση πραγματικά έχει.
Στην Ιατρική, η αυτοπεποίθηση της διατύπωσης δεν αποτελεί απόδειξη.
Και σίγουρα αυτό πρέπει να γίνει ένα από τα βασικά μαθήματα επιμόρφωσης AI για τους επαγγελματίες υγείας.
Η μάχη για την Υγεία μπορεί να ξεκινήσει πολύ πριν από το νοσοκομείο
Υπάρχει όμως ένα ακόμη επίπεδο που λείπει από τη συζήτηση.Για να υπάρξει ένας ισχυρός ιατρικός αλγόριθμος χρειάζονται τουλάχιστον τρία πράγματα. Δεδομένα, υπολογιστική ισχύς και μοντέλα.
Και κανένα από αυτά δεν είναι ισότιμα κατανεμημένο.
Σύμφωνα με τον OECD, ορισμένα από τα κρίσιμα στρώματα της αλυσίδας αξίας της AI εμφανίζουν ήδη πολύ υψηλή συγκέντρωση. Οι τρεις μεγαλύτεροι cloud providers κατείχαν περίπου το 74% της παγκόσμιας αγοράς cloud το 2023, ενώ η Nvidia περίπου το 90% της αγοράς GPU. Ο OECD προειδοποιεί ότι ανεπάρκεια σε chips, υπολογιστική ισχύς, data centres, ηλεκτρική ενέργεια και δεδομένα μπορούν να δημιουργήσουν μόνιμες θέσεις ισχύος.
Αυτό αλλάζει συλλήβδην την οπτική.
Η συγκέντρωση δεν χρειάζεται να βρίσκεται στο τελικό medical app που βλέπει ο γιατρός.
Μπορεί να βρίσκεται δύο ή τρία επίπεδα πιο κάτω.
Στο cloud όπου τρέχει.
Στο μοντέλο υποστήριξης που βασίζεται.
Στον κατασκευαστή του chip.
Στην εταιρεία που διαθέτει την υπολογιστική υποδομή ή στο dataset πάνω στο οποίο έγινε ο υπολογισμός.
Το Stanford AI Index 2026 καταγράφει μια ακόμη εντυπωσιακή εικόνα. Πάνω από το 90% των σημαντικών AI models του 2025 δημιουργήθηκαν από τη βιομηχανία, όχι από πανεπιστήμια ή δημόσιους φορείς. Οι ΗΠΑ παραμένουν μπροστά στην ανάπτυξη σημαντικών μοντέλων, ενώ η Κίνα έχει ουσιαστικά κλείσει μεγάλο μέρος του χάσματος στην απόδοση.
Η συζήτηση για την Υγεία, επομένως, δεν είναι μόνο κλινική.Είναι βιομηχανική πολιτική, είναι ανταγωνισμός, είναι κυριαρχία επί των δεδομένων.
Και σταδιακά γίνεται γεωπολιτική.
Η Ευρώπη έχει κανόνες. Το ερώτημα είναι αν θα έχει και την τεχνολογία
Σε αυτό το περιβάλλον η Ευρώπη βρίσκεται σε μια παράδοξη θέση. Διαθέτει το πιο ολοκληρωμένο ρυθμιστικό πλαίσιο για την Τεχνητή Νοημοσύνη από οποιαδήποτε μεγάλη δυτική αγορά, αλλά πολύ μικρότερη παρουσία στην κορυφή της τεχνολογικής αλυσίδας.
Ο AI Act βρίσκεται ήδη σε εφαρμογή. Οι κανόνες για general-purpose AI και οι εποπτικοί μηχανισμοί έχουν ενεργοποιηθεί, ενώ οι αυστηρότερες υποχρεώσεις για συγκεκριμένες κατηγορίες high-risk συστημάτων μεταφέρονται σταδιακά έως τον Δεκέμβριο του 2027 και, για AI ενσωματωμένη σε ορισμένα ρυθμιζόμενα προϊόντα – μεταξύ των οποίων μπορεί να περιλαμβάνονται medical devices – έως τον Αύγουστο του 2028.
Παράλληλα, ο οργανισμός European Health Data Space δημιουργεί το πλαίσιο για πολύ ευρύτερη, διασυνοριακή χρήση ηλεκτρονικών δεδομένων υγείας, τόσο για την περίθαλψη όσο και για έρευνα, καινοτομία και ρυθμιστικές συνθήκες. Η ουσιαστική εφαρμογή του θα έρθει σταδιακά από το 2029 και μετά.
Αυτό μπορεί να γίνει τεράστιο ευρωπαϊκό πλεονέκτημα.
Τα συστήματα υγείας της Ευρώπης διαθέτουν πλούτο πραγματικών δεδομένων που δύσκολα μπορεί να αναπαραχθεί αλλού.
Υπάρχει όμως μια άβολη ερώτηση.
Τι θα συμβεί εάν η Ευρώπη διαθέτει τα δεδομένα και τους κανόνες, αλλά τα μοντέλα, τα chips και η υπολογιστική ισχύ ανήκουν κυρίως σε τρίτους;
Η τεχνολογική εξάρτηση στην Υγεία είναι πολύ διαφορετική από την εξάρτηση από μια πλατφόρμα κοινωνικής δικτύωσης.
Σε ένα μελλοντικό σύστημα στο οποίο AI agents θα συμμετέχουν στην πρόληψη, στη διάγνωση, στις παραπομπές, στη συνταγογράφηση και στην παρακολούθηση χρόνιων ασθενών, ο έλεγχος της υποδομής γίνεται μέρος της ίδιας της υγειονομικής πολιτικής.
Ποιος θα ελέγχει τον αλγόριθμο;
Εδώ επιστρέφουμε στο πιο σημαντικό ίσως ερώτημα που τέθηκε στην ομιλία του Μόσιαλου.
Ποιος θα ελέγχει αυτά τα συστήματα;
Οι επιστημονικές εταιρείες;
Οι ιατρικοί σύλλογοι;
Οι κυβερνήσεις;
Ο ΕΟΠΥΥ και οι αντίστοιχοι πληρωτές άλλων χωρών;
Οι ασφαλιστικές εταιρείες;
Οι φαρμακευτικές;
Οι εταιρείες ιατρικής τεχνολογίας;
Οι ενώσεις ασθενών;
Ή οι εταιρείες που κατασκευάζουν τα υποστηρικτικά μοντέλα;
Η απάντηση δεν μπορεί να είναι «ένας από αυτούς».
Γιατί κανένας δεν είναι ουδέτερος.
Αλλά ούτε και η λύση μπορεί να είναι ένα κρατικό σύστημα που απλώς αντικαθιστά την ιδιωτική αδιαφάνεια με δημόσια αδιαφάνεια.
Αυτό που χρειάζεται είναι ένας νέος θεσμός εμπιστοσύνης γύρω από τους αλγορίθμους Υγείας.
Να γνωρίζουμε ποιος κατασκεύασε το σύστημα.
Με ποια δεδομένα, για ποιο σκοπό, με ποια κριτήρια αξιολογήθηκε, πόσο καλά λειτουργεί σε διαφορετικές ομάδες ασθενών, ποιος παρακολουθεί την απόδοσή του μετά την εφαρμογή, ποιος μπορεί να το ελέγξει ανεξάρτητα και ποιος έχει την εξουσία να πει «σταματάμε να το χρησιμοποιούμε».
Αυτό δεν αποτελεί αντι-τεχνολογική θέση, ακριβώς το αντίθετο.
Είναι ο μόνος τρόπος να ενσωματωθεί η τεχνολογία σε ένα σύστημα όπου μια λάθος απόφαση δεν σημαίνει απλώς χαμηλότερη αλληλεπίδραση ή μια λανθασμένη σύσταση.
Αφορά την υγεία ενός ανθρώπου.
Το πραγματικό χάσμα του μέλλοντος
Μέχρι σήμερα, όταν μιλούσαμε για ανισότητες στην Υγεία, σκεφτόμασταν κυρίως το εισόδημα, τη γεωγραφία, την εκπαίδευση, την πρόσβαση σε γιατρούς ή σε σύγχρονες θεραπείες.
Αυτές οι ανισότητες δεν πρόκειται να εξαφανιστούν.
Μπορεί όμως να προστεθεί μία ακόμη.Φανταστείτε δύο πολίτες με την ίδια νόσο.
Ο ένας βρίσκεται σε ένα σύστημα υγείας όπου ο γιατρός έχει άμεση πρόσβαση, σε πραγματικό χρόνο, σε πλήρη ηλεκτρονικό φάκελο υγείας, γονιδιωματικά δεδομένα, κλινικά επικυρωμένα συστήματα Τεχνητής Νοημοσύνης, συνεχή πρόβλεψη του κινδύνου και έναν αυτόνομο ψηφιακό βοηθό που ελέγχει εάν η θεραπεία ακολουθεί τις πιο πρόσφατες κατευθυντήριες οδηγίες.
Ο άλλος επισκέπτεται έναν γιατρό που δουλεύει με αποσπασματικά δεδομένα και ένα γενικό chatbot.
Τυπικά έχουν και οι δύο «πρόσβαση στην AI».
Στην πραγματικότητα δεν έχουν πρόσβαση στην ίδια Ιατρική.
Και αυτό μπορεί να είναι η επόμενη μεγάλη ανισότητα στην Υγεία.
Ποιος έχει πληροφορία ή ποιος έχει πρόσβαση στην καλύτερη αλγοριθμική υποδομή.
Υπάρχει δε ένα ακόμη επίπεδο.
Ακόμη και δύο άνθρωποι με πρόσβαση στην ίδια τεχνολογία δεν βρίσκονται απαραίτητα σε ίση θέση εάν δεν γνωρίζουν ποιος καθορίζει τον τρόπο με τον οποίο αυτή σκέφτεται και ενεργεί.
Γι’ αυτό, το ζήτημα δεν είναι μόνο η πρόσβαση.
Είναι και ο έλεγχος.
Η συζήτηση που αρχίζει και έχει μεγάλο δρόμο σε ένα κόσμο που τρέχει πολύ γρήγορα
Η αντιπαράθεση που έχει ανοίξει διεθνώς για το αν πρέπει να επιβραδυνθεί η ανάπτυξη των ισχυρότερων AI models είναι ενδεικτική της ταχύτητας των αλλαγών. Τις τελευταίες ημέρες, ακόμη και επικεφαλής εταιρειών που βρίσκονται στην πρώτη γραμμή του ανταγωνισμού – μεταξύ τους ο Dario Amodei και ο Sam Altman – έχουν μιλήσει για ανάγκη να ελεγχθεί καλύτερα ο ρυθμός ανάπτυξης των προσβάσιμων συστημάτων.
Ο Μόσιαλος θέτει στην ομιλία του το δίλημμα διαφορετικά, δεν χρειαζόμαστε απλώς επιβράδυνση, χρειαζόμαστε ρύθμιση.
Ίσως όμως ακόμη και αυτό να μην αρκεί.
Η συζήτηση δεν μπορεί να περιορίζεται στο πόσο γρήγορα θα προχωρήσει η AI.
Πρέπει να περάσει στο ποιος θα ελέγχει την κατεύθυνσή της.
Στην Υγεία, αυτό σημαίνει ότι πρέπει να αποφασίσουμε από τώρα ποια δικαιώματα θα έχει ο ασθενής απέναντι σε μια αλγοριθμική απόφαση, πόση αυτονομία θα εκχωρεί ο γιατρός σε έναν agent, ποια δεδομένα μπορούν να χρησιμοποιηθούν, ποιος θα πιστοποιεί την ποιότητα ενός μοντέλου και ποιος θα έχει πρόσβαση στα καλύτερα συστήματα.
Γιατί η πραγματική ανατροπή της AI στην Υγεία μπορεί να μην είναι ότι μια μηχανή θα ξέρει περισσότερα από έναν γιατρό, αλλά να είναι ότι η ίδια η γνώση θα παύσει σταδιακά να βρίσκεται αποκλειστικά στον γιατρό, στον ασθενή ή ακόμη και στο νοσοκομείο και θα μεταφερθεί σε ένα στρώμα αλγορίθμων που βρίσκεται ανάμεσά τους.
Και τότε η παλιά ασυμμετρία πληροφόρησης δεν θα έχει εξαφανιστεί απλά θα έχει αλλάξει ιδιοκτήτη.
Η κρίσιμη διαχωριστική γραμμή θα είναι ανάμεσα σε εκείνους που απλώς χρησιμοποιούν την Τεχνητή Νοημοσύνη και σε εκείνους που έχουν τη δυνατότητα να διαμορφώνουν, να ελέγχουν και να επιθεωρούν τους αλγορίθμους που επηρεάζουν τις αποφάσεις για την υγεία μας.
Και όπως αντιλαμβάνεται ο καθένας μας αυτή είναι μια συζήτηση που τα συστήματα υγείας δεν έχουν την πολυτέλεια να ξεκινήσουν αφού οι αλγόριθμοι θα έχουν ήδη εγκατασταθεί στην καθημερινή κλινική πράξη.