Harvard AI-val segítené a HIV-szűréshez vezető baráti ajánlásokat

A nehezebben elérhető csoportokat célozzák

A Harvard John A. Paulson School of Engineering and Applied Sciences kutatócsoportja azt vizsgálja, hogy az AI javíthatja-e a HIV-szolgáltatásokhoz vezető, ismerősökön keresztül történő ajánlásokat. A projekt vezetője Milind Tambe, a számítástechnika Gordon McKay professzora. A fejlesztésben Akseli Kangaslahti doktorandusz és Davin Choo posztdoktori kutató is részt vesz.

A terepkísérlet a HIV-LIFT, vagyis a Leveraging Innovation and Friendships to Improve HIV Testing kezdeményezés része. A többéves, a Gates Foundation által finanszírozott programban a dél-afrikai Wits University, a Harvard Teamcore kutatócsoportja, az Egészségügyi Világszervezet és más partnerek dolgoznak együtt. A HIV-LIFT vezető kutatója Alastair van Heerden, a Wits University munkatársa.

Dél-Afrikában körülbelül 8 millió ember él HIV-vel, ez a világ országai közül a legmagasabb érték. A program különösen azokat a csoportokat célozza, például a férfiakat és a serdülőket, amelyek kisebb eséllyel kérnek szűrést, és nagyobb valószínűséggel maradnak diagnózis nélkül vagy nem jutnak el egészségügyi rendelőbe.

Az AI választja ki, kik kapjanak ösztönzést

A Coach Mpilo egy kifejezetten dél-afrikai felhasználóknak készült, WhatsAppon elérhető egészségügyi chatbot. Ingyenes és bizalmas támogatást, valamint információt ad a HIV-szűrésről és kezelésről, továbbá más egészségügyi kérdésekről is. A szolgáltatásnak több mint 150 000 regisztrált felhasználója van, közülük körülbelül 15 százalék férfi.

Az alkalmazásban a meglévő felhasználók pénzügyi ösztönzést kaphatnak arra, hogy olyan barátokat vagy családtagokat ajánljanak, akiknek szükségük lehet HIV-szolgáltatásokra. A kutatás azt vizsgálja, kit érdemes előnyben részesíteni akkor, ha a programnak csak korlátozott forrása van az ajánlások ösztönzésére.

A Harvard csapata gépi tanulási és optimalizálási módszert dolgozott ki. A modell azt próbálja megállapítani, hogy a meglévő felhasználók közül kik a leginkább hajlamosak arra, hogy férfiakat, serdülőket vagy más, nehezebben elérhető csoportokhoz tartozó embereket ajánljanak. A kutatók a korábbi ösztönző kampányok adataira támaszkodó, előre elkészített prioritási listát használnak.

A vizsgálat egyik csoportjában véletlenszerűen választják ki azokat a jogosult felhasználókat, akiket megkeresnek. A másik csoportban ugyanezt a kiválasztást egy további AI-szűrő szűkíti. A módszer korábbi, körülbelül 16 000, két hónap alatt összegyűjtött ösztönzési eset visszamenőleges értékelése alapján több sikeres ajánlást eredményezhetett, mint a többi vizsgált stratégia.

Az átláthatóság és a gyakorlati használat is feltétel

A kutatók szerint a rendszernek könnyen érthetőnek kell lennie a terepen dolgozó partnerek és a felhasználók számára. Milind Tambe szerint a partnerek olyan szabályokat javasoltak, amelyek azonos profilú felhasználóknál méltányos és egyenlő bánásmódot biztosítanak, miközben egyszerű, átlátható és a valós rendszerkorlátok között működő keretet tartanak fenn.

A csapat kezdetben összetettebb szimulációs algoritmussal közelítette meg az AI által irányított célzást. A kutatók később azt találták, hogy az algoritmus eredményeit a hétköznapi felhasználók nehezen tudták értelmezni. A végső megoldás ezért a gyakorlati alkalmazhatóságot is figyelembe veszi.

Davin Choo szerint fontos tapasztalat volt, hogy a valós körülményekhez alkalmazkodni kell. „Nincs értelme annak, hogy kifinomult dolgok jól mutassanak papíron, de a gyakorlatban ne lehessen őket használni”⁠, mondta a Harvard kutatója.

Az AI a program készítői szerint nem váltja ki a rendelőket, az egészségügyi dolgozókat vagy azokat a társas kapcsolatokat, amelyek lehetővé teszik a baráti ajánlásokat. A terepkísérlet eredménye alapján dönthetik el, hogy a prioritási csoportokat célzó megoldást tartósan beépítik-e a Coach Mpilóba vagy más alkalmazásokba.