אחת ההנחות השקטות בעולמות ה-AI הרפואי היא שאם מודל יכול לעזור, כדאי פשוט להציג את ההמלצה שלו בכל מקרה. מחקר חדש ב-Scientific Reports מערער על ההנחה הזו. החוקרים ניתחו מאגר גדול של יותר מ-100 אלף תצפיות ברמת פתולוגיה, שמבוססות על יותר מ-20 אלף קריאות של 326 רדיולוגים ב-324 מקרים, ובדקו האם תצוגת AI אחידה באמת מועילה.
בממוצע, האפקט של AI קבוע היה קרוב לאפס. אבל כשהחוקרים עברו למדיניות אדפטיבית, שבוחרת מתי להראות את עזרת המודל לפי מאפייני המקרה, קושי המקרה ודיוק ה-AI במקרה הספציפי, התקבל שיפור קטן אך מובהק בשגיאה האבחונית לעומת אסטרטגיית תמיד להראות או לעולם לא להראות.
המסר המעניין כאן אינו רק טכני. הוא נוגע לאופן שבו מערכות AI משתלבות בעבודה אנושית: לא ככלי אחיד שמולבש על כולם, אלא כמנגנון תמיכה תלוי הקשר ואמון. במילים אחרות, השאלה הנכונה אינה רק האם ה-AI טוב, אלא מתי נכון לשים אותו בפרונט ומתי הוא עלול להוסיף רעש.
לפני שמתרגמים זאת למדיניות קלינית, צריך לזכור שהמחקר הוא ניתוח אופליין ולא ניסוי פרוספקטיבי בתוך סביבת עבודה אמיתית. ועדיין, הוא מספק כיוון חשוב במיוחד לעולמות ה-health tech: הדור הבא של AI רפואי עשוי להימדד פחות לפי דיוק מוחלט ויותר לפי איכות התזמון והאינטראקציה עם איש המקצוע.
שינויים קטנים ועקביים בהרגלי התזונה וההתאוששות עשויים להיות משמעותיים לאורך זמן. מומלץ לבחון אותם לצד מדדים אישיים ובהתייעצות מקצועית כשנדרש.