Slučaj od kraja do kraja: Putovanje varijante od otkrića do kliničkog izvještaja

Dobici:

• Sposobnost kombiniranja svih dijelova naučenih kroz modul (sekvenca, varijanta, struktura, literatura, klinička slika) u jednom sveobuhvatnom toku rada koji podržava AI
• Sposobnost primjene principa 'vještačka inteligencija proizvodi, ljudi provjeravaju i jamči' i provjere primarnog izvora na svakom koraku
• Sposobnost upravljanja lancem verifikacije dokumentovanjem povjerljivosti i konačnog stručnog odobrenja u slučaju od kraja do kraja

U ovom modulu raspravljali smo o svakoj fazi posebno, od analize sekvence do strukture proteina, od CRISPR-a do omike, od literature do etike i povjerljivosti. U ovoj završnoj cjelini sve ih kombiniramo u jedan realističan radni tok: putovanje varijante pronađene kod pacijenta, od neobrađenih podataka do odobrenog kliničkog izvještaja. Cilj je holistički vidjeti kako pozicionirati umjetnu inteligenciju (AI) kao end-to-end asistenta i kako se provjera i ljudska odgovornost isprepliću u svakoj fazi.

Naš scenario (fiktivni): 34-godišnja pacijentkinja dolazi na genetsku procenu sa porodičnom istorijom raka dojke u ranoj dobi. U panel testu je pronađena varijanta gena BRCA1. Naša misija: klasificirati ovu varijantu, protumačiti njen mogući utjecaj na protein, pregledati literaturu i izraditi klinički izvještaj — koristeći AI na svakom koraku i potvrđujući ga na svakom koraku.

Faza 1: Popravljanje varijante i kontrola privatnosti

Na samom početku toka posla radimo dvije stvari: standardiziramo podatke i osiguravamo povjerljivost.

Privatnost na prvom mestu: Ime pacijenta, identifikacioni broj i datum rođenja ne unose nijedan otvoren AI alat (Jedinica 10). Radimo samo sa varijantom, verzijom genoma i transkriptom — i to samo ako varijanta ne identifikuje pojedinca. Zatim popravljamo varijantu: GRCh38, BRCA1, NM_007294.4, na primjer c.5266dupC (p.Gln1756fs). Ovo potvrđujemo validatorom (VariantValidator); Ne prihvatamo reprezentaciju koju daje AI po nominalnoj vrijednosti (Jedinica 1, 3).

Faza 2: Prikupljanje dokaza (Jedinica 3)

Imamo AI da napravi ACMG okvir za dokaz - ali bez navođenja klase da to kaže. Zatim sami provjeravamo svaki dokaz:

• gnomAD frekvencija: Tražimo varijantu u gnomAD-u i vidimo da je vrlo rijetka/odsutna (u smjeru PM2).
• ClinVar: Otvaramo zapis i provjeravamo postojeće komentare i svježinu.
• Tip varijante: Ako pomak okvira dovede do preranog prestanka rada, može postojati jak dokaz gubitka funkcije (PVS1) - ali mi to procjenjujemo u kontekstu gena i transkripta.

Ne koristimo nijednu frekvenciju ili referencu koju nam je dala AI bez provjere (Jedinica 9).

Faza 3: Interpretacija proteinske strukture (4. jedinica)

Da bismo razumjeli učinak varijante na protein, preuzimamo AlphaFold strukturu (sa njenim UniProt brojem), gledamo pLDDT skor pouzdanosti i UniProt funkcionalne napomene zahvaćene regije. Budući da pomak okvira mijenja veći dio proteina, interpretacija strukture može podržati hipotezu o gubitku funkcije ovdje - ali struktura je nagađanje, a ne definitivan dokaz. Ne tražimo od AI koordinate; Čitamo iz fajla.

Faza 4: Provjera literature (Jedinica 7)

Dobijamo pojmove za pretraživanje od AI, pretražujemo ih na samom PubMedu i pronalazimo stvarne članke o varijanti i genu. Provjeravamo citate koje AI šalje „iz memorije“ pomoću DOI/PMID-a. Čuvamo razliku između odnosa i uzročnosti na izvoru.

Faza 5: Klasifikacija i klinička interpretacija (cjeline 3, 8)

Kombiniramo potvrđene dokaze, zaključujući vjerovatnu klasu s kombinacijom ACMG (u ovom primjeru, jaki dokazi o gubitku funkcije i rijetkosti mogu biti u smjeru „patogeno/vjerovatno patogeno” – ali ekspert ima posljednju riječ). Kombinujemo kliničku interpretaciju sa fenotipom i porodičnom anamnezom: da li je slika pacijenta u skladu sa BRCA1? Ako postoji neizvjesnost, to iskreno iznosimo.

Faza 6: Nacrt izvještaja i odobrenje (Jedinica 8)

Sa AI, pripremamo nacrte izveštaja za lekara i pacijenta; Na jeziku koji ne preuveličava uzročnost, jasan je o neizvjesnosti i upućuje na genetsko savjetovanje. Stručnjak potvrđuje svaku rečenicu. Dodamo odeljak ograničenja (ono što test ne pokriva, uslovi ponovne evaluacije).

Savjet: Prilikom unosa izlaza svake faze u sljedeću u toku od kraja do kraja, uvjerite se da je izlaz potvrđen. Neprovjerena učestalost ili atribucija se netačno prenosi u sve naredne faze (lančana halucinacija – jedinica 9).

tabela toka posla

Stage

Uloga AI

Obavezna verifikacija

donosilac odluka

fiksiranje

demo skica

VariantValidator

ekspert

Privatnost

Kontrola anonimizacije

ljudska kontrola

ekspert

dokazi

Postavljanje okvira

gnomAD, ClinVar

ekspert

strukturu

Komentar

pLDDT, fajl

ekspert

književnost

Pojam za pretraživanje, sažetak

DOI/PMID

ekspert

klasa

kombinovani nacrt

ACMG pravila

ekspert

Izvještaj

nacrt jezika

odobravanje rečenicu po rečenicu

Ekspert/Konsultant

Tri mini slučaja (prelomne tačke u toku)

Slučaj 1 — Netačan transkript. Jedan tim je radio sa transkriptom koji je dao AI na početku streama; kasnije je shvatio da je veće koristilo drugačiji transkript. c. Njihove pozicije su se promenile. Greška je riješena ispravljanjem od početka pomoću VariantValidator-a. Pouka: greška u fazi popravljanja ometa cijeli tok.

Slučaj 2 — Lažni prateći članak. U fazi literature, AI je predložio uvjerljiv rad koji podržava klasifikaciju. PMID provjera je pokazala da članak ne postoji; uklonjen iz lanca dokaza. Stvarni dokazi su bili dovoljni, ali bi akademsko/kliničko povjerenje bilo narušeno da je lažno pripisivanje ostalo u izvještaju.

Slučaj 3 — Potvrda dobijena. U fazi izvještavanja, nacrt AI je uključivao izjavu "ova varijanta definitivno uzrokuje rak". Konsultant je to ispravio rekavši "ova varijanta značajno povećava rizik od raka dojke/jajnika, ali ne ukazuje na definitivnu bolest" i dodao preporuku za genetsko savjetovanje. Ton i preciznost oblikovani su u stručnim rukama.

Dva predloška za kopiranje (od kraja do kraja)

1) Planer toka:

Vaša uloga: asistent u toku rada u kliničkoj genetici. Napravite kontrolnu listu od kraja do kraja od otkrića do izvještaja za sljedeću varijantu: [verzija genoma, gen, transkript, HGVS]. Napišite u svakoj fazi (fiksacija, privatnost, dokaz, struktura, literatura, klasa, izvještaj) s kolonama "Šta radi AI / šta ja provjeravam / ko odlučuje". VI donosite klasu i kliničku odluku.

2) Završni pregled:

Prije podnošenja provjerite sljedeći popunjeni komentar varijante i nacrt izvještaja: [sadržaj]. Provjerite ima li: nepotvrđene učestalosti/atribucije, pretjerane izjave o uzročnosti/preciznosti, nedostajuće upozorenje o nejasnoći, nedostajuća podjela granica, ranjivost privatnosti. Navedite svaki problem i sve prijedloge za njegovo rješavanje.

Slaba prompt / Jaka prompt

Slabo: "Napišite kompletan klinički izvještaj za ovu BRCA1 varijantu."

Problem: AI proizvodi “izvještaj” tako što uklopi sve faze u jednom potezu; učestalost, atribucija, klasa, klinička procjena su nepotvrđeni.

Snažan: "Napravite kontrolnu listu od otkrića do izvještaja za ovu varijantu BRCA1; odvojite u svakoj fazi šta ćete učiniti, šta ću ja provjeriti i ko će donijeti odluku. Donijet ću odluku o klasi i kliničkoj slici nakon što potvrdim dokaze."

Zašto je moćan: tok je strukturiran, svaka faza je vezana za validaciju, a odluka i odgovornost ostaju na čovjeku.

Uobičajene greške

• Traženje "završenog izvještaja" sa jednim upitom. Faze se kombinuju bez verifikacije; greška se akumulira.
• Zanemarivanje faze popravljanja. Netačna verzija/transkript pobija cijeli stream.
• Premještanje izlaza između faza bez potvrđivanja. Pojavljuje se lančana halucinacija.
• Razmišljanje o privatnosti na "kraju" toka. Povjerljivost mora biti uspostavljena prije svega pri unosu podataka.
• Prepuštajući odluku i ton AI. Učionica i kliničke poruke moraju biti odobrene od strane specijaliste.

Oprez: korištenje end-to-end AI štedi mnogo vremena, ali ne smanjuje odgovornost; Naprotiv, to čini disciplinu verifikacije u svakoj fazi još važnijom. AI ubrzava protok; Human jamči tačnost, sigurnost i etičku usklađenost.

Dubina: ušteda vremena u toku rada, krhkost i revizijski trag

Prava vrijednost toka od kraja do kraja nije „pustiti AI da sve to uradi“ već u dobijanju vremena na pravim mjestima i usporavanju na pravim mjestima. Hajde da kvantifikujemo dobit u ovom scenariju: postavljanje okvira za dokaze, generisanje pojmova za pretragu, pojednostavljivanje jezika izveštaja i izrada kontrolne liste nakon revizije može da skrati ono što bi tradicionalno trajalo nekoliko sati rada na izradi nacrta na desetine minuta. Nasuprot tome, gnomAD/ClinVar validacija, VariantValidator zakačenje, DOI provjera i stručno prosuđivanje ne mogu se skratiti – oni su sigurnosna okosnica toka. Ispravan način razmišljanja: "AI proizvodi propuh, ljudska djela kao garant." Profit je u nacrtu, odgovornost je u odluci.

Najkrhkija karika u toku je uvijek prva: sidrenje. Pogrešna verzija genoma ili pogrešan transkript tiho se širi na svaku narednu fazu, na kraju stvarajući potpuno nevažeći izvještaj. Dakle, nemojte prelaziti na sljedeći korak bez potvrđivanja sidra s jednim samostalnim alatom (kao što je VariantValidator). Druga najranjivija tačka je prenošenje izlaza između faza: pretvaranje neprovjerenog izlaza jedne faze kao ulaza u sljedeću izaziva lančanu halucinaciju.

Konačno, u kliničkom kontekstu, revizorski trag je sastavni dio toka: mora biti dokumentirano koji je izvor kog datuma provjeren, koja verzija ClinVar-a je viđena, ko je odobrio koju odluku. ClinVar recenzije se mijenjaju tokom vremena; Rekord koji je "danas patogen" možda se vratio na VUS godinu dana kasnije. Revizijski trag omogućava i ponovnu procjenu i pravnu/etičku odgovornost.

streaming funkcija

princip

Aplikacija

ušteda vremena

Budite u toku sa gazom

Okvir, jezik, kontrolna lista od AI

Krhkost

Osigurajte prvi prsten

Potvrdite fiksaciju nezavisnim alatom

Izlazni transport

Premjestite se bez verifikacije

Svaka faza je odobrena na izvoru

revizorski trag

Dokumentirajte svaku odluku

Izvor, datum, odobreno od registrovanih

Ukratko

• Putovanje varijante od otkrića do izvještaja; Pokriva faze utvrđivanja, povjerljivosti, dokaza, strukture, literature, klase i izvještaja.
• AI proizvodi nacrt/kod/sažetak u svakoj fazi; U svakoj fazi, stručnjak provjerava i odlučuje.
• Izlaz između faza treba premjestiti na sljedeći tek nakon verifikacije.
• Povjerljivost se uspostavlja od samog početka; Klasa i klinička odluka se konačno donosi uz stručno odobrenje.

Zadatak aplikacije

Odaberite izmišljenu varijantu (npr. dobro poznati BRCA1 zapis). 1. Napravite kontrolnu listu od kraja do kraja sa šablonom i izvršite svaku fazu sami metodom odgovarajuće jedinice u ovom modulu: popravite varijantu, proverite gnomAD/ClinVar, pogledajte AlphaFold strukturu, pronađite pravi članak, opravdajte moguću klasu i nacrtajte pasus izveštaja i lektorirajte ga stručnim okom. Pokušajte pronaći razliku između AI i izvora u najmanje dvije faze.

kontrolna lista

• [ ] Postavio sam privatnost od početka; Nisam prenio nikakve identifikacijske podatke.
• [ ] Popravio sam varijantu sa verzijom/transkriptom i potvrdio je validatorom.
• [ ] Provjerio sam svaki dokaz (učestalost, ClinVar, literatura) u primarnom izvoru.
• [ ] Napravio sam komentar strukture sa ocjenom pouzdanosti i iz datoteke.
• [ ] Lično sam potvrdio klasu i kliničku interpretaciju na osnovu dokaza.
• [ ] Provjerio sam uzročnost/preciznost u jeziku izvještaja i dodao granice.

Modul Exam

1. Koje od sljedećeg je najtačnije pozicioniranje za umjetnu inteligenciju (posebno model velikog jezika) u molekularnoj biologiji i genetici?

• A) To je asistent koji piše kod, proizvodi nacrte i komentare; Svaki biološki fenomen mora biti verifikovan u primarnom izvoru, konačna interpretacija pripada stručnjaku ✔
• B) To je pouzdana baza podataka genoma; Date sekvence i varijante mogu se upisati direktno u izvještaj.
• C) Pošto meri kao laboratorijski instrument, njegovi rezultati se smatraju eksperimentalnim dokazom.
• D) Nadležna je da finalizira odluku o kliničkoj patogenosti bez odobrenja ljudi.

Objašnjenje: Model velikog jezika nije baza podataka genoma ili laboratorijski alat; To je generator teksta koji statistički oponaša tekstove u podacima o obuci. Biološke činjenice kao što su sekvenca/varijanta/gen uvijek treba provjeriti iz primarnih izvora kao što su NCBI, Ensembl, ClinVar, gnomAD; Konačna klinička i naučna interpretacija treba da pripada nadležnom stručnjaku.

2. Dobili ste koordinatu genoma varijante od AI, ali vaš projekat koristi GRCh38 (hg38). Vještačka inteligencija je možda dala koordinatu hg19. Šta je pravi pristup?

• A) Korištenje koordinata direktno jer se čini razumnim
• B) Nema potrebe tražiti verziju jer umjetna inteligencija uvijek daje najnoviju verziju.
• C) Eksplicitno potvrdite verziju genoma i provjerite koordinate sa službenim liftOver alatom ✔
• D) Pošto je razlika između hg19 i hg38 beznačajna, odaberite jedan i nastavite

Opis: Promena koordinata između verzija genoma (GRCh37/hg19 i GRCh38/hg38). Sve koordinate date bez verzije su sumnjive. Koordinate treba transformisati/verifikovati službenim liftOver alatom, a verzija genoma koja se koristi treba biti jasno potvrđena; inače će cijelo poravnanje i komentar upućivati ​​na pogrešnu lokaciju.

3. U HGVS notaciji 'c.', 'p.' i 'g.' Šta znače prefiksi i zašto ih ne treba miješati?

• A) Sva tri znače istu stvar, nije bitno koja se koristi.
• B) 'c.' kodiranje DNK/transkripta, 'p.' protein, 'g.' je genomski nivo; Ako ste zbunjeni, može ukazivati na drugu lokaciju ✔
• C) 'p.' uvijek 'c.' je tri puta veća od vrijednosti, konverzija je automatska i bez grešaka
• D) Prefiksi su samo formalni; Nije potrebno navoditi verziju transkripta

Opis: HGVS je standardni pravopisni format sa varijantama: 'c.' nivo kodiranja DNK (transkripta), 'p.' nivo proteina, 'g.' odnosi se na genomski nivo. Mešanje ovih ili korišćenje pogrešne verzije transkripta može ukazivati ​​na potpuno drugačiji lokus/varijantu; stoga se ispravan prefiks mora koristiti zajedno sa verzijom transkripta (npr. NM_007294.4).

4. Kakva bi trebala biti uloga AI kada se koriste ACMG kriteriji za procjenu patogenosti varijante?

• A) Vještačka inteligencija finalizira dokaze i klasu; nema potrebe za stručnim nadzorom
• B) Kontrola GnomAD-a je nepotrebna jer umjetna inteligencija daje frekvenciju populacije iz svoje memorije.
• C) Pošto su ACMG kriterijumi strogi, AI izlaz se automatski smatra ispravnim
• D) Vještačka inteligencija može proizvesti nacrt dokaza; Svaki dokaz treba provjeriti u primarnom izvoru, konačnu klasifikaciju treba izvršiti stručnjak ✔

Opis: ACMG je okvir koji klasifikuje varijantnu patogenost prema kategorijama dokaza (učestalost populacije, in silico predviđanje, segregacija, funkcionalna studija, literatura). AI može proizvesti nacrt dokaza; Međutim, svaki dokaz mora biti lično verifikovan u ClinVar-u, gnomAD-u i literaturi, a konačnu klasifikaciju (patogeni/verovatno patogeni/VUS...) mora izvršiti nadležni stručnjak.

5. Radit ćete sa sekvencom DNK koju vam daje umjetna inteligencija. Šta je najbolji prvi korak?

• A) Koristeći sekvencu tako što ćete je dobiti od primarnog izvora kao što je NCBI/Ensembl ili potvrditi referencom tamo ✔
• B) Umetanje sekvence direktno u analizu jer se čini da je ispravne dužine
• C) Pod pretpostavkom da je sekvenca tačna ako se slova sastoje od valjanih nukleotida
• D) Još jednom pitajte umjetnu inteligenciju o sekvenci i računajte je kao tačnu ako su dva izlaza ista.

Objašnjenje: AI može 'popuniti' niz koji se ne sjeća slovima koji izgledaju uvjerljivo; Čak i ako se dužina i slova pojavljuju ispravno, možda neće odgovarati stvarnoj referenci. Stoga se bilo koja sekvenca koju umjetna inteligencija daje iz glave ne koristi direktno; sekvenca je preuzeta iz primarnog izvora kao što je NCBI/Ensembl ili je potvrđena referencom u njemu.

6. Šta pLDDT rezultat znači u predviđanju strukture proteina pomoću alata kao što je AlphaFold?

• A) To je certifikat koji pokazuje da je struktura eksperimentalno dokazana
• B) To je laboratorijska vrijednost koja mjeri nivo funkcionalne aktivnosti proteina.
• C) To je rezultat koji ukazuje na pouzdanost modela u predviđanje lokalne strukture za svaki ostatak; niža vrijednost je fleksibilna/nepouzdana zona ✔
• D) To je omjer koji pokazuje varijantu učestalosti proteina u populaciji.

Opis: pLDDT (0-100) je rezultat pouzdanosti koji pokazuje koliko je AlphaFold siguran u predviđanje svoje lokalne strukture za svaki ostatak (aminokiselinu). Visok pLDDT znači pouzdanu lokalnu strukturu, nizak pLDDT znači fleksibilan/poremećen ili nepouzdan region. Struktura je samo nagađanje; regione sa niskim stepenom poverenja ne treba previše tumačiti i funkcionalne tvrdnje treba da budu podržane eksperimentalnim dokazima.

7. Zašto je rizično tvrditi da mutacija 'apsolutno onesposobljava' protein na osnovu predviđanja strukture AlphaFold?

• A) AlphaFold strukture se ne mogu koristiti u bilo koju svrhu jer su uvijek pogrešne
• B) Struktura je samo nagađanje; funkcionalne tvrdnje su na nivou hipoteza i zahtijevaju eksperimentalnu provjeru ✔
• C) Nema rizika; AlphaFold izlaz je precizan koliko i eksperimentalna izrada
• D) Rizik postoji samo ako je pLDDT nizak; Ako je visoka, tvrdnja se automatski smatra dokazanom.

Otkrivanje: AlphaFold je predviđanje strukture, a ne eksperimentalni dokaz; Posebno je ograničen u fleksibilnim/poremećenim regijama i u modeliranju efekata mutacije. Funkcionalne tvrdnje zasnovane na konstrukciji su na nivou hipoteze i zahtijevaju eksperimentalnu provjeru (npr. funkcionalna studija). U suprotnom, predviđanje se predstavlja kao dokaz.

8. Koji je najkritičniji korak validacije u vezi sa kandidatima za CRISPR gRNA (guide RNA) koje predlaže umjetna inteligencija?

• A) Ako je dužina gRNK tačna, nisu potrebne dalje provjere
• B) Ako umjetna inteligencija kaže da je 'efekat van cilja nizak', nastavite direktno na eksperiment
• C) Dovoljno je jamstvo da se sekvenca gRNA sastoji od valjanih nukleotida
• D) Validirajte kandidate sa istinskim usklađivanjem genoma i stručnim alatima za analizu van cilja i potvrdite u laboratoriji ✔

Opis: gRNA je vodeća RNK koja usmjerava Cas enzim do cilja; Sa pogrešnim dizajnom, također može odsjeći područja koja nisu ciljana. Kandidati koje vrati AI moraju biti potvrđeni stvarnim poravnanjem genoma i stručnim alatima za analizu van cilja, a zatim potvrđeni laboratorijskim eksperimentima. Samo zato što umjetna inteligencija kaže 'sigurno' nije zamjena za verifikaciju.

9. Zašto je potrebna korekcija višestrukog testiranja (npr. FDR/Benjamini-Hochberg) kada se testiraju razlike u ekspresiji hiljada gena sa RNA-seq?

• A) Hiljade istovremenih testova naduvavaju lažno pozitivne rezultate; FDR korekcija ih ograničava, neobrađena p-vrijednost je obmanjujuća ✔
• B) Korekcija je potrebna samo ako je broj uzoraka mali; To nema nikakve veze sa brojem gena
• C) Višestruka korekcija testiranja ne mijenja rezultat, već je samo formalna
• D) Sirovi p<0,05 je uvijek dovoljan; korekcija nepotrebno otežava statistiku

Objašnjenje: Kada se hiljade gena testiraju istovremeno, mnogi geni imaju p<0,05 (lažno pozitivno) samo zbog slučajnosti. Višestruka korekcija testiranja (FDR - kontrola stope lažnog otkrivanja) ograničava ove lažne pozitivne rezultate. Liste gena proglašenih 'značajnim' s nekorigiranim p-vrijednostima su varljive; Treba koristiti prilagođenu vrijednost (q-vrijednost).

10. Šta znači ako se u analizi obogaćivanja puta utvrdi da je put 'značajno obogaćen' i kako to treba tumačiti?

• A) Dokazuje da je put definitivni uzrok bolesti
• B) Eksperimentalni je dokaz da je put aktivan u ćeliji
• C) To je statistički signal koji ukazuje na to da su geni puta zastupljeni previše nego što se očekivalo; Zahtijeva kritičko tumačenje, a ne uzročnost ✔
• D) To je sam po sebi dovoljan rezultat, nezavisno od pozadine i višestruke korekcije testiranja

Opis: Obogaćivanje je statistički signal koji ukazuje da je određeni put previše zastupljen među genima čija se ekspresija mijenja; To nije dokaz uzročnosti ili da je put zapravo aktivan. Zaključak; Korišteni skup gena mora se kritički tumačiti u kontekstu selekcije pozadine i višestruke korekcije testiranja i sa biološkom vjerodostojnošću.

11. Kada daje sažetak literature, AI može citirati članak koji izgleda kao stvaran, ali ne postoji (lažni citat). Šta je pravi pristup?

• A) Ako su autor i naziv časopisa realni, citat je vjerovatno tačan, provjeravanje nije potrebno
• B) Provjerite svaki citat u primarnom izvoru putem DOI/PubMed-a; ✔ ne koristite ono što se ne može pronaći
• C) Vještačka inteligencija ne čini pripisivanje; Njegove reference mogu se dodati direktno u bibliografiju
• D) Ako ima mnogo citata, nije problem ako je nekoliko njih pogrešno.

Opis: AI može proizvesti potpuno izmišljen članak (i ​​lažni DOI) sa stvarno zvučenim imenima autora u pravom časopisu. Svaki citat mora biti lično verifikovan na primarnom izvoru putem DOI/PubMed-a; Reference koje se ne mogu pronaći ne treba koristiti. Naučna odgovornost pripada autoru; Neprovjerene reference ne smiju ulaziti u tekst.

12. Koji je najtačniji princip u vezi sa sastavljanjem kliničkog genetskog izvještaja generiranog umjetnom inteligencijom?

• A) Ako je nacrt tečan, može se dati direktno pacijentu
• B) Nije potrebna posebna verifikacija izvora jer AI takođe generiše dokaze
• C) Odluka o patogenosti u izvještaju može se prepustiti umjetnoj inteligenciji, stručnjak samo provjerava format
• D) Svaka klinička tvrdnja mora biti potkrijepljena, konačni izvještaj mora biti odobren od strane kompetentnog specijaliste, a lanac provjere mora biti dokumentiran ✔

Opis: Umjetna inteligencija štedi vrijeme u izradi nacrta izvještaja i sažetaka; Međutim, svaka klinička tvrdnja mora biti povezana s dokazima i primarnim izvorima, a konačni izvještaj mora odobriti ovlašteni stručnjak. AI izlaz se ne može direktno prevesti u odluku pacijenta; Lanac verifikacije mora biti dokumentovan.

13. Šta to znači ako izlaz AI zvuči vrlo fluidno i 'samouvjereno'?

• A) Samouvjeren ton nije dokaz tačnosti; Potreba za validacijom se povećava, a ne smanjuje ✔
• B) Tečan i odlučan odgovor je najvjerovatnije tačan, potvrda je nepotrebna
• C) Pouzdan ton ukazuje da model čita podatke direktno iz memorije
• D) Ton je mjera samopouzdanja, jer su neodlučni odgovori pogrešni, a samouvjereni odgovori tačni.

Objašnjenje: samouvjereni ton AI nije dokaz tačnosti; Najopasnije halucinacije dolaze s najuvjerljivijim i najuvjerljivijim rečenicama. Kada se vidi samouvjeren ton, potreba za verifikacijom se povećava, a ne smanjuje. Svaka činjenica (sekvenca, varijanta, gen, referenca) treba biti unakrsno potvrđena sa nezavisnim primarnim izvorom.

14. Koja je najvažnija mjera predostrožnosti za privatnost prije davanja genetskih podataka pacijenta javno dostupnom AI alatu za analizu?

• A) Ako su podaci kodirani u base64, mogu se sigurno zalijepiti
• B) Ako se izbriše samo ime pacijenta, nisu potrebne daljnje radnje
• C) Uopšte ne pruža lične podatke; anonimizacija, minimizacija podataka i saglasnost/poštivanje zakonskog okvira ✔
• D) Genetski podaci se mogu slobodno dijeliti jer se ne smatraju ličnim podacima.

Opis: Genetski podaci su posebna kategorija ličnih podataka i pojedinac se može ponovo identificirati rijetkim kombinacijama varijanti. Identifikujući genetski podaci se nikada ne daju otvorenim alatima; podaci trebaju biti anonimizirani, treba dijeliti samo minimalne potrebne informacije (minimizacija podataka) i poštovati saglasnost/pravni okvir (KVKK/GDPR).