Primer od konca do konca: Potovanje različice od odkritja do kliničnega poročila

Dobički:

• Sposobnost združevanja vseh delov, naučenih skozi modul (zaporedje, različica, struktura, literatura, klinično) v enem samem delovnem toku od konca do konca, ki ga podpira AI
• Sposobnost uporabe načela "umetna inteligenca proizvaja, človek preverja in jamči" in preverjanja primarnega vira na vsakem koraku
• Sposobnost upravljanja verige preverjanja z dokumentiranjem zaupnosti in končno odobritvijo strokovnjakov v primeru od konca do konca

V tem modulu smo razpravljali o vsaki stopnji posebej, od analize zaporedja do strukture beljakovin, od CRISPR do omike, od literature do etike in zaupnosti. V tej končni enoti jih vse združimo v en realističen potek dela: potovanje različice, najdene pri pacientu, od neobdelanih podatkov do odobrenega kliničnega poročila. Cilj je celovito videti, kako postaviti umetno inteligenco (AI) kot pomočnika od konca do konca in kako se preverjanje in človeška odgovornost prepletata na vsaki stopnji.

Naš scenarij (izmišljen): 34-letna bolnica pride na genetsko oceno z družinsko anamnezo raka dojke v zgodnjem otroštvu. Različica v genu BRCA1 je bila najdena v panelnem testu. Naše poslanstvo: razvrstiti to različico, interpretirati njen možen vpliv na beljakovine, pregledati literaturo in osnutek kliničnega poročila – z uporabo umetne inteligence na vsakem koraku in njeno validacijo na vsakem koraku.

Faza 1: Popravljanje variante in nadzor zasebnosti

Na samem začetku poteka dela naredimo dvoje: standardiziramo podatke in zagotovimo zaupnost.

Zasebnost na prvem mestu: pacientovo ime, identifikacijska številka in datum rojstva ne vnesejo nobenih odprtih orodij AI (enota 10). Delamo samo z različico, različico genoma in transkriptom – in le, če različica ne identificira posameznika. Nato popravimo različico: GRCh38, BRCA1, NM_007294.4, na primer c.5266dupC (p.Gln1756fs). To potrdimo z validatorjem (VariantValidator); Ne sprejemamo predstavitve, ki jo daje AI po nominalni vrednosti (Enota 1, 3).

2. stopnja: Zbiranje dokazov (3. enota)

Umetna inteligenca ima izdelano dokazno ogrodje ACMG – vendar ne da bi razred to povedal. Nato vsak dokaz sami preverimo:

• frekvenca gnomAD: iščemo različico v gnomAD in vidimo, da je zelo redka/odsotna (v smeri PM2).
• ClinVar: Odpremo zapis in preverimo obstoječe komentarje in svežino.
• Vrsta različice: Če premik okvirja vodi do prezgodnjega prenehanja, lahko obstajajo trdni dokazi o izgubi funkcije (PVS1) – vendar to ocenjujemo v kontekstu gena in prepisa.

Ne uporabljamo nobene frekvence ali reference, ki jo poda umetna inteligenca, ne da bi jo preverili (enota 9).

Faza 3: Interpretacija proteinske strukture (Enota 4)

Da bi razumeli učinek različice na beljakovino, prenesemo strukturo AlphaFold (z njeno številko UniProt), pogledamo oceno zaupanja pLDDT in funkcionalne opombe UniProt prizadete regije. Ker premik okvirja spremeni velik del proteina, lahko interpretacija strukture tukaj podpira hipotezo o izgubi funkcije - vendar je struktura ugibanje, ne dokončen dokaz. AI ne zahtevamo koordinat; Beremo iz datoteke.

4. stopnja: Preverjanje literature (Enota 7)

Iskalne izraze pridobimo od umetne inteligence, iščemo na samem PubMedu in najdemo dejanske članke o različici in genu. Z DOI/PMID preverimo citate, ki jih AI predloži "po spominu". Ohranjamo razlikovanje med odnosom in vzročnostjo pri izvoru.

Stopnja 5: Klasifikacija in klinična interpretacija (Enote 3, 8)

Združimo potrjene dokaze in sklepamo o verjetnem razredu s kombinacijo ACMG (v tem primeru so močni dokazi o izgubi funkcije in redkosti lahko v smeri "patogenega/verjetno patogenega" - vendar ima zadnjo besedo strokovnjak). Kombiniramo klinično interpretacijo s fenotipom in družinsko anamnezo: ali je bolnikova slika skladna z BRCA1? Če obstaja negotovost, to povemo iskreno.

Faza 6: Osnutek poročila in odobritev (enota 8)

Z AI pripravimo osnutke poročil za zdravnika in pacienta; V jeziku, ki ne pretirava vzročnosti, je jasen glede negotovosti in usmerja k genetskemu svetovanju. Strokovnjak potrdi vsak stavek. Dodamo rubriko omejitve (česa test ne zajema, pogoji ponovnega ocenjevanja).

Nasvet: Ko vnašate izhod vsake stopnje v naslednjo v toku od konca do konca, se prepričajte, da je izhod preverjen. Nepreverjena frekvenca ali pripis se nepravilno prenese naprej v vse naslednje stopnje (verižna halucinacija – Enota 9).

tabela poteka dela

Oder

Vloga AI

Obvezno preverjanje

odločevalec

pritrjevanje

demo skica

VariantValidator

strokovnjak

Zasebnost

Nadzor anonimizacije

človeški nadzor

strokovnjak

dokazi

Postavitev ogrodja

gnomAD, ClinVar

strokovnjak

struktura

Komentiraj

pLDDT, datoteka

strokovnjak

literature

Iskalni izraz, povzetek

DOI/PMID

strokovnjak

razred

kombinirani osnutek

Pravila ACMG

strokovnjak

Poročilo

jezikovni osnutek

odobritev stavek za stavkom

Strokovnjak/svetovalec

Trije mini primeri (prelomne točke v toku)

Primer 1 – Napačen prepis. Ena ekipa je delala s prepisom, ki ga je dal AI na začetku toka; pozneje je spoznal, da je panel uporabil drugačen prepis. c. Njihovi položaji so se spremenili. Napaka je bila odpravljena s popravkom od začetka z VariantValidator. Nauk: napaka v fazi popravljanja zmoti celoten tok.

2. primer – Ponarejen podporni članek. V literaturi je AI predlagal prepričljiv dokument, ki podpira klasifikacijo. Preverjanje PMID je pokazalo, da članek ne obstaja; odstraniti iz verige dokazov. Dejanski dokazi so zadostovali, toda akademsko/klinično zaupanje bi bilo omajano, če bi lažno pripisovanje ostalo v poročilu.

Primer 3 – Pridobljena potrditev. V fazi poročanja je osnutek AI vključeval izjavo "ta različica zagotovo povzroča raka." Svetovalec je to popravil z besedami, da "ta različica bistveno poveča tveganje za raka dojke/jajčnikov, vendar ne kaže na dokončno bolezen" in dodal priporočilo za genetsko svetovanje. Ton in natančnost sta se oblikovala v strokovnih rokah.

Dve predlogi za kopiranje (od konca do konca)

1) Načrtovalec toka:

Vaša vloga: asistent delovnega toka klinične genetike. Ustvarite kontrolni seznam od konca do konca od odkritja do poročila za naslednjo različico: [različica genoma, gen, prepis, HGVS]. Zapišite na vsaki stopnji (fiksacija, zasebnost, dokazi, struktura, literatura, razred, poročilo) s stolpci "Kaj počne AI / kaj preverjam / kdo odloča". VI sprejmete odločitev o razredu in klinični študiji.

2) Končni pregled:

Vnaprej preverite naslednji izpolnjeni komentar o različici in poročajte o osnutku pred oddajo: [vsebina]. Preverite: nepotrjeno pogostost/pripis, pretirano izjavo o vzročnosti/natančnosti, manjkajoče opozorilo o dvoumnosti, manjkajočo delitev meja, ranljivost zasebnosti. Navedite vsako težavo in vse predloge za njeno odpravo.

Šibek poziv/močan poziv

Slab: "Napišite celotno klinično poročilo za to različico BRCA1."

Težava: umetna inteligenca ustvari "poročilo" tako, da prilagodi vse stopnje naenkrat; pogostnost, pripisovanje, razred, klinična presoja niso potrjeni.

Strong: "Naredite kontrolni seznam od odkritja do poročila za to različico BRCA1; na vsaki stopnji ločite, kaj boste storili, kaj bom preveril in kdo bo sprejel odločitev. Po potrditvi dokazov bom sprejel razredno in klinično odločitev."

Zakaj je močan: tok je strukturiran, vsaka stopnja je vezana na validacijo, odločitev in odgovornost pa ostaneta na človeku.

Pogoste napake

• Zahtevanje "končanega poročila" z enim pozivom. Stopnje so združene brez preverjanja; napaka se kopiči.
• Ignoriranje faze fiksiranja. Nepravilna različica/prepis ovrže celoten tok.
• Premikanje izhoda med stopnjami brez preverjanja. Pojavi se verižna halucinacija.
• Razmišljanje o zasebnosti na "koncu" toka. Zaupnost je treba vzpostaviti predvsem pri vnosu podatkov.
• Odločitev in ton prepuščamo AI. Učilnica in klinična sporočila mora odobriti specialist.

Pozor: uporaba AI od konca do konca prihrani veliko časa, vendar ne zmanjša odgovornosti; Ravno nasprotno, zaradi tega je disciplina preverjanja na vsaki stopnji še pomembnejša. AI pospeši tok; Human jamči za natančnost, varnost in etično skladnost.

Globina: prihranek časa pri poteku dela, krhkost in revizijska sled

Prava vrednost pretoka od konca do konca ni v tem, da "naj AI naredi vse", temveč v pridobivanju časa na pravih mestih in upočasnjevanju na pravih mestih. Kvantificirajmo dobiček v tem scenariju: nastavitev ogrodja dokazov, generiranje iskalnih izrazov, poenostavitev jezika poročila in izdelava porevizijskega kontrolnega seznama lahko skrajša tisto, kar bi običajno trajalo več ur dela pri pripravi osnutkov, na desetine minut. V nasprotju s tem veljavnosti gnomAD/ClinVar, pripenjanja VariantValidator, preverjanja DOI in strokovne presoje ni mogoče skrajšati – so varnostna hrbtenica toka. Pravilna miselnost: "AI proizvaja osnutek, človek deluje kot porok." Dobiček je v osnutku, odgovornost je v odločitvi.

Najbolj krhka povezava v toku je vedno prva: sidranje. Napačna različica genoma ali napačen prepis se tiho širi v vsako naslednjo stopnjo in sčasoma ustvari popolnoma neveljavno poročilo. Zato ne nadaljujte z naslednjim korakom, ne da bi potrdili sidro z enim samim samostojnim orodjem (kot je VariantValidator). Druga najbolj ranljiva točka je prenos izhoda med stopnjami: če nepreverjeni izhod ene stopnje postane vhod v naslednjo, povzroči verižno halucinacijo.

Nazadnje, v kliničnem kontekstu je revizijska sled sestavni del toka: dokumentirati je treba, kateri vir je bil preverjen na kateri datum, katera različica ClinVar je bila videna, kdo je odobril katero odločitev. Pregledi ClinVar se sčasoma spreminjajo; Zapis, ki je "danes patogeni", je morda leto kasneje nazadoval v VUS. Revizijska sled omogoča tako ponovno oceno kot pravno/etično odgovornost.

funkcijo pretakanja

načelo

Aplikacija

prihranek časa

Pohitite z osnutkom

Ogrodje, jezik, kontrolni seznam iz AI

Krhkost

Zavarujte prvi obroč

Potrdite pritrditev z neodvisnim orodjem

Izhodni transport

Premik brez preverjanja

Vsaka stopnja je odobrena pri izvoru

revizijska sled

Dokumentirajte vsako odločitev

Vir, datum, odobril registrirani

Če povzamem

• Potovanje različice od odkritja do poročila; Zajema stopnje določanja, zaupnosti, dokazov, strukture, literature, razreda in poročila.
• AI izdela osnutek/kodo/povzetek na vsaki stopnji; Na vsaki stopnji strokovnjak preveri in odloči.
• Izhod med stopnjami je treba premakniti na naslednjo šele po preverjanju.
• Zaupnost je vzpostavljena od samega začetka; Razred in klinična odločitev se končno sprejme z odobritvijo strokovnjaka.

Aplikacijska naloga

Izberite izmišljeno različico (npr. dobro znani zapis BRCA1). 1. Ustvarite kontrolni seznam od konca do konca s predlogo in sami izvedite vsako stopnjo v metodi ustrezne enote v tem modulu: popravite različico, preverite gnomAD/ClinVar, poglejte strukturo AlphaFold, poiščite pravi članek, utemeljite možni razred in sestavite osnutek odstavka poročila ter ga lektorirajte s strokovnim očesom. Poskusite najti razliko med AI in virom v vsaj dveh fazah.

kontrolni seznam

• [ ] Zasebnost sem nastavil od začetka; Nisem prenesel nobenih identifikacijskih podatkov.
• [ ] Varianto sem popravil z različico/prepisom in jo potrdil z validatorjem.
• [ ] Vsak dokaz (pogostost, ClinVar, literatura) sem preveril v primarnem viru.
• [ ] Komentar strukture sem naredil z oceno zaupanja in iz datoteke.
• [ ] Osebno sem potrdil razred in klinično interpretacijo na podlagi dokazov.
• [ ] Preveril sem vzročnost/natančnost v jeziku poročila in dodal meje.

Modulni izpit

1. Kaj od naslednjega je najbolj natančno pozicioniranje umetne inteligence (zlasti velikega jezikovnega modela) v molekularni biologiji in genetiki?

• A) Je pomočnik, ki piše kodo, izdeluje osnutke in komentira; Vsak biološki pojav mora biti preverjen v primarnem viru, končna interpretacija pripada strokovnjaku ✔
• B) Je zanesljiva zbirka podatkov o genomih; Podana zaporedja in različice se lahko zapišejo neposredno v poročilo.
• C) Ker meri kot laboratorijski instrument, se njegovi rezultati štejejo za eksperimentalne dokaze.
• D) Pristojen je za dokončno odločitev o klinični patogenosti brez odobritve človeka.

Pojasnilo: Veliki jezikovni model ni podatkovna zbirka genoma ali laboratorijsko orodje; Je generator besedila, ki statistično posnema besedila v podatkih o usposabljanju. Biološka dejstva, kot so zaporedje/različica/gen, je treba vedno preveriti iz primarnih virov, kot so NCBI, Ensembl, ClinVar, gnomAD; Končna klinična in znanstvena razlaga naj pripada pristojnemu strokovnjaku.

2. Koordinato genoma različice ste prejeli od AI, vendar vaš projekt uporablja GRCh38 (hg38). Umetna inteligenca je morda dala koordinato hg19. Kakšen je pravi pristop?

• A) Neposredna uporaba koordinate, ker se zdi smiselna
• B) Za različico ni treba zahtevati, saj umetna inteligenca vedno ponudi najnovejšo različico.
• C) Izrecno potrdite različico genoma in preverite koordinato z uradnim orodjem liftOver ✔
• D) Ker je razlika med hg19 in hg38 nepomembna, izberite enega in nadaljujte

Opis: premik koordinat med različicami genoma (GRCh37/hg19 in GRCh38/hg38). Vse koordinate, podane brez različice, so sumljive. Koordinate je treba transformirati/preveriti z uradnim orodjem liftOver, uporabljeno različico genoma pa je treba jasno potrditi; drugače bosta celotna poravnava in komentar kazala na napačno lokacijo.

3. V zapisu HGVS 'c.', 'p.' in 'g.' Kaj pomenijo predpone in zakaj jih ne smemo zamenjevati?

• A) Vsi trije pomenijo isto stvar, ni pomembno, kateri je uporabljen.
• B) 'c.' kodiranje DNK/prepis, 'p.' beljakovine, 'g.' je genomska raven; Če se zmede, lahko kaže na drugo lokacijo ✔
• C) 'p.' vedno 'c.' je trikratnik njegove vrednosti, je pretvorba samodejna in brez napak
• D) Predpone so zgolj formalne; Različice prepisa ni treba navesti

Opis: HGVS je standardna črkovalna oblika z različicami: 'c.' raven kodiranja DNA (prepis), 'p.' raven beljakovin, 'g.' se nanaša na genomsko raven. Če jih pomešate ali uporabite napačno različico prepisa, lahko kažete na popolnoma drugačen lokus/različico; zato je treba uporabiti pravilno predpono skupaj z različico prepisa (npr. NM_007294.4).

4. Kakšna bi morala biti vloga AI pri uporabi meril ACMG za oceno patogenosti različice?

• A) Umetna inteligenca dokončno oblikuje dokaze in razred; ni potreben strokovni nadzor
• B) Nadzor GnomAD je nepotreben, saj umetna inteligenca poda frekvenco populacije iz svojega spomina.
• C) Ker so kriteriji ACMG strogi, se rezultat umetne inteligence samodejno šteje za pravilnega
• D) Umetna inteligenca lahko ustvari osnutke dokazov; Vsak dokaz naj bo preverjen v primarnem viru, končno razvrstitev pa naj opravi strokovnjak ✔

Opis: ACMG je ogrodje, ki razvršča variantno patogenost po kategorijah dokazov (pogostnost populacije, napoved in silico, segregacija, funkcionalna študija, literatura). AI lahko pripravi osnutke dokazov; Vendar mora biti vsak dokaz osebno preverjen v ClinVar, gnomAD in literaturi, končno klasifikacijo (patogeni/verjetno patogeni/VUS...) pa opravi pristojni strokovnjak.

5. Delali boste z zaporedjem DNK, ki ga je podala umetna inteligenca. Kaj je najboljši prvi korak?

• A) Uporaba zaporedja tako, da ga pridobite iz primarnega vira, kot je NCBI/Ensembl, ali ga potrdite s tamkajšnjo referenco ✔
• B) Vstavljanje zaporedja neposredno v analizo, ker se zdi, da je pravilne dolžine
• C) Ob predpostavki, da je zaporedje pravilno, če so črke sestavljene iz veljavnih nukleotidov
• D) Ponovno vprašajte umetno inteligenco o zaporedju in ga štejte za pravilno, če sta izhoda enaka.

Pojasnilo: umetna inteligenca lahko 'izpolni' niz, ki si ga ne zapomni, z verjetnimi črkami; Tudi če se dolžina in črke zdijo pravilne, se morda ne ujemajo z dejansko referenco. Zato se nobeno zaporedje, ki ga poda umetna inteligenca iz glave, ne uporablja neposredno; zaporedje je vzeto iz primarnega vira, kot je NCBI/Ensembl, ali potrjeno z referenco tam.

6. Kaj pomeni rezultat pLDDT pri napovedi strukture beljakovin z orodjem, kot je AlphaFold?

• A) Je potrdilo, ki dokazuje, da je bila struktura eksperimentalno dokazana
• B) To je laboratorijska vrednost, ki meri raven funkcionalne aktivnosti beljakovine.
• C) To je rezultat, ki kaže zaupanje modela v napoved lokalne strukture za vsak ostanek; nižja vrednost je fleksibilno/nezanesljivo območje ✔
• D) Je razmerje, ki kaže variantno pogostnost proteina v populaciji.

Opis: pLDDT (0–100) je rezultat zaupanja, ki kaže, kako zanesljiv je AlphaFold pri predvidevanju svoje lokalne strukture za vsak ostanek (aminokislina). Visok pLDDT pomeni zanesljivo lokalno strukturo, nizek pLDDT pomeni prožno/neurejeno ali nezanesljivo regijo. Struktura je ugibanje; regij z nizko stopnjo zaupanja ne bi smeli pretiravati, funkcionalne trditve pa morajo biti podprte z eksperimentalnimi dokazi.

7. Zakaj je tvegano trditi, da mutacija 'popolnoma onesposobi' protein na podlagi napovedi strukture AlphaFold?

• A) Struktur AlphaFold ni mogoče uporabiti za noben namen, ker so vedno napačne
• B) Struktura je ugibanje; funkcionalne trditve so na ravni hipotez in zahtevajo eksperimentalno preverjanje ✔
• C) Ni tveganja; Izpis AlphaFold je tako natančen kot eksperimentalna zgradba
• D) Tveganje obstaja le, če je pLDDT nizek; Če je visoka, se trditev samodejno šteje za dokazano.

Razkritje: AlphaFold je napoved strukture, ne eksperimentalni dokaz; Posebej je omejen v prožnih/neurejenih regijah in pri modeliranju učinkov mutacije. Funkcionalne trditve, ki temeljijo na konstruktu, so na ravni hipoteze in zahtevajo eksperimentalno preverjanje (npr. funkcionalna študija). V nasprotnem primeru je napoved predstavljena kot dokaz.

8. Kateri je najbolj kritičen korak validacije v zvezi s kandidati za CRISPR gRNA (guide RNA), ki jih predlaga umetna inteligenca?

• A) Če je dolžina gRNA pravilna, nadaljnja preverjanja niso potrebna
• B) Če umetna inteligenca pravi, da je učinek izven cilja nizek, nadaljujte neposredno s poskusom
• C) Zadostno zagotovilo je, da zaporedje gRNA sestoji iz veljavnih nukleotidov
• D) Potrdite kandidate z resnično poravnavo genoma in strokovnimi orodji za analizo, ki ni ciljna, ter jih potrdite v laboratoriju ✔

Opis: gRNA je vodilna RNA, ki usmerja encim Cas do tarče; Z napačno zasnovo lahko odreže tudi neciljna območja. Kandidate, ki jih vrne umetna inteligenca, je treba potrditi z dejansko poravnavo genoma in strokovnimi orodji za analizo izven cilja, nato pa potrditi z laboratorijskim eksperimentiranjem. Samo zato, ker umetna inteligenca pravi, da je "varno", ni nadomestilo za preverjanje.

9. Zakaj je pri testiranju razlik v izražanju tisočih genov z RNA-seq potrebna večkratna korekcija testiranja (npr. FDR/Benjamini-Hochberg)?

• A) Na tisoče sočasnih testov napihne lažno pozitivne rezultate; Popravek FDR jih omejuje, neobdelana p-vrednost je zavajajoča ✔
• B) Popravek je potreben le, če je število vzorcev majhno; To nima nobene zveze s številom genov
• C) Večkratna korekcija testiranja ne spremeni rezultata, je le formalna
• D) Surov p<0,05 vedno zadostuje; popravek po nepotrebnem oteži statistiko

Pojasnilo: Ko sočasno testiramo na tisoče genov, veliko genov zgolj po naključju dobi p<0,05 (lažno pozitivno). Popravek večkratnega testiranja (FDR - nadzor stopnje napačnega odkrivanja) omejuje te lažne pozitivne rezultate. Seznami genov, razglašenih za 'pomembne' z nepopravljenimi p-vrednostmi, so zavajajoči; Uporabiti je treba prilagojeno vrednost (q-vrednost).

10. Kaj pomeni, če se v analizi obogatitve poti ugotovi, da je pot 'znatno obogatena' in kako je treba to razlagati?

• A) Dokazuje, da je pot dokončni vzrok bolezni
• B) To je eksperimentalni dokaz, da je pot aktivna v celici
• C) Je statistični signal, ki kaže, da so geni poti preveč zastopani od pričakovanega; Zahteva kritično razlago, ne vzročnosti ✔
• D) To je zadosten rezultat sam po sebi, neodvisno od ozadja in popravkov večkratnega testiranja

Opis: Obogatitev je statistični signal, ki kaže, da je določena pot preveč zastopana med geni, katerih izražanje se spreminja; To ni dokaz vzročnosti ali da je pot dejansko aktivna. Zaključek; Uporabljeni nabor genov je treba razlagati kritično v kontekstu izbire ozadja in popravkov večkratnega testiranja ter z biološko verjetnostjo.

11. Pri podajanju povzetka literature lahko AI citira članek, ki se zdi resničen, vendar ne obstaja (lažno citiranje). Kakšen je pravi pristop?

• A) Če sta avtor in ime revije realna, je navedba verjetno pravilna, preverjanje je nepotrebno
• B) Preverite vsako navedbo v primarnem viru prek DOI/PubMed; ✔ neuporaba tistega, česar ni mogoče najti
• C) Umetna inteligenca ne sestavlja pripisovanja; Njegove reference je mogoče dodati neposredno v bibliografijo
• D) Če je citatov veliko, ni problem, če je nekaj napačnih.

Opis: umetna inteligenca lahko ustvari popolnoma izmišljen članek (in ponarejen DOI) z resničnimi imeni avtorjev v resnični reviji. Vsak citat mora biti osebno preverjen pri primarnem viru prek DOI/PubMed; Referenc, ki jih ni mogoče najti, ne uporabljajte. Znanstvena odgovornost pripada avtorju; V besedilo naj ne pridejo nepreverjene reference.

12. Katero je najbolj natančno načelo glede priprave kliničnega genetskega poročila, ki ga ustvari umetna inteligenca?

• A) Če je osnutek tekoč, ga lahko damo neposredno bolniku
• B) Ločeno preverjanje vira ni potrebno, saj AI ustvarja tudi dokaze
• C) Odločitev o patogenosti v poročilu lahko prepustimo umetni inteligenci, strokovnjak preveri le obliko
• D) Vsaka klinična trditev mora biti utemeljena, končno poročilo mora odobriti pristojni specialist, veriga preverjanja pa mora biti dokumentirana ✔

Opis: Umetna inteligenca prihrani čas pri pripravi osnutkov poročil in povzetkov; Vsaka klinična trditev pa mora biti povezana z dokazi in primarnimi viri, končno poročilo pa mora potrditi pooblaščeni strokovnjak. Rezultata umetne inteligence ni mogoče neposredno prevesti v odločitev bolnika; Verifikacijska veriga mora biti dokumentirana.

13. Kaj pomeni, če umetna inteligenca zveni zelo tekoče in "zavestno"?

• A) Samozavesten ton ni dokaz točnosti; Potreba po potrjevanju se poveča, ne zmanjša ✔
• B) Tekoč in odločen odgovor je najverjetneje resničen, potrditev je nepotrebna
• C) Samozavesten ton pomeni, da model bere podatke neposredno iz pomnilnika
• D) Ton je merilo samozavesti, saj so neodločni odgovori napačni, samozavestni pa pravilni.

Pojasnilo: Samozavesten ton AI ni dokaz točnosti; Najnevarnejše halucinacije prihajajo z najbolj tekočimi in prepričljivimi stavki. Ko je viden samozavesten ton, se potreba po preverjanju poveča, ne zmanjša. Vsako dejstvo (zaporedje, različica, gen, referenca) je treba navzkrižno potrditi z neodvisnim primarnim virom.

14. Kateri je najpomembnejši previdnostni ukrep glede zasebnosti, preden daste pacientove genetske podatke v analizo javno dostopnemu orodju AI?

• A) Če so podatki kodirani v base64, jih je mogoče varno prilepiti
• B) Če se izbriše samo bolnikovo ime, nadaljnje ukrepanje ni potrebno
• C) Sploh ne zagotavlja osebno določljivih podatkov; anonimizacija, minimizacija podatkov in privolitev/upoštevanje pravnega okvira ✔
• D) Genetski podatki se lahko prosto delijo, ker se ne štejejo za osebne podatke.

Opis: Genetski podatki so posebna kategorija osebnih podatkov in posameznika je mogoče ponovno identificirati z redkimi kombinacijami variant. Določljivi genetski podatki niso nikoli posredovani odprtim orodjem; podatki morajo biti anonimizirani, deliti je treba le minimalne potrebne informacije (minimizacija podatkov) in upoštevati privolitveni/pravni okvir (KVKK/GDPR).