Περίληψη
Ιστορικό: Οι αποφάσεις σχετικά με την ασφάλεια και την αποτελεσματικότητα για συμπληρώματα διατροφής, τρόφιμα για ειδικούς ιατρικούς σκοπούς και νέα συστατικά εξαρτώνται όλο και περισσότερο από μεγάλα, ετεroγενή σύνολα αποδεικτικών στοιχείων: τυχαιοποιημένες δοκιμές, μελέτες παρατήρησης, τοξικολογία ζώων, in vitro μηχανisticές εργασίες και ρυθmιστικές γνωμοδοτήσεις. Η μηχανική μάθηση και τα μεγάλα γλωσσικά μοντέλα (LLMs) υπόσχονται να συντομεύσουν τα πιο αργά στάδια της σύνθεσης αποδεικτικών στοιχείων, αλλά οι δημοσιευμένες αξιολογήσεις δείχνουν ότι η αξιοπιστία τους ποικίλλει σημαντικά μεταξύ των εργασιών.
Στόχος: Η περιγραφή ενός πλαισίου με ανθρώπινη συμμετοχή (human-in-the-loop) στο οποίο τα εργαλεία τεχνητής νοημοσύνης επιταχύνουν την ανάκτηση, την αποδιδύμωση, την ιεράρχηση και την εξαγωγή δεδομένων προσχεδίου, ενώ κάθε απόφαση ένταξης, αξιολόγηση κινδύνου μεροληψίας, βαθμολογία βεβαιότητας και συμπέρασμα παραμένει σε έναν κατονομαζόμενο, ειδικευμένο ανθρώπινο αξιολογητή.
Μέθοδοι: αφηγηματική μεθοδολογική αναθεώρηση των προτύπων αναφοράς και αξιολόγησης (PRISMA 2020, PRISMA-S, PRISMA-P, PECO, RoB 2, ROBINS-I, AMSTAR 2, GRADE, η προσέγγιση OHAT και η καθοδήγηση της EFSA σχετικά με τη μεθοδολογία συστηματικής ανασκόπησης για την ασφάλεια τροφίμων και ζωοτροφών), δημοσιευμένων αξιολογήσεων μηχανικής μάθησης και LLM σε εργασίες συστηματικής ανασκόπησης, και των υποχρεώσεων του Κανονισμού (ΕΕ) 2024/1689 (Πράξη για την Τεχνητή Νοημοσύνη) που σχετίζονται με την επιστημονική εργασία που υποστηρίζεται από τεχνητή νοημοσύνη.
Συμπεράσματα: Τα αποδεικτικά στοιχεία υποστηρίζουν την τεχνητή νοημοσύνη ως επιταχυντή της αναζήτησης, της ιεράρχησης διαλογής και της εξαγωγής προσχεδίων, και όχι ως αυτόνομο αξιολογητή. Η μη εποπτευόμενη έξοδος LLM μπορεί να περιέχει κατασκευασμένες αναφορές και αναξιόπιστες αποφάσεις διαλογής. Μια υπερασπίσιμη ροή εργασίας προκαταχωρεί το πρωτόκολλο, καταγράφει κάθε βήμα που υποστηρίζεται από τεχνητή νοημοσύνη, επαληθεύει κάθε παραπομπή σε βιβλιογραφικό μητρώο, ελέγχει κάθε αριθμό έναντι του κειμένου πηγής και διατηρεί την τελική επιστημονική κρίση σε υπεύθυνους εμπειρογνώμονες.
1. Εισαγωγή
Ένας φάκελος προϊόντος για ένα συμπλήρωμα διατροφής ή ένα προϊόν ιατρικής διατροφής είναι τόσο ισχυρός όσο η ανασκόπηση των αποδεικτικών στοιχείων πίσω από αυτόν. Οι ρυθμιστικές αρχές, οι κlινικοί γιατροί και οι ιδιοκτήτες εμπορικών σημάτων πρέπει να γνωρίζουν όχι μόνο τι βρήκε μια μελέτη αλλά και πώς βρέθηκαν οι μελέτες, γιατί ορισμένες εξαιρέθηκαν και πόσο βέβαιος είναι ο αξιολογητής για το συνολικό σώμα αποδεικτικών στοιχείων. Η μεθοδολογία συστηματικής ανασκόπησης απαντά σε αυτά τα ερωτήματα μέσω μιας διαφανούς, αναπαραγώγιμης ακολουθίας: μια προκαθορισμένη ερώτηση και πρωτόκολλο, μια τεκμηριωμένη αναζήτηση, ανεξάρτητη διαλογή, δομημένη εξαγωγή δεδομένων, αξιολόγηση κινδύνου μεροληψίας και μια βαθμολογημένη δήλωση βεβαιότητας.
Για την ασφάλεια των τροφίμων και των ζωοτροφών, η Ευρωπαϊκή Αρχή Ασφάλειας Τροφίμων δημοσίευσε καθοδήγηση σχετικά με την εφαρμογή αυτής της μεθοδολογίας σε ερωτήσεις εκτίμησης κινδύνου ήδη από το 2010 [10]. Στην περιβαλλοντική υγεία και την τοξικολογία, η προσέγγιση OHAT του Εθνικού Τοξικολογικού Προγράμματος επέκτεινε τη συστηματική ανασκόπηση στην ενσωμάτωση ανθρώπινων, ζωικών και μηχανisticών αποδεικτικών στοιχείων για τον εντοπισμό κινδύνου [6]. Αυτά τα πλαίσια είναι απαιτητικά: μια ενιαία ανασκόπηση μπορεί να περιλαμβάνει χιλιάδες αρχεία και εβδομάδες χρόνου εμπειρογνωμόνων.
Τα εργαλεία μηχανικής μάθησης για αναζήτηση, διαλογή και εξαγωγή έχουν ωριμάσει την τελευταία δεκαετία [15, 16], και τα LLM γενικής χρήσης είναι πλέον ευρέως διαθέσιμα. Το ερώτημα για οποιονδήποτε οργανισμό παράγει επιστημονικούς φακέλους δεν είναι πλέον αν θα χρησιμοποιήσει τεχνητή νοημοσύνη, αλλά πού μπορεί να εμπιστευτεί την έξοδο της τεχνητής νοημοσύνης, πού πρέπει να επαληθευτεί και πού δεν μπορεί να εκχωρηθεί η ανθρώπινη κρίση.
2. Πρότυπα αναφοράς και αξιολόγησης που δεν αλλάζουν με την τεχνητή νοημοσύνη
2.1 Ερώτηση, πρωτόκολλο και αναζήτηση
Μια ανασκόπηση ξεκινά με μια δομημένη ερώτηση. Για παρεμβάσεις, αυτό είναι συνήθως το PICO (πληθυσμός, παρέμβαση, συγκριτικό στοιχείο, έκβαση)· για ερωτήσεις ασφάλειας και έκθεσης, το πλαίσιο PECO (πληθυσμός, έκθεση, συγκριτικό στοιχείο, έκβαση) είναι πιο κατάλληλο, επειδή φιλοξενεί εκθέσεις που δεν επιλέγονται από τον συμμετέχοντα και συγκρίσεις μεταξύ επιπέδων έκθεσης [9]. Το πρωτόκολλο θα πρέπει να συντάσσεται πριν αρχίσει η διαλογή και να αναφέρεται σύμφωνα με το PRISMA-P, μια λίστα ελέγχου 17 σημείων [3].
Η αναζήτηση πρέπει να είναι αναπαραγώγιμη. Το PRISMA-S προσθέτει 16 στοιχεία αναφοράς ειδικά για αναζητήσεις βιβλιογραφίας, συμπεριλαμβανομένων των βάσεων δεδομένων και πλατφορμών που χρησιμοποιούνται, των πλήρων συμβολοσειρών αναζήτησης, των ορίων, της ημερομηνίας της τελευταίας αναζήτησης και της μεθόδου αποδιδύμωσης [2]. Αυτά τα στοιχεία ισχύουν ανεξάρτητα από το αν ένα ερώτημα συντάχθηκε από άτομο ή προτάθηκε από εργαλείο τεχνητής νοημοσύνης: η τελική συμβολοσειρά αναζήτησης, όπως εκτελέστηκε, είναι αυτό που πρέπει να αναφερθεί.
2.2 Επιλογή, εξαγωγή και αναφορά
Το PRISMA 2020 παρέχει μια λίστα ελέγχου 27 σημείων και ένα διάγραμμα ροής που αντιπροσωπεύει κάθε αρχείο από τον εντοπισμό έως την ένταξη [1]. Η συμβατική πρακτική είναι η ανεξάρτητη διπλή διαλογή από δύο αξιολογητές. Μια μεθοδολογική συστηματική ανασκόπηση που συνέκρινε την απλή με τη διπλή διαλογή διαπίστωσε μια διάμεση τιμή 5% των σχετικών μελετών που χάθηκαν από την απλή διαλογή (εύρος 0–58%), η οποία αυξάνεται σε διάμεση τιμή 13% για λιγότερο έμπειρους αξιολογητές [11]. Η συμφωνία μεταξύ των αξιολογητών ποσοτικοποιείται συνήθως με το κάππα του Cohen [17] και ερμηνεύεται στην κλίμακα Landis και Koch, στην οποία οι τιμές 0,61–0,80 δείχνουν ουσιαστική και 0,81–1,00 σχεδόν τέλεια συμφωνία.[18]
2.3 Κίνδυνος μεροληψίας και βεβαιότητα
Κάθε μελέτη που περιλαμβάνεται αξιολογείται με ένα εργαλείο κατάλληλο για τον σχεδιασμό: RoB 2 για τυχαιοποιημένες δοκιμές, δομημένο σε πέντε τομείς μεροληψίας [4], και ROBINS-I για μη τυχαιοποιημένες μελέτες παρεμβάσεων, δομημένο σε επτά τομείς [5]. Οι υπάρχουσες συστηματικές ανασκοπήσεις που χρησιμοποιούνται ως αποδεικτικά στοιχεία μπορούν να αξιολογηθούν με το AMSTAR 2 [8].
Η βεβαιότητα του σώματος αποδεικτικών στοιχείων για κάθε έκβαση βαθμολογείται στη συνέχεια με το GRADE, το οποίο λαμβάνει υπόψη τον κίνδυνο μεροληψίας, την ασυνέπεια, την έμμεση φύση, την ανακριβία και τη μεροληψία δημοσίευσης, και επιτρέπει την αναβάθμιση για μεγάλα αποτελέσματα, κλίσεις δόσης-απόκρισης και υπολειπόμενη συγχύσεις που θα μείωναν το παρατηρούμενο αποτέλεσμα [7]. Η προσέγγιση OHAT προσαρμόζει αυτή τη λογική σε περιβαλλοντικά και τοξικολογικά αποδεικτικά στοιχεία και μεταφράζει τις βαθμολογίες εμπιστοσύνης σε επίπεδα αποδεικτικών στοιχείων για μια επίδραση στην υγεία, ενσωματώνując ροές ανθρώπων και ζώων [6].
Κανένα από αυτά τα βήματα δεν είναι γραφειοκρατική εργασία. Η απόφαση για το αν ένας πληθυσμός μελέτης είναι αρκετά κοντά στον πληθυσμό-στόχο, αν μια δόση είναι συγκρίσιμη, ή αν ένας παράγοντας σύγχυσης είναι αρκετά σοβαρός ώστε να υποβαθμίσει τη βεβαιότητα απαιτεί εμπειroγνωμοσύνη τομέα και λογοδοσία.
3. Τι λένε τα αποδεικτικά στοιχεία για την τεχνητή νοημοσύνη στις συστηματικές ανασκοπήσεις
3.1 Πού βοηθά η μηχανική μάθηση
Οι Marshall και Wallace εξέτασαν τις μεθόδους μηχανικής μάθησης που προτάθηκαν για αναζήτηση, διαλογή και εξαγωγή δεδομένων και κατέληξαν στο συμπέρασμα ότι αρκετές είναι έτοιμες για πρακτική χρήση, υπό την προϋπόθεση ότι η ομάδα ανασκόπησης κατανοεί τα δυνατά σημεία και τους τρόπους αστοχίας τους [15]. Τα εργαλεία ενεργούς μάθησης, τα οποία ανακατατάσσουν τα μη διαλεγμένα αρχεία καθώς οι αξιολογητές τα επισημαίνουν, επιτρέπουν στις ομάδες να βρίσκουν σχετικές μελέτες νωρίτερα στη διαδικασία διαλογής· διατίθενται πλαίσια ανοιχτού κώδικα, διαφανή αυτού του τύπου [16]. Χρησιμοποιούμενος με αυτόν τον τρόπο, ο άνθρωπος εξακολουθεί να λαμβάνει κάθε απόφαση ένταξης· η μηχανή αλλάζει μόνο τη σειρά με την οποία βλέπονται τα αρχεία.
Για την εξαγωγή δεδομένων προσχεδίου, μια μελέτη απόδειξης της ιδέας διαπίστωσε ότι ένα LLM εξήγαγε 160 προκαθορισμένα στοιχεία δεδομένων από 10 τυχαιοποιημένες δοκιμές ανοιχτής πρόσβασης με συνολική ακρίβεια 96,3%· τα περισσότερα από τα έξι σφάλματά του ήταν στοιχεία που χάθηκαν [12]. Οι συγγραφείς το διατύπωσαν ως δυνατότητα αποτελεσματικότητας, με βάση ένα μικρό δείγμα ευκολίας, και όχι ως αντικατάσταση της ανθρώπινης εξαγωγής.
3.2 Πού αποτυγχάνει η μη εποπτευόμενη τεχνητή νοημοσύνη
Η απόδοση διαλογής είναι λιγότερο καθησυχαστική. Μια προκαταχωρημένη αξιολόγηση ενός LLM γενικής χρήσης που εργάζεται "χωρίς ανθρώπινη συμμετοχή" διαπίστωσε ότι η φαινομενική ακρίβεια διογκώθηκε από τυχαία συμφωνία και ανισορροπία συνόλου δεδομένων. Μετά την προσαρμογή, η απόδοση διαλογής κυμάνθηκε από καμία σε ισορροπημένα σύνολα δεδομένων έως μέτρια σε μη ισορροπημένα, και η απόδοση εξαγωγής δεδομένων ήταν μέτρια. Οι συγγραφείς κατέληξαν στο συμπέρασμα ότι απαιτείται ουσιαστική προσοχή [13].
Η παραγωγή παραπομπών είναι ο πιο σοβαρός τρόπος αστοχίας. Όταν ζητήθηκε από τα LLM να αναπαραγάγουν τις λίστες βιβλιογραφίας 11 δημοσιευμένων συστηματικών ανασκοπήσεων, τα ποσοστά ψευδαισθήσεων (παραπομπές με τουλάχιστον δύο λάθη στον τίτλο, τον πρώτο συγγραφέα ή το έτος) ήταν 39,6%, 28,6% και 91,4% για τα τρία μοντέλα που δοκιμάστηκαν, και η ακρίβεια ήταν το πολύ 13,4% [14]. Ένας φάκελος που παραπέμπει σε ένα ανύπαρκτο έγγραφο χάνει την αξιοπιστία του με τις ρυθμιστικές αρχές και τους κlινικούς γιατρούς, ανεξάρτητα από την ποιότητα του υπόλοιπου έργου.
3.3 Επιπτώσεις
Το μοτίβο είναι συνεπές. Η τεχνητή νοημοσύνη είναι χρήσιμη όταν προτείνει και ένας άνθρωπος αποφασίζει: υποψήφια αρχεία, σειρά διαλογής, πίνακας εξαγωγής προσχεδίου. Είναι αναξιόπιστη όταν η έξοδός της γίνεται αποδεκτή χωρίς επαλήθευση. Το ερώτημα σχεδιασμού είναι επομένως πώς να γίνει κάθε συμβολή τεχνητής νοημοσύνης επαληθεύσιμη, καταγεγραμμένη και να ανήκει σε ένα άτομο.
4. Μια ροή εργασίας με ανθρώπινη συμμετοχή
Η παρακάτω ροή εργασίας ορίζει τις αρχές σχεδιασμού με ανθρώπινη συμμετοχή που χρησιμοποιεί το Olympia Biosciences κατά τον σχεδιασμό ανασκοπήσεων αποδεικτικών στοιχείων για την ανάπτυξη συμπληρωμάτων, θρεπτικών και ιατρικών προϊόντων διατροφής. Όταν μια ανασκόπηση διεξάγεται και αναφέρεται ως συστηματική, κάθε στάδιο που υποστηρίζεται από τεχνητή νοημοσύνη αναμένεται να παράγει το αναφερόμενο αντικείμενο, το οποίο ένας άνθρωπος ελέγχει και υπογράφει πριν ξεκινήσει το επόμενο στάδιο.
- Ερώτηση και πρωτόκολλο
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Προτείνει συνώνυμα, λίστες εκβάσεων και υποψήφια στοιχεία PECO/PICO
Ανθρώπινη ευθύνη: Καθορίζει την ερώτηση, τα κριτήρια επιλεξιμότητας και το σχέδιο ανάλυσης πριν από τη διαλογή
Αντικείμενο επαλήθευσης: Πρωτόκολλο που αναφέρεται στο PRISMA-P [3]
- Αναζήτηση
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Προτείνει παραλλαγές συμβολοσειράς αναζήτησης και υποψήφια αρχεία από σημασιολογική αναζήτηση
Ανθρώπινη ευθύνη: Εγκρίνει τις τελικές συμβολοσειρές· τις εκτελεί και τις τεκμηριώνει σε βιβλιογραφικές βάσεις δεδομένων
Αντικείμενο επαλήθευσης: Αρχείο αναζήτησης PRISMA-S [2]
- Αποδιδύμωση και ιεράρχηση
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Ομαδοποιεί διπλότυπα· κατατάσσει τα αρχεία ανά προβλεπόμενη συνάφεια [16]
Ανθρώπινη ευθύνη: Επιβεβαιώνει τις συγχωνεύσεις· διαλέγει κάθε αρχείο που καθορίζει την ένταξη
Αντικείμενο επαλήθευσης: Διάγραμμα ροής PRISMA 2020 [1]
- Διαλογή
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Επισημαίνει πιθανές εντάξεις και εξαιρέσεις ως δεύτερη γνώμη
Ανθρώπινη ευθύνη: Λαμβάνει και καταγράφει κάθε απόφαση ένταξης/εξαίρεσης με αιτιολογία· επιλύει συγκρούσεις
Αντικείμενο επαλήθευσης: Αρχείο καταγραφής αποφάσεων· συμφωνία μεταξύ αξιολογητών (kappa) [17, 18]
- Εξαγωγή δεδομένων
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Συντάσσει πίνακες εξαγωγής από πλήρη κείμενα [12]
Ανθρώπινη ευθύνη: Ελέγχει κάθε εξαγόμενο αριθμό έναντι του κειμένου πηγής
Αντικείμενο επαλήθευσης: Πίνακας εξαγωγής με αγκυρώσεις σελίδας/εικόνας
- Κίνδυνος μεροληψίας και βεβαιότητα
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Καμία δεν εκχωρήθηκε
Ανθρώπινη ευθύνη: Εφαρμόζει RoB 2, ROBINS-I, AMSTAR 2, GRADE ή OHAT [4–8]
Αντικείμενο επαλήθευσης: Υπογεγραμμένοι πίνακες αξιολόγησης
- Ακεραιότητα παραπομπών
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Συλλέγει αναγνωριστικά
Ανθρώπινη ευθύνη: Επιλύει κάθε DOI σε βιβλιογραφικό μητρώο και επιβεβαιώνει τίτλο, συγγραφείς και έτος
Αντικείμενο επαλήθευσης: Μητρώο επαλήθευσης παραπομπών
- Συμπεράσματα
Συμβολή που υποστηρίζεται από τεχνητή νοημοσύνη: Συντάσσει περιλήψεις απλής γλώσσας
Ανθρώπινη ευθύνη: Γράφει και υπογράφει το συμπέρασμα, συμπεριλαμβανομένων ρητών κενών αποδεικτικών στοιχείων
Αντικείμενο επαλήθευσης: Κατονομαζόμενος, υπόλογος συγγραφέας
Τρεις κανόνες καθιστούν τη ροή εργασίας υπερασπίσιμη:
- Καμία κατασκευασμένη απόδειξη. Κάθε παραπομπή επιλύεται έναντι ενός βιβλιογραφικού μητρώου πριν από τη δημοσίευση. Μια παραπομπή που δεν μπορεί να επιλυθεί αφαιρείται και το κενό δηλώνεται ως "δεν εντοπίστηκαν άμεσα αποδεικτικά στοιχεία" αντί να συμπληρωθεί.
- Κάθε αριθμός είναι ανιχνεύσιμος. Οι δόσεις, τα μεγέθη επίδρασης, τα μεγέθη δειγμάτων και τα όρια ελέγχονται έναντι της περίληψης ή του πλήρους κειμένου, και όχι έναντι μιας περίληψης που παράγεται από τεχνητή νοημοσύνη.
- Τα αποτελέσματα της τεχνητής νοημοσύνης είναι υποψήφια δεδομένα και όχι τε Cεκμήρια. Τα αρχεία, οι εξαγωγές και οι περιλήψεις που προτείνονται από την τεχνητή νοημοσύνη αποτελούν εισροές για ανθρώπινη αξιολόγηση. Η ένταξη, η αποτίμηση, η βεβαιότητα και τα συμπεράσματα αποτελούν αποφάσεις ανθρώπων, οι οποίες καταγράφονται με το όνομα του αξιολογητή.
5. Ρυθμιστικό πλαίσιο: η Πράξη της ΕΕ για την Τεχνητή Νοημοσύνη
Ο κανονισμός (ΕΕ) 2024/1689 θεσπίζει εναρμονισμένους κανόνες σχετικά με την τεχνητή νοημοσύνη στην Ευρωπαϊκή Ένωση [19]. Δύο διατάξεις σχετίζονται άμεσα με την επιστημονική εργασία που υποστηρίζεται από τεχνητή νοημοσύνη. Το άρθρο 4 απαιτεί από τους παρόχους και τους χρήστες συστημάτων τεχνητής νοημοσύνης να διασφαλίζουν επαρκές επίπεδο παιγραμματισμού στην τεχνητή νοημοσύνη μεταξύ του προσωπικού που τα χειρίζεται. Το άρθρο 14 απαιτεί τα συστήματα τεχνητής νοημοσύνης υψηλού κινδύνου να σχεδιάζονται για αποτελεσματική ανθρώπινη εποπτεία, ώστε ένα άτομο να μπορεί να κατανοεί τις δυνατότητες και τους περιορισμούς του συστήματος, να διατηρεί επίγνωση της μεροληψίας αυτοματοποίησης, να ερμηνεύει ορθά το αποτέλεσμά του και να αποφασίζει να μην το χρησιμοποιήσει ή να το παρακάμψει.
Τα εργαλεία υποστήριξης βιβλιογραφικών ανασκοπήσεων δεν κατατάσσονται ως εκ τούτου ως συστήματα υψηλού κινδύνου. Η εθελοντική εφαρμογή των αρχών εποπτείας του Άρθρου 14 αποτελεί ωστόσο ορθή επιστημονική πρακτική: είναι η ίδια αρχή που απαιτείται ανέκαθεν από τη μεθοδολογία της συστηματικής ανασκόπησης, δηλαδή ότι ο αξιολογητής, και όχι το εργαλείο, φέρει την ευθύνη για κάθε κρίση.
6. Περιορισμοί
Αυτή είναι μια αφηγηματική μεθοδολογική ανασκόπηση και όχι μια συστηματική ανασκόπηση εργαλείων τεχνητής νοημοσύνης. Οι δημοσιευμένες αξιολογήσεις γλωσσικών μοντέλων (LLM) στη σύνθεση αποδεικτικών στοιχείων είναι πρόσφατες, συχνά περιορισμένης κλίμακας και ειδικές για συγκεκριμένα μοντέλα, ενώ η απόδοση των μοντέλων μεταβάλλεται μεταξύ των εκδόσεων. Τα στοιχεία που αναφέρονται παραπάνω περιγράφουν τα μοντέλα και τα σύνολα δεδομένων που δοκιμάστηκαν σε αυτές τις μελέτες και δεν πρέπει να γενικεύονται σε άλλα εργαλεία. Οποιοσδήποτε οργανισμός υιοθετεί αξιολόγηση υποβοηθούμενη από τεχνητή νοημοσύνη θα πρέπει να επικυρώνει τη δική του ροή εργασίας έναντι ανθρώπινων προτύπων αναφοράς και να αναφέρει αυτή την επικύρωση.
7. Συμπέρασμα
Η τεχνητή νοημοσύνη μπορεί να καταστήσει την αυστηρή σύνθεση αποδεικτικών στοιχείων ταχύτερη. Δεν μπορεί να την καταστήσει πιο αξιόπιστη από μόνη της. Για τα συμπληρώματα διατροφής, την ιατρική διατροφή και τα καινοτόμα συστατικά, όπου ένας φάκελος πρέπει να αντέχει σε ρυθμιστικό και κλινικό έλεγχο, το υπερασπίσιμο μοντέλο είναι η ανθρώπινη συμμετοχή στη διαδικασία (human-in-the-loop): καθιερωμένα πρότυπα (PRISMA 2020, PRISMA-S, RoB 2, ROBINS-I, GRADE, OHAT), χρήση τεχνητής νοημοσύνης μόνο όπου το αποτέλεσμά της μπορεί να επαληθευτεί, έλεγχος κάθε παραπομπής και αριθμού έναντι της πηγής, και κατονομαζόμενοι εμπειρογνώμονες υπεύθυνοι για κάθε συμπέρασμα.
