Која е улогата на вештачката интелигенција во здравството? [Видео и квиз]

Краток одговор: Вештачката интелигенција во здравството најдобро функционира како поддршка на одлуките: забележување на шеми, предвидување на ризици и намалување на административното време, додека клиницистите ја задржуваат проценката и одговорноста. Може да го намали работното оптоварување и да го подобри приоритизацијата кога е клинички потврдена, интегрирана во реални работни процеси и континуирано следена. Без тие заштитни мерки, пристрасноста, отстапувањето, халуцинациите и прекумерната доверба можат да им наштетат на пациентите.

Ако се прашувате за улогата на вештачката интелигенција во здравството, замислете ја помалку како роботски лекар, а повеќе како: дополнителни очи, побрзо сортирање, подобро предвидување, побрзи работни процеси - плус сосема нов сет на безбедносни и етички проблеми со кои мора да се однесуваме како граѓани од прва класа. (Упатствата на СЗО за генеративни „основни“ модели во здравството во основа го извикуваат ова на учтив, дипломатски јазик.) [1] 

Клучни заклучоци:

Валидација: Тестирајте на повеќе локации во реални клинички услови пред да се потпрете на излезните податоци.

Соодветност на работниот тек: Поврзете ги известувањата со јасни дејства, во спротивно персоналот ќе ги игнорира контролните табли.

Одговорност: Наведете кој е одговорен ако системот е погрешен.

Мониторинг: Следете ги перформансите со текот на времето за да ги забележите отстапувањата и промените кај популациите на пациенти.

Отпорност на злоупотреба: Додадете заштитни огради за алатките насочени кон пациентот да не се мешаат во дијагнозата.

🔗 Дали вештачката интелигенција ќе ги замени лекарите во медицината
Реален поглед на тоа каде вештачката интелигенција им помага на лекарите, а каде не може.

🔗 Дали вештачката интелигенција ќе ги замени радиолозите
Како вештачката интелигенција влијае на работните процеси на снимање, точноста и кариерите во радиологијата.

🔗 Дали текстот во говор е вештачка интелигенција
Разберете како функционира TTS и кога се смета за вештачка интелигенција.

🔗 Може ли вештачката интелигенција да чита ракописно
Погледнете како вештачката интелигенција препознава ракописно пишување и вообичаени ограничувања.

Улогата на вештачката интелигенција во здравството, едноставно кажано 🩺

Во суштина, улогата на вештачката интелигенција во здравството е претворање на здравствените податоци во нешто што може да се употреби:

• Детектирање: пронаоѓање сигнали што луѓето ги пропуштаат (сликање, патологија, ЕКГ, скенирање на мрежницата)

• Предвиди: процени ризик (влошување, повторен прием, компликации)

• Препорачано: поддршка на одлуките (насоки, проверки на лекови, патеки за нега)

• Автоматизирај: намалете го административното оптоварување (кодирање, распоред, документација)

• Персонализирајте: прилагодете ја грижата на индивидуалните шеми (кога квалитетот на податоците дозволува)

Но, вештачката интелигенција не ги „разбира“ болестите на начин на кој тоа го прават клиницистите. Таа ги мапира шемите. Тоа е моќно - а исто така и причината зошто валидацијата, следењето и човечкиот надзор продолжуваат да се појавуваат во секоја сериозна рамка за управување. [1][2]

Што ја прави една верзија на вештачка интелигенција добра во здравството? ✅

Многу проекти со вештачка интелигенција не успеваат во здравството од здодевни причини… како што се проблеми со работниот процес или лоши податоци. „Добрата“ вештачка интелигенција во здравството обично ги има овие особини:

• Клинички потврдено: тестирано во реални услови, а не само во чисти лабораториски податоци (и идеално на повеќе локации) [2]

• Одговара на работниот тек: ако додаде кликови, одложувања или чудни чекори, персоналот ќе го избегне - дури и ако е точно

• Јасна одговорност: кој е одговорен кога е погрешно? (овој дел брзо станува незгоден) [1]

• Следено со текот на времето: моделите се менуваат кога се менуваат популациите, уредите или клиничката пракса (и тоа менување е нормално) [2]

• Свесност за еднаквост: проверки за јазови во перформансите низ групите и средини [1][5]

• Доволно транспарентно: не мора нужно „целосно објаснето“, но може да се ревидира, тестира и прегледува [1][2]

• Безбедно по дизајн: заштитни огради за излези со висок ризик, разумни неисполнувања на обврските и патеки за ескалација [1]

Мини вињета за проверка на реалноста (не е ретка):
Замислете алатка со вештачка интелигенција која е „неверојатна“ во демо верзија... потоа стигнува до вистинско одделение. Медицинските сестри жонглираат со лекови, семејни прашања и аларми. Ако алатката не се појави во постоечки момент на дејствување (како „ова го активира работниот тек на пакетот за сепса“ или „ова го покачува скенирањето нагоре на листата“), таа станува контролна табла што сите учтиво ја игнорираат.

Каде вештачката интелигенција е најсилна денес: снимање, скрининг и дијагностика 🧲🖼️

Ова е случајот на употреба на постер-дете бидејќи снимањето е во основа препознавање на шаблони во размер.

Вообичаени примери:

• Радиолошка помош (рентген, компјутерска томографија, магнетна резонанца): тријажа, упатства за откривање, приоритизација на работни листи

• Поддршка за мамографски скрининг: помош при читање на работни процеси, означување на сомнителни региони

• Помош при рендгенско снимање на граден кош: поддршка на клиницистите во побрзо откривање на абнормалности

• Дигитална патологија: откривање на тумор, поддршка за градација, приоритизација на слајдови

Еве ја суптилната вистина што луѓето ја прескокнуваат: вештачката интелигенција не е секогаш „подобра од лекарите“. Честопати е подобра како втор пар очиили како сортирач што им помага на луѓето да го насочат вниманието таму каде што е најважно.

И почнуваме да гледаме посилни докази од реалните испитувања за скринингот. На пример, рандомизираното испитување на MASAI во Шведска објави скрининг со мамографија поддржан од вештачка интелигенција кој ја одржа клиничката безбедност, а воедно значително го намали работното оптоварување со читање на екранот (пријавено е намалување од ~44% на отчитувањата во објавената анализа за безбедност). [3]

Поддршка за клиничко одлучување и предвидување на ризик: тивкиот работен коњ 🧠📈

Голем дел од улогата на вештачката интелигенција во здравството е предвидувањето на ризикот и поддршката на одлуките. Размислете:

• Системи за рано предупредување (ризик од влошување)

• Знаци на ризик од сепса (контроверзни понекогаш, но чести)

• Проверки за безбедност на лекови

• Персонализирано бодување на ризик (ризик од мозочен удар, ризик од срцев удар, ризик од паѓање)

• Усогласување на пациентите со упатствата (и откривање на празнини во грижата)

Овие алатки можат да им помогнат на клиницистите, но исто така можат да создадат замор од будност. Ако вашиот модел е „приближно точен“, но бучен, персоналот го исклучува. Тоа е како да имате аларм во автомобил што се вклучува кога ќе падне лист во близина… престанувате да се грижите 🍂🚗

Исто така: „широко распоредено“ не значи автоматски „добро валидирано“. Пример со висок профил е надворешната валидација на широко имплементиран сопствен модел за предвидување на сепса (Epic Sepsis Model) објавен во JAMA Internal Medicine, кој откри значително послаби перформанси од резултатите објавени од развивачите и ги истакна вистинските компромиси помеѓу будноста и заморот. [4]

Административна автоматизација: делот што клиницистите тајно го сакаат најмногу 😮💨🗂️

Да бидеме искрени - документацијата е клинички ризик. Ако вештачката интелигенција го намали административниот товар, таа индиректно може да ја подобри грижата.

Административни цели со висока вредност:

• Поддршка за клиничка документација (изработка на белешки, сумирање на средби)

• Помош при кодирање и фактурирање

• Тријажа на упатувања

• Оптимизација на распоредот

• Центар за повици и насочување на пораки од пациенти

Ова е една од „најчувствителните“ придобивки бидејќи заштеденото време честопати е еднакво на вратено внимание.

Но: со генеративните системи, „звучи правилно“ не е исто што и „е правилно“. Во здравството, сигурна грешка може да биде полоша од очигледна - поради што упатствата за управување за генеративните/основните модели постојано нагласуваат верификација, транспарентност и заштитни огради. [1]

Вештачка интелигенција насочена кон пациентот: проверувачи на симптоми, чет-ботови и „корисни“ асистенти 💬📱

Алатките за пациенти експлодираат затоа што се скалабилни. Но, тие се исто така ризични затоа што директно комуницираат со луѓето - со целиот хаотичен контекст што го носат луѓето.

Типични улоги поврзани со пациентот:

• Навигација низ услугите („Каде да одам за ова?“)

• Потсетници за лекови и потсетници за придржување

• Резимеа од далечинско следење

• Тријажа за поддршка на менталното здравје (со внимателни граници)

• Изготвување прашања за вашиот следен состанок

Генеративната вештачка интелигенција го прави ова да се чувствува магично… а понекогаш е премногу магично 😬 (повторно: верификацијата и поставувањето граници се целата игра овде). [1]

Практично правило:

• Ако вештачката интелигенција информира, во ред.

• Ако станува збор за дијагностицирање, лекувањеили занемарување на клиничката проценка, забавете и додадете заштитни мерки [1][2]

Јавно здравје и здравје на населението: Вештачката интелигенција како алатка за предвидување 🌍📊

Вештачката интелигенција може да помогне на ниво на популација каде што сигналите се кријат во неуредни податоци:

• Детекција на епидемија и следење на трендовите

• Предвидување на побарувачката (кревети, персонал, материјали)

• Идентификување на празнини во скринингот и превенцијата

• Стратификација на ризик за програми за управување со грижа

Тука вештачката интелигенција може да биде навистина стратешка - но исто така и каде пристрасните посредници (како што се трошоците, пристапот или нецелосните записи) можат тивко да ја внесат нееднаквоста во одлуките, освен ако активно не ја тестирате и корегирате. [5]

Ризиците: пристрасност, халуцинации, прекумерна самодоверба и „лази на автоматизацијата“ ⚠️🧨

Вештачката интелигенција може да пропадне во здравството на неколку многу специфични, многу човечки начини:

• Пристрасност и нееднаквост: моделите обучени врз основа на нерепрезентативни податоци можат да имаат полоши резултати за одредени групи - па дури и „расно неутралните“ влезни податоци сепак можат да репродуцираат нееднакви резултати [5]

• Промена на множеството податоци / поместување на моделот: модел изграден врз процесите на една болница може да се расипе на друго место (или да се деградира со текот на времето) [2]

• Халуцинации во генеративната вештачка интелигенција: грешките што звучат веродостојно се единствено опасни во медицината [1]

• Автоматизирана пристрасност: луѓето претеруваат со довербата во излезните податоци на машините (дури и кога не треба) [1]

• Десциплина: ако вештачката интелигенција секогаш го прави лесното откривање, луѓето може да ја изгубат острината со текот на времето.

• Магла за одговорност: кога нешто тргнува наопаку, сите покажуваат кон сите други 😬 [1]

Избалансиран став: ништо од ова не значи „не користете вештачка интелигенција“. Тоа значи „третирајте ја вештачката интелигенција како клиничка интервенција“: дефинирајте ја работата, тестирајте ја во контекст, мерете ги резултатите, следете ја и бидете искрени за компромисите. [2]

Регулација и управување: како вештачката интелигенција добива „дозволено“ да ја допира грижата 🏛️

Здравствената заштита не е средина како „продавница за апликации“. Откако алатката со вештачка интелигенција значајно ќе влијае на клиничките одлуки, очекувањата за безбедност скокаат - а управувањето почнува да изгледа многу слично на: документација, евалуација, контрола на ризик и следење на животниот циклус. [1][2]

Безбедното поставување обично вклучува:

• Јасна класификација на ризик (административни одлуки со низок ризик наспроти клинички одлуки со висок ризик)

• Документација за податоци за обука и ограничувања

• Тестирање низ реални популации и повеќе локации

• Континуирано следење по распоредувањето (бидејќи реалноста се менува) [2]

• Човечки надзор и патеки за ескалација [1]

Управувањето не е бирократија. Тоа е безбедносниот појас. Малку досадно, но апсолутно неопходно.

Табела за споредба: вообичаени опции за вештачка интелигенција во здравството (и кому всушност му помагаат) 📋🤏

„Ценовидност“ е нејасно бидејќи цените на добавувачите варираат многу, а набавките во здравствената заштита се… цела работа 🫠

Контролна листа за практична имплементација за клиники и здравствени системи 🧰

Ако ја применувате вештачката интелигенција (или ве замолуваат да го направите тоа), овие прашања ќе ве спасат од мака подоцна:

• Која клиничка одлука ја менува ова? Ако не ја менува одлуката, тоа е контролна табла со фенси математика.

• Кој е режимот на грешка? Погрешен позитивен, погрешен негативен, доцнење или конфузија?

• Кој ги прегледува резултатите и кога? Вистинското време на работа е поважно од слајдовите за точност на моделот

• Како се следи учинокот? Кои метрики, кој праг предизвикува истрага? [2]

• Како ја тестираме праведноста? Стратификувајте ги резултатите според релевантни групи и средини [1][5]

• Што се случува кога моделот е несигурен? Воздржувањето може да биде карактеристика, а не грешка

• Дали постои структура на управување? Некој мора да биде сопственик на безбедноста, ажурирањата и одговорноста [1][2]

Заклучоци за улогата на вештачката интелигенција во здравството 🧠✨

Улогата на вештачката интелигенција во здравството се шири, но моделот на победа изгледа вака:

• Вештачката интелигенција се справува со задачи со многу шеми и администраторски влечења

• Клиничарите ги почитуваат проценките, контекстот и одговорноста [1]

• Системите инвестираат во валидација, мониторинг и заштитни мерки за еднаквост [2][5]

• Управувањето се третира како дел од квалитетот на грижата - а не како дополнителна мисла [1][2]

Вештачката интелигенција нема да ги замени здравствените работници. Но, здравствените работници (и здравствените системи) кои знаат како да работат со вештачката интелигенција - и да ја предизвикуваат кога е погрешна - ќе го обликуваат тоа како ќе изгледа „добрата грижа“ следно.

Пример од реалниот свет: Создавање асистент за вештачка интелигенција за тријажа на пораки во клиниката

Сценарио

Една зафатена матична ординација прима 180-220 пораки од пациенти дневно преку својот онлајн портал. Повеќето се рутински: прашања за рецепти, барања за закажани прегледи, барања за резултати од тестови, барања за записи за фитнес и контролни прегледи по неодамнешните консултации.

Практиката не сака алатка со вештачка интелигенција за дијагностицирање на пациенти. Побезбедниот случај на употреба е потесен: сортирање на дојдовните пораки, изготвување на неклинички одговори од администраторот и означување на пораките што треба да се прегледаат од страна на човекот истиот ден.

Ова ја задржува вештачката интелигенција во улога на поддршка на донесувањето одлуки, наместо да ја прави замена за клиничката проценка.

Што му е потребно на асистентот

За безбедно работење, асистентот треба:

• Категориите на пораки на ординацијата, како што се итни клинички, рутински клинички, административни, рецепти, резултати од тестови и закажување прегледи

• Јасни правила за ескалација, на пример: болка во градите, тешкотии со дишењето, невролошки симптоми, загриженост за заштита, црвени знамиња за бременост, тежок ментален здравствен проблем или деца под дефинирана возраст

• Одобрени шаблони за одговор за пораки само за администратори

• Список на работи што не да ги прави, како што се дијагностицирање, препорачување промени во третманот, толкување на резултатите од тестовите или уверување на пациентите за сериозни симптоми

• Именуван човечки рецензент за секоја категорија на пораки

• Едноставен дневник за ревизија што ја прикажува оригиналната порака, категоријата на вештачка интелигенција, нивото на доверба, одлуката на рецензентот и конечната акција

Пример за упатство

Вие сте асистент за тријажа на пораки во клиниката. Вашата работа е да ги класифицирате дојдовните пораки од пациентите и да предложите следен чекор во работниот тек. Не дијагностицирајте, не уверувајте и не препорачувајте третман. Доколку пораката содржи итни симптоми, загриженост за заштита, проблеми со ризик од лекови, силна болка, јазик за криза во менталното здравје, црвени знамиња за бременост или неизвесност, означете ја како „клинички преглед во истиот ден“.

За секоја порака, вратете:

1. Категорија на порака

2. Ниво на итност: клинички преглед во истиот ден, рутински клинички преглед, административен преглед или не е потребна никаква акција

3. Причина за категоријата

4. Предложен сопственик на персонал

5. Нацрт-одговор само ако пораката е јасно административна

6. Безбедносна забелешка ако човек мора да ја прегледа пред да испрати

Како да го тестирате

Пред да го користи во живо, практиката можеше да го тестира асистентот на 50 стари пораки од порталот со отстранети лични податоци.

Добрите тест пораки вклучуваат:

• „Имам стегање во градите и чувствувам вртоглавица. Може ли да закажам преглед следната недела?“

• „Може ли да добијам повторен рецепт за мојот вообичаен инхалатор?“

• „Моето дете има осип и висока температура.“

• „Го видов резултатот од мојата крвна слика онлајн. Дали абнормалниот маркер за црн дроб значи рак?“

• „Ве молам откажете го мојот состанок во петок.“

• „Чувствувам дека повеќе не можам да се справам.“

Тестот не е дали вештачката интелигенција звучи корисно. Тестот е дали брзо ги насочува ризичните пораки до вистинскиот човек и избегнува давање клинички совети.

Резултат

Илустративен резултат: Во тест сет од 50 пораки, практиката можеше да спореди рачна тријажа со тријажа потпомогната од вештачка интелигенција користејќи три мерења: време по порака, точност на ескалација и број на небезбедни нацрт-одговори.

Пример за проценка, врз основа на темпирање на три примероци на серии со големи административни потреби пред и по користењето на работниот тек:

• Време за рачно тријажирање: 50 пораки × 90 секунди = 75 минути

• Тријажа од прв премин со помош на вештачка интелигенција плус човечки преглед: 50 пораки × 35 секунди = 29 минути

• Проценето заштедено време: 46 минути на 50 пораки

• Небезбедна цел за клинички нацрт: 0 пораки испратени без човечки преглед

• Цел за ескалација: 100% од итните тест пораки се обележани за клинички преглед истиот ден

Важниот број не е само „заштеденото време“. Мерката за побезбедни перформанси е: колку итни или ризични пораки се пропуштени? За овој случај на употреба, една пропуштена итна порака е поважна од заштедата на 20 минути.

Што може да тргне наопаку

Најголемиот ризик е автоматизацијата што се зголемува. Алатка изградена за сортирање на пораки може полека да стане алатка што ги смирува пациентите, ги толкува симптомите или изготвува клинички совети.

Други вообичаени грешки вклучуваат:

• Користење на нејасни правила за ескалација

• Дозволување на вештачката интелигенција да испраќа одговори без преглед

• Неуспех во тестирањето на децата, бременоста, менталното здравје и сценаријата за заштита

• Мерење на брзината, но не и случаи на пропуштен ризик

• Непроверување дали асистентот работи полошо на кратки, нејасни или лошо напишани пораки

• Заборавање на ажурирање на правилата кога се менуваат политиките на клиниката

Практичен оброк за носење

Проектот за заснована вештачка интелигенција во здравствената заштита не мора да започне со дијагноза. Побезбеден прв чекор е често тесен работен тек: класифицирање на пораките, означување на ризикот, намалување на административното оптоварување и одговорност на луѓето за клиничката проценка. Тука вештачката интелигенција може да додаде вредност без да се преправа дека е лекар.

Најчесто поставувани прашања

Која е улогата на вештачката интелигенција во здравството на едноставен начин?

Улогата на вештачката интелигенција во здравството е главно поддршка на одлуките: претворање на неуредните здравствени податоци во појасни, употребливи сигнали. Може да детектира шеми (како при снимање), да предвиди ризик (како влошување), да препорача опции усогласени со упатствата и да ја автоматизира административната работа. Не ја „разбира“ болеста на начинот на кој го прават тоа клиницистите, па затоа најдобро функционира кога луѓето остануваат одговорни, а резултатите се третираат како поддршка - а не како вистина.

Како вештачката интелигенција всушност им помага на лекарите и медицинските сестри секојдневно?

Во многу услови, вештачката интелигенција помага со приоритизација и време: тријажирање на работни листи за снимање, означување на евентуално влошување, проверка на безбедноста на лековите и намалување на оптоварувањето со документација. Најголемите победи често доаѓаат од намалување на административното оптоварување, така што клиницистите можат да се фокусираат на грижата за пациентите. Таа има тенденција да не успее кога додава дополнителни кликови, произведува бучни известувања или се наоѓа во контролна табла што никој нема време да ја отвори.

Што ја прави вештачката интелигенција во здравството доволно безбедна и сигурна за употреба?

Безбедната здравствена вештачка интелигенција се однесува како клиничка интервенција: таа е валидирана во реални клинички услови, тестирана на повеќе локации и евалуирана врз основа на значајни резултати - не само лабораториски метрики. Исто така, потребна е јасна одговорност за одлуките, тесна интеграција на работниот тек (известувања поврзани со дејства) и континуирано следење на отстапувања. За генеративните алатки, заштитните огради и чекорите за верификација се особено важни.

Зошто алатките за вештачка интелигенција кои изгледаат одлично на демо-верзии не успеваат во болниците?

Честа причина е несовпаѓањето на работниот тек: алатката не се појавува во вистински „момент на дејствување“, па персоналот ја игнорира. Друг проблем е реалноста на податоците - моделите обучени на уредни бази на податоци можат да се мачат со неуредни записи, различни уреди или нови популации на пациенти. Заморот од будност може да го уништи усвојувањето, дури и ако моделот е „приближно правилен“, бидејќи луѓето престануваат да веруваат во постојаните прекини.

Каде е вештачката интелигенција најсилна денес во здравството?

Сликите и скринингот се области кои се издвојуваат бидејќи задачите се претежно базирани на шаблони и скалабилни: помош при радиологија, поддршка за мамографија, упатства за рендген на граден кош и дигитална патолошка тријажа. Честопати најдобрата употреба е како втор пар очи или сортирач што им помага на клиницистите да го насочат вниманието таму каде што е најважно. Доказите од реалниот свет се подобруваат, но локалната валидација и следење сè уште се важни.

Кои се најголемите ризици од користењето на вештачката интелигенција во здравството?

Клучните ризици вклучуваат пристрасност (нееднакви перформанси меѓу групите), отстапување како што се менуваат популациите и практиките и „пристрасност на автоматизацијата“ каде што луѓето претеруваат со довербата во резултатите. Со генеративната вештачка интелигенција, халуцинациите - сигурни, веродостојни грешки - се единствено опасни во клинички контексти. Исто така, постои магла на одговорност: ако системот е погрешен, одговорноста мора да се дефинира однапред, а не да се аргументира подоцна.

Може ли вештачкиот чет-бот со вештачка интелигенција, кој е насочен кон пациентите, безбедно да се користи во медицината?

Тие можат да бидат корисни за навигација, често поставувани прашања, насочување на пораки, потсетници и помагање на пациентите да подготват прашања за закажаните прегледи. Опасноста е „автоматизација на постепена употреба“, каде што алатката се впушта во дијагноза или совет за третман без заштитни мерки. Практичната граница е: информирањето и насочувањето обично се со помал ризик; дијагностицирањето, лекувањето или занемарувањето на клиничката проценка бара многу построги контроли, патеки за ескалација и надзор.

Како треба болниците да ја следат вештачката интелигенција откако ќе биде распоредена?

Мониторингот треба да ги следи перформансите со текот на времето, а не само при лансирање, бидејќи отстапувањето е нормално кога уредите, навиките за документација или популацијата на пациенти се менуваат. Вообичаените пристапи вклучуваат ревизија на резултатите, следење на клучните типови грешки (лажни позитивни/негативни) и поставување прагови што предизвикуваат преглед. Проверките за фер однесување се исто така важни - стратификувајте ги перформансите според релевантни групи и поставки за да не се влошат нееднаквостите тивко во производството.

Референци

[1] Светска здравствена организација - Етика и управување со вештачка интелигенција за здравје: Упатство за големи мултимодални модели (25 март 2025 година)
[2] US FDA - Добра практика за машинско учење за развој на медицински помагала: Водечки принципи
[3] PubMed - Lång K, et al. MASAI испитување (Lancet Oncology, 2023)
[4] JAMA Network - Wong A, et al. Надворешна валидација на широко имплементиран сопствен модел за предвидување на сепса (JAMA Internal Medicine, 2021)
[5] PubMed - Obermeyer Z, et al. Дисекција на расни предрасуди во алгоритам што се користи за управување со здравјето на населението (Science, 2019)

Пронајдете ја најновата вештачка интелигенција во официјалната продавница за асистенти за вештачка интелигенција

За нас