printlogo


پیشرفت‌های فعلی فناوری‌های یادگیری ماشین و هوش مصنوعی و روندهای کنونی توسعه فناوری‌های بهداشت و درمان از بازار صدها میلیارد دلاری این صنعت در سال‌های پیش‌رو خبر می‌دهد
انقلاب هوش مصنوعی در بهداشت و درمان
هوش مصنوعی از بسیاری جهات بیشتر از آنچه در نگاه اول به نظر می‌رسد در حال تبدیل‌شدن به بخشی از واقعیت در زندگی ماست. نه‌تنها تجربیات دیجیتال ما، مثل خرید از وبگاه‌های آنلاین یا تماشای سریال‌های تلویزیونی از شبکه‌های اینترنتی، بلکه بخشی از زندگی ما در بسیاری از صنایع از خودرو گرفته تا دارایی‌های ما را در اختیار گرفته است. یکی از صنایعی که آماده است با استفاده از هوش مصنوعی زندگی روزمره ما را بیش از هر صنعت دیگری تحت تأثیر قرار دهد، صنعت بهداشت و درمان است. اکنون تحقیقات هوش مصنوعی در حوزه پزشکی به سرعت در حال رشد است. در ادامه نگاهی خواهیم داشت به تحولات جهانی هوش مصنوعی که در حوزه بهداشت و درمان پیش‌روی ما قرار دارد.

از سال 1395 شمسی/ 2016 میلادی تاکنون، پروژه‌های هوش مصنوعی در بخش مراقبت‌های بهداشتی بیش از سایر بخش‌های اقتصاد جهانی سرمایه‌گذاری را به خود جلب کردند. این رشد انفجاری به دلایل مختلفی آغاز شده است: از آغاز پذیرش روزافزون راه حل‌های مبتنی بر کلان داده‌ها تا نیاز به راه‌حل‌های فناورانه برای انطباق مراقبت‌های بهداشتی با بحران‌هایی مانند همه‌گیری کووید-19. به‌طور خاص، هوش مصنوعی قادر خواهد بود به پزشکان، پرستاران و کادر درمان کمک کند تا مواردی مانند شناسایی بیماری، تشخیص دقیق‌تر، خدمات درمانی و ارائه راهکارهای بهتر به بیماران و ... را دقیق‌تر، با کیفیت بیشتر و سریع‌تر انجام دهند. تا به امروز حداقل سه گرایش اصلی در فضای مراقبت و درمان با کمک هوش مصنوعی تعریف شده است:
سوابق الکترونیکی بهداشت  (EHR)
به نظر نمی‌رسد این روند کاملا مربوط به هوش مصنوعی باشد اما در واقع مهم‌ترین آن است. زیرا تأثیر آن بر هر روند دیگری بسیار مهم است. سوابق الکترونیکی سلامت، سوابق دیجیتالی مربوط به سابقه پزشکی، تشخیص‌ها و سفرهای بهداشتی بیمار سال‌هاست مانند یک نسخه دیجیتالی از یادداشت‌های پزشکان عمل می‌کند. این موارد معمولا ابتدا به عنوان یادداشت هنگام ویزیت بیمار جمع‌آوری شده و سپس وارد پایگاه داده‌ای می‌شود که اطلاعات را به صورت ساختاری نگهداری می‌کند. سوابق الکترونیکی سلامت (EHR) یک نسخه الکترونیکی از تاریخچه پزشکی بیمار است که ممکن است شامل تمام داده‌های کلیدی اداری مربوط به آن باشد. داده‌های مربوط به مراقبت از بیماران تحت یک شیوه درمانی خاص، از جمله مشخصات جمعیتی، یادداشت‌های پیشرفت درمان، مشکلات، داروها، علائم حیاتی، سابقه پزشکی گذشته، واکسیناسیون، داده‌های آزمایشگاهی و گزارش‌های رادیولوژی.
در حال حاضر استانداردهای زیادی برای ثبت سوابق وجود دارد، اما مشهورترین آنها FHIR (منابع تعاملی سریع بهداشت و درمان)، در حال تبدیل شدن به پروتکل اصلی است که از سوی شرکت‌هایی مانند گوگل و اپل مورد استفاده قرار می‌گیرد. یکی از اهداف آن تسهیل مراقبت‌های بهداشتی قدیمی برای برقراری ارتباط با یکدیگر است تا اطلاعات را به‌راحتی در اختیار پزشکان و مراکز مربوطه قرار دهد. دسترسی به چنین داده‌هایی در طیف گسترده‌ای از ابزارهای دیجیتال از رایانه گرفته تا تبلت و گوشی هوشمند مجاز است و مهم‌تر از همه، به توسعه دهندگان اجازه می‌دهد تا برنامه‌های پزشکی را ایجاد کنند که به راحتی در سامانه‌های موجود ادغام شوند.
با تصویب فعلی FHIR و در دسترس بودن سوابق الکترونیکی بهداشت، ارائه دهندگان خدمات پزشکی مانند بیمارستان‌ها و مراکز خصوصی قادر به تولید مقادیر زیادی از داده‌ها هستند. اینها از اطلاعات بیوگرافی، اطلاعات تشخیصی، روش‌ها، بررسی‌های آزمایشگاهی و موارد دیگر تشکیل می‌شوند. چنین انفجاری از داده‌ها، پایه و اساس و علت اصلی نفوذ هوش مصنوعی در سامانه بهداشت و درمان است. با استفاده از این مجموعه از داده‌های بسیار غنی، شرکت‌ها قادر خواهند بود با استفاده از تکنیک‌های یادگیری ماشین به استخراج اطلاعات مفید و تفسیر داده‌ها بپردازند و موارد ارزشمندی را برای تشخیص بهتر در اختیار پزشکان قرار دهند.
یک مثال که دقیقا مربوط به سوابق الکترونیکی سلامت است، با اجرای الگوریتم NLP (پردازش زبان طبیعی) می‌توانیم مشخصات بالینی و تشخیص‌ها را از یادداشت‌های پزشک استخراج کرده و در قالب ساختاری ذخیره کنیم. اینها می‌تواند فهرستی از تشخیص‌های مربوط به یک بیمار خاص یا مجموعه‌ای از اقدامات باشد. علاوه بر این، الگوریتم NLP می‌تواند برای موارد بیشتری مورد استفاده قرار گیرد؛ مانند دسته‌بندی یادداشت‌ها، برچسب‌گذاری آنها با ویژگی‌های خاص برای دسترسی در آینده، یا حتی خلاصه کردن آنها.
 پیش‌بینی تشخیص
حوزه کلیدی دیگری که اثر هوش مصنوعی در بهداشت و درمان را نشان می‌دهد و در حال حاضر انقلابی در آن ایجاد کرده است، بحث پیش‌بینی و تشخیص زودرس است. این حوزه شامل استفاده از مدل‌های یادگیری ماشین برای پیش‌بینی بیماری در شروع آن یا حتی قبل از بروز واقعی آن است. این امر با آموزش مدل‌های یادگیری ماشین با مقادیر زیادی از داده‌ها پیشرفت می‌کند.
خوشبختانه، پیشرفت عظیمی که در رابطه با سوابق الکترونیکی بهداشت (Electronic Health Records) شاهد بوده‌ایم این است که می‌توان اطلاعات زیادی را در اختیار این مدل‌ها قرار داد و مهم‌تر از همه با ورود بیماران بیشتر به بیمارستان‌ها و مراکز درمانی، این کار ادامه خواهد یافت. بسیاری از شرکت‌ها‌، از Google DeepMind گرفته تا IBM Watson از مدل‌های پیش‌بینی‌کننده برای تشخیص بیماری‌ها استفاده می‌‌کنند. به طور خاص، شرکت آی‌بی‌ام سامانه‌ای را ایجاد کرده که قادر است سرطان پستان را با دقت بالا تشخیص دهد.
پزشکی از راه دور
با استفاده از مدل‌های مبتنی بر یادگیری ماشین، بسیاری از شرکت‌ها در حال توسعه راهکارهایی هستند که به بیماران امکان می‌دهد خدمات درمانی مشابه حضور در بیمارستان را بدون خروج از خانه دریافت کنند. شرکت‌هایی مانند بابیلون هلث (Babylon Health)، چت‌ربات‌های هوش مصنوعی خاصی را توسعه داده‌اند که می‌تواند به بیماران راهنمایی‌های پزشکی ارائه دهد. این چت‌ربات‌ها از کاربران در مورد مسائل بهداشتی فعلی خود پیام می‌گیرند، این اطلاعات را به عنوان ورودی دریافت و بیماری احتمالی را که باعث بروز چنین علائمی شده است پیدا می‌کنند. نتایج تحقیقات نشان داده است این روند که در دنیای پزشکی تریاژ ‌نامیده می‌شود، حتی موثرتر از زمانی انجام شده است که این کار را پزشکان یا پرستاران انجام داده‌اند. یکی دیگر از جنبه‌های پزشکی از راه دور، تشخیص‌های از راه دور است که با ربات انجام نمی‌شود و متکی به نظر پزشک است. اساسا این امر شامل یک ویزیت مشترک با پزشک است. با این تفاوت که پزشک یا پرستار از راه دور و از طریق دستگاه‌هایی مانند گوشی هوشمند یا تبلت با مراجعه‌کننده در تماس هستند.

موانع پیش روی توسعه هوش مصنوعی در پزشکی
با وجود این‌که به نظر می‌رسد این روند تأثیرات مثبتی در جامعه ایجاد می‌کنند، چند جنبه مختلف وجود دارد که باید قبل از آن‌که بتوانیم از این فرصت به طور کامل استفاده کنیم‌، آنها را مورد توجه قرار دهیم.
اول از همه، فناوری‌های مبتنی بر هوش مصنوعی باید از سوی متخصصان پزشکی و بیماران پذیرفته شود. به ویژه پزشکان با توجه به داده‌هایی که این مدل‌ها با آن آموزش دیده‌اند، باید با حضور سامانه‌های فناوری که بتوانند آنها را از بهترین اقدام بعدی مطلع کنند، راحت کار کنند. پزشکان و متخصصان پزشکی باید بتوانند به چنین مدل‌هایی اعتماد کنند و تصور نکنند این مدل‌ها قرار است جایگزین آنها شوند. بلکه کاملا برعکس این فناوری‌ها آنها را قادر می‌سازد با داده‌های زیادی که تحت آموزش به‌دست می‌آورند، تشخیص‌های مناسب‌تر و سریع‌تری بدهند. ثانیا، بهترین روش‌ها برای حفظ حریم خصوصی داده‌ها باید تضمین شود که استفاده مناسب از داده‌های بیماران را تضمین و از آنها در برابر نقض احتمالی امنیت محافظت کند. برخی از بهترین روش‌ها، مانند ناشناس‌ماندن، پیش‌تر به‌طور گسترده‌ای از سوی ارائه‌دهندگان خدمات پزشکی مانند شرکت‌های علوم داده (Data Science) استفاده شده است. با این حال، صنعت از مجموعه روش‌های استانداردتر برای تضمین یکپارچگی داده‌ها و انتقال ایمن داده‌ها از طریق طرف‌های مختلف (بیماران، ارائه‌دهندگان خدمات پزشکی، اعضای خانواده و غیره) بهره‌مند خواهد شد.
در پایان می‌توان گفت با وجود موانعی که چندان هم غیرقابل حل نیستند،‌ بهداشت و درمان در حال تبدیل به‌یکی از مهم‌ترین بخش‌هایی است که هوش مصنوعی قرار است آن را به کلی متحول کند.