انقلاب هوش مصنوعی در بهداشت و درمان - وبلاگ دلند چت

به گزارش وبلاگ دلند چت، هوش مصنوعی از بسیاری جهات بیشتر از آنچه در نگاه اول به نظر می رسد در حال تبدیل شدن به بخشی از واقعیت در زندگی ماست. نه تنها تجربیات دیجیتال ما، مثل خرید از وبگاه های آنلاین یا تماشای سریال های تلویزیونی از شبکه های اینترنتی، بلکه بخشی از زندگی ما در بسیاری از صنایع از خودرو گرفته تا دارایی های ما را در اختیار گرفته است.

با ما همراه باشید و درباره وبلاگ هیچکس بیشتر بدانید.

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 پیش روی ما واقع شده است.

از سال 1395 شمسی/ 2016 میلادی تا به امروز، پروژه های هوش مصنوعی در بخش مراقبت های بهداشتی بیش از سایر بخش های اقتصاد جهانی سرمایه گذاری را به خود جلب کردند. این رشد انفجاری به دلایل مختلفی شروع شده است: از شروع پذیرش روزافزون راهکار های مبتنی بر کلان داده ها تا نیاز به راهکار های فناورانه برای انطباق مراقبت های بهداشتی با بحران هایی مانند همه گیری کووید 19. به طور خاص، هوش مصنوعی قادر خواهد بود به پزشکان، پرستاران و کادر درمان کمک کند تا مواردی مانند شناسایی بیماری، تشخیص دقیق تر، خدمات درمانی و ارائه راهکارهای بهتر به بیماران و ... را دقیق تر، با کیفیت بیشتر و سریع تر 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 نمی رسد این فرایند کاملا مربوط به هوش مصنوعی باشد اما در واقع مهم ترین آن است. زیرا تأثیر آن بر هر فرایند دیگری بسیار مهم است.

سوابق الکترونیکی سلامت، سوابق دیجیتالی مربوط به سابقه پزشکی، تشخیص ها و سفرهای بهداشتی بیمار سال هاست مانند یک نسخه دیجیتالی از یادداشت های پزشکان عمل می کند. این موارد معمولا ابتدا به عنوان یادداشت هنگام ویزیت بیمار جمع آوری شده و سپس وارد پایگاه داده ای می شود که اطلاعات را به صورت ساختاری نگهداری می کند. سوابق الکترونیکی سلامت (EHR) یک نسخه الکترونیکی از تاریخچه پزشکی بیمار است که ممکن است شامل تمام داده های کلیدی اداری مربوط به آن باشد.

داده های مربوط به مراقبت از بیماران تحت یک شیوه درمانی خاص، از جمله مشخصات جمعیتی، یادداشت های پیشرفت درمان، مسائل، داروها، علائم حیاتی، سابقه پزشکی گذشته، واکسیناسیون، داده های آزمایشگاهی و گزارش های 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 شرکت هایی مانند گوگل و اپل مورد استفاده قرار می گیرد.

یکی از اهداف آن تسهیل مراقبت های بهداشتی قدیمی برای برقراری ارتباط با یکدیگر است تا اطلاعات را به راحتی در اختیار پزشکان و مراکز مربوطه قرار دهد. دسترسی به چنین داده هایی در طیف گسترده ای از ابزارهای دیجیتال از رایانه گرفته تا تبلت و گوشی هوشمند مجاز است و مهم تر از همه، به توسعه دهندگان اجازه می دهد تا برنامه های پزشکی را ایجاد کنند که به راحتی در سامانه های موجود ادغام شوند.

با تصویب فعلی FHIR و در دسترس بودن سوابق الکترونیکی بهداشت، ارائه دهندگان خدمات پزشکی مانند بیمارستان ها و مراکز خصوصی قادر به تولید مقادیر زیادی از داده ها هستند. اینها از اطلاعات بیوگرافی، اطلاعات تشخیصی، روش ها، بررسی های آزمایشگاهی و موارد دیگر تشکیل می شوند.

چنین انفجاری از داده ها، پایه و اساس و علت اصلی نفوذ هوش مصنوعی در سامانه بهداشت و درمان است. با استفاده از این مجموعه از داده های بسیار غنی، شرکت ها قادر خواهند بود با استفاده از تکنیک های یادگیری ماشین به استخراج اطلاعات مفید و تفسیر داده ها 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) می توانیم مشخصات بالینی و تشخیص ها را از یادداشت های پزشک استخراج کرده و در قالب ساختاری ذخیره کنیم. اینها می تواند فهرستی از تشخیص های مربوط به یک بیمار خاص یا مجموعه ای از اقدامات باشد. علاوه بر این، الگوریتم NLP می تواند برای موارد بیشتری مورد استفاده قرار گیرد؛ مانند دسته بندی یادداشت ها، برچسب گذاری آنها با ویژگی های خاص برای دسترسی در آینده، یا حتی خلاصه کردن آنها.

پیش بینی تشخیص

حوزه کلیدی دیگری که اثر هوش مصنوعی در بهداشت و درمان را نشان می دهد و در حال حاضر انقلابی در آن ایجاد کرده است، بحث پیش بینی و تشخیص زودرس است. این حوزه شامل استفاده از مدل های یادگیری ماشین برای پیش بینی بیماری در شروع آن یا حتی قبل از بروز واقعی آن است. این امر با آموزش مدل های یادگیری ماشین با مقادیر زیادی از داده ها پیشرفت می کند.

خوشبختانه، پیشرفت عظیمی که در رابطه با سوابق الکترونیکی بهداشت (Electronic Health Records) شاهد بوده ایم این است که می توان اطلاعات زیادی را در اختیار این مدل ها قرار داد و مهم تر از همه با ورود بیماران بیشتر به بیمارستان ها و مراکز درمانی، این کار ادامه خواهد یافت. بسکمک از شرکت ها ، از Google DeepMind گرفته تا IBM Watson از مدل های پیش بینی کننده برای تشخیص بیماری ها استفاده می کنند. به طور خاص، شرکت آی بی ام سامانه ای را ایجاد کرده که قادر است سرطان پستان را با دقت بالا تشخیص دهد.

پزشکی از راه دور

با استفاده از مدل های مبتنی بر یادگیری ماشین، بسکمک از شرکت ها در حال توسعه راهکارهایی هستند که به بیماران امکان می دهد خدمات درمانی مشابه حضور در بیمارستان را بدون خروج از خانه دریافت کنند.

شرکت هایی مانند بابیلون هلث (Babylon Health)، چت ربات های هوش مصنوعی خاصی را توسعه داده اند که می تواند به بیماران راهنمایی های پزشکی ارائه دهد.

این چت ربات ها از کاربران در مورد مسائل بهداشتی فعلی خود پیام می گیرند، این اطلاعات را به عنوان ورودی دریافت و بیماری احتمالی را که باعث بروز چنین علائمی شده است پیدا می کنند. نتایج تحقیقات نشان داده است این فرایند که در دنیای پزشکی تریاژ نامیده می شود، حتی موثرتر از زمانی اجرا شده است که این کار را پزشکان یا پرستاران انجام داده اند. یکی دیگر از جنبه های پزشکی از راه دور، تشخیص های از راه دور است که با ربات انجام نمی شود 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 دستگاه هایی مانند گوشی هوشمند یا تبلت با مراجعه کننده در تماس هستند.

موانع پیش روی توسعه هوش مصنوعی در پزشکی

با وجود این که به نظر می رسد این فرایند تأثیرات مثبتی در جامعه ایجاد می کنند، چند جنبه مختلف وجود دارد که باید قبل از آن که بتوانیم از این فرصت به طور کامل استفاده کنیم ، آنها را مورد توجه قرار دهیم.

اول از همه، فناوری های مبتنی بر هوش مصنوعی باید از سوی متخصصان پزشکی و بیماران پذیرفته شود. به ویژه پزشکان با توجه به داده هایی که این مدل ها با آن آموزش دیده اند، باید با حضور سامانه های فناوری که بتوانند آنها را از بهترین اقدام بعدی مطلع کنند، راحت کار کنند.

پزشکان و متخصصان پزشکی باید بتوانند به چنین مدل هایی اعتماد کنند و تصور نکنند این مدل ها قرار است جایگزین آنها شوند. بلکه کاملا برعکس این فناوری ها آنها را قادر می سازد با داده های زیادی که تحت آموزش به دست می آورند، تشخیص های مناسب تر و سریع تری بدهند. ثانیا، بهترین روش ها برای حفظ حریم خصوصی داده ها باید تضمین شود که استفاده مناسب از داده های بیماران را تضمین و از آنها در برابر نقض احتمالی امنیت محافظت کند.

برخی از بهترین روش ها، مانند ناشناس ماندن، پیش تر به طور گسترده ای از سوی ارائه دهندگان خدمات پزشکی مانند شرکت های علوم داده (Data Science) استفاده شده است. با این حال، صنعت از مجموعه روش های استانداردتر برای تضمین یکپارچگی داده ها و انتقال ایمن داده ها از طریق طرف های مختلف (بیماران، ارائه دهندگان خدمات پزشکی، اعضای خانواده و غیره) بهره مند خواهد شد.

در پایان می توان گفت با وجود موانعی که چندان هم غیرقابل حل نیستند، بهداشت و درمان در حال تبدیل به یکی از مهم ترین بخش هایی است که هوش مصنوعی قرار است آن را به کلی متحول کند.

انوش اوحدی - آریا صبوری / پژوهشگران هوش مصنوعی / روزنامه وبلاگ دلند چت