تبریز امروز:
تصور کنید با احساس بیماری به مطب پزشک خود مراجعه میکنید – و به جای ورق زدن صفحات تاریخچه پزشکیتان یا انجام آزمایشهایی که روزها طول میکشد، پزشک فوراً دادههایی از سوابق بهداشتی، پروفایل ژنتیکی و دستگاههای پوشیدنی شما را جمعآوری میکند تا بفهمد چه مشکلی وجود دارد.این نوع تشخیص سریع یکی از وعدههای بزرگ هوش مصنوعی در مراقبتهای بهداشتی است. حامیان این فناوری میگویند که در دهههای آینده، هوش مصنوعی پتانسیل نجات صدها هزار، حتی میلیونها جان را دارد.علاوه بر این، مطالعهای در سال ۲۰۲۳ نشان داد که اگر صنعت مراقبتهای بهداشتی به طور قابل توجهی استفاده از هوش مصنوعی را افزایش دهد، تا ۳۶۰ میلیارد دلار در سال صرفهجویی خواهد شد.اما با وجود اینکه هوش مصنوعی تقریباً در همه جا حضور دارد – از گوشیهای هوشمند گرفته تا چتباتها و خودروهای خودران – تأثیر آن بر مراقبتهای بهداشتی تا کنون نسبتاً کم بوده است.نظرسنجی انجمن پزشکی آمریکا در سال ۲۰۲۴ نشان داد که ۶۶ درصد پزشکان آمریکایی از ابزارهای هوش مصنوعی به نوعی استفاده کردهاند، که نسبت به ۳۸ درصد در سال ۲۰۲۳ افزایش یافته است. اما بیشتر آن برای پشتیبانی اداری یا کمخطر بوده است. و اگرچه ۴۳ درصد سازمانهای بهداشتی آمریکا در سال ۲۰۲۴ استفاده از هوش مصنوعی را اضافه یا گسترش دادهاند، بسیاری از پیادهسازیها هنوز در مرحله آزمایشی هستند، به ویژه در زمینه تصمیمگیریهای پزشکی و تشخیصها.
من استاد و پژوهشگری هستم که هوش مصنوعی و تحلیلهای بهداشتی را مطالعه میکنم. سعی میکنم توضیح دهم چرا رشد هوش مصنوعی تدریجی خواهد بود و چگونه محدودیتهای فنی و نگرانیهای اخلاقی مانع پذیرش گسترده آن توسط صنعت پزشکی میشوند.تشخیصهای نادرست، تعصب نژادیهوش مصنوعی در یافتن الگوها در مجموعههای بزرگ دادهها عالی عمل میکند.
در پزشکی، این الگوها میتوانند نشانههای اولیه بیماری را که پزشک انسانی ممکن است نادیده بگیرد، نشان دهند – یا بهترین گزینه درمانی را بر اساس پاسخ بیماران مشابه با علائم و پیشینههای یکسان پیشنهاد کنند. در نهایت، این منجر به تشخیصهای سریعتر، دقیقتر و مراقبتهای شخصیسازیشدهتر میشود.
هوش مصنوعی همچنین میتواند به بیمارستانها کمک کند تا کارآمدتر عمل کنند؛ با تحلیل جریانهای کاری، پیشبینی نیازهای پرسنل و زمانبندی جراحیها به گونهای که منابع ارزشمند مانند اتاقهای عمل به بهترین شکل استفاده شوند. با سادهسازی وظایفی که ساعتها تلاش انسانی نیاز دارند، هوش مصنوعی میتواند به متخصصان مراقبتهای بهداشتی اجازه دهد بیشتر بر مراقبت مستقیم از بیمار تمرکز کنند.اما با تمام قدرت خود، هوش مصنوعی میتواند اشتباه کند. اگرچه این سیستمها بر اساس دادههای بیماران واقعی آموزش دیدهاند، اما وقتی با چیزی غیرمعمول مواجه میشوند یا دادهها کاملاً با بیمار مقابل مطابقت ندارند، مشکل ایجاد میشود.در نتیجه، هوش مصنوعی همیشه تشخیص دقیقی نمیدهد. این مشکل «انحراف الگوریتمی» نامیده میشود – زمانی که سیستمهای هوش مصنوعی در محیطهای کنترلشده خوب عمل میکنند اما در شرایط واقعی دقت خود را از دست میدهند.تعصب نژادی و قومی نیز مسئله دیگری است.
اگر دادهها به دلیل عدم inclusion کافی بیماران از گروههای نژادی یا قومی خاص، تعصب داشته باشند، هوش مصنوعی ممکن است توصیههای نادرستی برای آنها بدهد و منجر به تشخیصهای اشتباه شود. برخی شواهد نشان میدهد که این اتفاق قبلاً رخ داده است.نگرانیهای اشتراک داده، انتظارات غیرواقعیسیستمهای مراقبتهای بهداشتی در پیچیدگی خود مانند labyrinth هستند. ادغام هوش مصنوعی در جریانهای کاری موجود ترسناک است؛ معرفی فناوری جدیدی مانند هوش مصنوعی، روتینهای روزانه را مختل میکند. پرسنل نیاز به آموزش اضافی برای استفاده مؤثر از ابزارهای هوش مصنوعی دارند. بسیاری از بیمارستانها، کلینیکها و مطبهای پزشکان زمان، پرسنل، پول یا اراده لازم برای پیادهسازی هوش مصنوعی را ندارند.همچنین، بسیاری از سیستمهای پیشرفته هوش مصنوعی به عنوان «جعبههای سیاه» مبهم عمل میکنند. آنها توصیههایی تولید میکنند، اما حتی توسعهدهندگان ممکن است برای توضیح کامل نحوه کار آن مشکل داشته باشند. این ابهام با نیازهای پزشکی، که تصمیمگیریها نیاز به توجیه دارند، در تضاد است.اما توسعهدهندگان اغلب تمایلی به افشای الگوریتمهای اختصاصی یا منابع دادههای خود ندارند، هم برای حفاظت از مالکیت معنوی و هم به دلیل پیچیدگی که توضیح آن دشوار است. عدم شفافیت، شک و تردید در میان پزشکان را تغذیه میکند، که سپس تأیید مقرراتی را کند میکند و اعتماد به خروجیهای هوش مصنوعی را کاهش میدهد. بسیاری از کارشناسان استدلال میکنند که شفافیت نه تنها یک ضرورت اخلاقی، بلکه یک نیاز عملی برای پذیرش در محیطهای بهداشتی است.همچنین نگرانیهای حریم خصوصی وجود دارد؛ اشتراک داده میتواند محرمانگی بیمار را تهدید کند. برای آموزش الگوریتمها یا پیشبینیها، سیستمهای هوش مصنوعی پزشکی اغلب به حجم عظیمی از دادههای بیمار نیاز دارند. اگر به درستی مدیریت نشود، هوش مصنوعی میتواند اطلاعات حساس بهداشتی را از طریق نقض دادهها یا استفاده ناخواسته از سوابق بیماران افشا کند.برای مثال، یک پزشک که از دستیار هوش مصنوعی مبتنی بر ابر برای نوشتن یادداشت استفاده میکند، باید اطمینان حاصل کند که هیچ طرف غیرمجازی به دادههای بیمار دسترسی ندارد. مقررات آمریکا مانند قانون HIPAA قوانین سختگیرانهای برای اشتراک دادههای بهداشتی وضع کردهاند، که به معنای آن است که توسعهدهندگان هوش مصنوعی نیاز به safeguards قوی دارند.نگرانیهای حریم خصوصی به اعتماد بیماران نیز گسترش مییابد: اگر افراد بترسند که دادههای پزشکیشان توسط الگوریتم سوءاستفاده شود، ممکن است کمتر صادق باشند یا حتی مراقبت هدایتشده توسط هوش مصنوعی را رد کنند.وعده بزرگ هوش مصنوعی خود مانعی بزرگ است. انتظارات عظیم هستند. هوش مصنوعی اغلب به عنوان راهحلی جادویی به تصویر کشیده میشود که میتواند هر بیماری را تشخیص دهد و صنعت مراقبتهای بهداشتی را یکشبه متحول کند. فرضیات غیرواقعی مانند این اغلب منجر به ناامیدی میشود. هوش مصنوعی ممکن است بلافاصله به وعدههای خود عمل نکند.در نهایت، توسعه یک سیستم هوش مصنوعی که خوب کار کند، شامل آزمون و خطای زیادی است. سیستمهای هوش مصنوعی باید آزمایشهای دقیق را برای اطمینان از ایمنی و اثربخشی پشت سر بگذارند. این سالها طول میکشد و حتی پس از تأیید یک سیستم، ممکن است تنظیماتی لازم باشد زیرا با انواع جدید دادهها و موقعیتهای واقعی مواجه میشود.تغییر تدریجیامروزه، بیمارستانها به سرعت هوش مصنوعی scribes را که در طول ویزیتهای بیمار گوش میدهند و به طور خودکار یادداشتهای بالینی را مینویسند، پذیرفتهاند و کاغذبازی را کاهش میدهند و به پزشکان اجازه میدهند زمان بیشتری با بیماران بگذرانند. نظرسنجیها نشان میدهد بیش از ۲۰ درصد پزشکان اکنون از هوش مصنوعی برای نوشتن یادداشتهای پیشرفت یا خلاصههای ترخیص استفاده میکنند. هوش مصنوعی همچنین در کارهای اداری به نیروی آرام تبدیل شده است. بیمارستانها چتباتهای هوش مصنوعی را برای مدیریت زمانبندی قرارها، triage سؤالات رایج بیماران و ترجمه زبانها در زمان واقعی مستقر میکنند.کاربردهای بالینی هوش مصنوعی وجود دارد اما محدودتر است. در برخی بیمارستانها، هوش مصنوعی چشم دوم برای رادیولوژیستهایی است که به دنبال نشانههای اولیه بیماری هستند. اما پزشکان هنوز تمایلی به واگذاری تصمیمگیریها به ماشینها ندارند؛ تنها حدود ۱۲ درصد آنها در حال حاضر برای کمک تشخیصی به هوش مصنوعی وابسته هستند.به طور خلاصه، انتقال مراقبتهای بهداشتی به هوش مصنوعی تدریجی خواهد بود. فناوریهای نوظهور نیاز به زمان برای بلوغ دارند و نیازهای کوتاهمدت مراقبتهای بهداشتی همچنان بر دستاوردهای بلندمدت غلبه دارد. در این میان، پتانسیل هوش مصنوعی برای درمان میلیونها نفر و صرفهجویی تریلیونها دلار در انتظار است.
