۷ راهی که هوش مصنوعی در حال متحول کردن نظام سلامت است

با توجه به اینکه حدود ۴.۵ میلیارد نفر در جهان همچنان به خدمات ضروری سلامت دسترسی ندارند و پیش‌بینی می‌شود تا سال ۲۰۳۰ کمبود نیروی انسانی حوزه سلامت به ۱۱ میلیون نفر برسد، هوش مصنوعی می‌تواند به کاهش این شکاف کمک کند و شیوه ارائه خدمات درمانی در سراسر جهان را متحول سازد.

این فناوری حتی می‌تواند به جهان کمک کند تا بار دیگر در مسیر دستیابی به هدف سازمان ملل برای تحقق پوشش همگانی سلامت تا سال ۲۰۳۰ قرار بگیرد.

با این حال، با وجود سرعت بالای پیشرفت فناوری‌های هوش مصنوعی، میزان استفاده از این فناوری در حوزه سلامت همچنان در مقایسه با بسیاری از صنایع دیگر پایین‌تر از میانگین است. بر اساس گزارش مجمع جهانی اقتصاد با عنوان «آینده سلامت مبتنی بر هوش مصنوعی»، بخش سلامت در پذیرش این فناوری از بسیاری از صنایع عقب‌تر است.

با این وجود، راهکارهای سلامت دیجیتال مبتنی بر هوش مصنوعی می‌توانند به افزایش بهره‌وری، کاهش هزینه‌ها و بهبود نتایج درمانی در سراسر جهان کمک کنند. در ادامه، هفت نمونه از کاربردهایی را بررسی می‌کنیم که نشان می‌دهند هوش مصنوعی در پزشکی چگونه در حال ایجاد تغییر است.

۱. تفسیر اسکن‌های مغزی با هوش مصنوعی

یک نرم‌افزار جدید مبتنی بر هوش مصنوعی توانسته است در بررسی تصاویر مغزی بیماران مبتلا به سکته مغزی، عملکردی تا دو برابر دقیق‌تر از متخصصان داشته باشد.

دو دانشگاه در بریتانیا این نرم‌افزار را با استفاده از مجموعه‌ای شامل ۸۰۰ اسکن مغزی مربوط به بیماران سکته مغزی آموزش دادند و سپس عملکرد آن را روی ۲ هزار بیمار آزمایش کردند.

نتایج این آزمایش قابل‌توجه بود. این سیستم نه‌تنها دقت بالایی در تحلیل تصاویر مغزی داشت، بلکه می‌توانست بازه زمانی وقوع سکته را نیز مشخص کند؛ اطلاعاتی که برای تصمیم‌گیری سریع پزشکان اهمیت زیادی دارد.

دکتر پل بنتلی، متخصص مغز و اعصاب، در توضیح اهمیت این موضوع می‌گوید بیشتر سکته‌هایی که در اثر لخته خون ایجاد می‌شوند، در صورتی که بیمار حداکثر ۴.۵ ساعت پس از وقوع سکته به پزشک مراجعه کند، امکان استفاده از درمان‌های دارویی و جراحی را دارند. این بازه برای برخی درمان‌های جراحی تا ۶ ساعت نیز ادامه دارد، اما پس از آن، تعیین میزان اثربخشی درمان دشوارتر می‌شود؛ زیرا احتمال برگشت‌ناپذیر شدن آسیب افزایش می‌یابد.

بنابراین، تشخیص دقیق زمان شروع سکته و ارزیابی امکان بازگشت آسیب، برای انتخاب روش درمان اهمیت حیاتی دارد.

۲. شناسایی شکستگی‌های استخوانی بیشتر از انسان

پزشکان بخش‌های مراقبت فوری ممکن است در تشخیص شکستگی استخوان در برخی موارد دچار خطا شوند؛ به‌طوری که طبق داده‌های موجود، تا ۱۰ درصد شکستگی‌ها از سوی این پزشکان تشخیص داده نمی‌شود.

از سوی دیگر، تعداد تکنسین‌های رادیولوژی نیز در برخی مراکز کافی نیست و حجم کاری بالای آنها می‌تواند روند بررسی تصاویر را دشوارتر کند.

در چنین شرایطی، استفاده از هوش مصنوعی برای بررسی اولیه تصاویر می‌تواند به کاهش تصویربرداری‌های غیرضروری و همچنین جلوگیری از تشخیص‌ندادن شکستگی‌ها کمک کند.

مؤسسه ملی سلامت و مراقبت عالی بریتانیا (NICE) اعلام کرده است که این فناوری می‌تواند ایمن و قابل‌اعتماد باشد و احتمالاً نیاز به برخی مراجعات بعدی بیماران را نیز کاهش دهد.

با این حال، گسترش سریع هوش مصنوعی در حوزه سلامت بدون چالش نیست. متخصصان تأکید می‌کنند افرادی که از این ابزارها استفاده می‌کنند باید آموزش کافی ببینند و محدودیت‌ها و خطرات احتمالی فناوری، از جمله امکان ارائه اطلاعات نادرست، را بشناسند و بتوانند آنها را مدیریت کنند.

۳. ارزیابی نیاز به آمبولانس با کمک هوش مصنوعی

در بریتانیا، هر ماه حدود ۳۵۰ هزار نفر با آمبولانس به بیمارستان منتقل می‌شوند. این تصمیم معمولاً بر عهده امدادگران است و آنها باید علاوه بر شرایط بیمار، ظرفیت محدود تخت‌های بیمارستانی را نیز در نظر بگیرند.

یک مطالعه در یورکشایر در شمال انگلستان نشان داد که هوش مصنوعی در ۸۰ درصد موارد توانسته است به‌درستی بیمارانی را که نیاز به انتقال به بیمارستان داشته‌اند شناسایی کند.

این مدل با استفاده از عواملی مانند میزان تحرک بیمار، نبض، سطح اکسیژن خون و وجود درد قفسه سینه آموزش داده شده بود و در عین حال، نتایج آن نشانه‌ای از سوگیری نشان نمی‌داد.

با این حال، NICE تأکید کرده است که پیش از استفاده گسترده از چنین سیستمی، به آموزش و توسعه بیشتر مدل نیاز است.

۴. تشخیص زودهنگام بیش از هزار بیماری

یک مدل جدید یادگیری ماشین مبتنی بر هوش مصنوعی می‌تواند نشانه‌های برخی بیماری‌ها را پیش از آنکه فرد حتی از وجود علائم آگاه شود، شناسایی کند.

شرکت آسترازنکا با استفاده از داده‌های پزشکی مربوط به ۵۰۰ هزار نفر که در یک مخزن داده‌های سلامت در بریتانیا قرار دارند، این مدل را توسعه داده است. طبق نتایج این پژوهش، سیستم می‌تواند با اطمینان بالایی احتمال تشخیص برخی بیماری‌ها را سال‌ها پیش از بروز بالینی آنها پیش‌بینی کند.

اسلاوه پتروفسکی، پژوهشگر اصلی این پروژه، توضیح می‌دهد که در بسیاری از بیماری‌ها، زمانی که علائم بالینی ظاهر می‌شوند و فرد به دلیل یک مشکل یا نشانه قابل مشاهده به پزشک مراجعه می‌کند، فرایند بیماری مدت‌هاست آغاز شده است.

هوش مصنوعی می‌تواند الگوهایی را در داده‌های فرد شناسایی کند که احتمال ابتلا به بیماری‌هایی مانند آلزایمر، بیماری انسدادی مزمن ریه، بیماری‌های کلیوی و بسیاری از بیماری‌های دیگر را پیش‌بینی می‌کنند.

در مطالعه‌ای دیگر در بریتانیا مشخص شد یک ابزار هوش مصنوعی توانسته است ۶۴ درصد از ضایعات مغزی مرتبط با صرع را که پیش‌تر توسط رادیولوژیست‌ها شناسایی نشده بودند، تشخیص دهد.

این ابزار با استفاده از تصاویر MRI بیش از هزار و ۱۰۰ کودک و بزرگسال از نقاط مختلف جهان آموزش داده شده بود. سیستم علاوه بر شناسایی سریع‌تر ضایعات نسبت به پزشک، قادر بود ضایعات بسیار کوچک یا پنهانی را نیز پیدا کند؛ مواردی که ممکن بود از دید انسان پنهان بمانند.

پژوهشگران معتقدند ترکیب یافته‌های هوش مصنوعی با نظارت و تخصص پزشکان می‌تواند سرعت تشخیص و درمان را افزایش دهد.

۵. چت‌بات‌های بالینی برای کمک به تصمیم‌گیری پزشکی

پزشکان باید در بسیاری از موقعیت‌ها تصمیم‌های سریع و مبتنی بر اطلاعات معتبر بگیرند. هوش مصنوعی می‌تواند به تسریع این فرایند کمک کند، اما در عین حال خطر ارائه اطلاعات نادرست یا سوگیرانه نیز وجود دارد.

یک مطالعه در آمریکا نشان داد مدل‌های زبانی بزرگ یا LLMهایی مانند ChatGPT، Claude و Gemini در پاسخ‌گویی به پرسش‌های پزشکی پزشکان، در بسیاری از موارد نتوانسته‌اند پاسخ‌هایی به اندازه کافی مرتبط و مبتنی بر شواهد ارائه دهند.

در مقابل، سیستم ChatRWD که از روش تولید تقویت‌شده با بازیابی اطلاعات یا RAG استفاده می‌کند، توانسته است پاسخ‌های مفید را برای ۵۸ درصد پرسش‌ها ارائه دهد؛ در حالی که این میزان برای مدل‌های زبانی مورد بررسی تنها بین ۲ تا ۱۰ درصد بوده است.

رابط‌های دیجیتال همچنین به‌طور فزاینده‌ای برای دسته‌بندی و اولویت‌بندی بیماران مورد استفاده قرار می‌گیرند.

برای نمونه، یک مطالعه موردی درباره پلتفرم دیجیتال سلامت Huma نشان داد این سیستم توانسته است نرخ بستری مجدد بیماران را ۳۰ درصد کاهش دهد، زمان صرف‌شده برای بررسی بیماران را تا ۴۰ درصد کم کند و از حجم کاری ارائه‌دهندگان خدمات سلامت بکاهد.

گزارش مجمع جهانی اقتصاد پیش‌بینی می‌کند که فناوری‌هایی از این دست می‌توانند تجربه بیماران را به شکل چشمگیری تغییر دهند. افراد سالم می‌توانند از ابزارهای پایش شخصی برای بهبود سلامت جسمی و روانی خود استفاده کنند و افراد دارای مشکلات پزشکی نیز به مجموعه گسترده‌تری از راهکارهای دیجیتال دسترسی خواهند داشت.

۶. ترکیب هوش مصنوعی با پزشکی سنتی

پزشکی سنتی در ۱۷۰ کشور مورد استفاده قرار می‌گیرد و میلیاردها نفر در سراسر جهان از روش‌های آن بهره می‌برند. یکی از دلایل تداوم اهمیت این حوزه، تأکید آن بر نگاه جامع به سلامت است.

اگرچه در نگاه نخست ممکن است ترکیب هوش مصنوعی و پزشکی سنتی چندان معمول به نظر نرسد، مطالعات نشان داده‌اند که این دو حوزه می‌توانند در کنار یکدیگر مورد استفاده قرار گیرند.

گزارش جدیدی از سازمان جهانی بهداشت و شرکای آن با عنوان «بررسی کاربرد هوش مصنوعی در پزشکی سنتی» نشان می‌دهد که فناوری‌های هوش مصنوعی می‌توانند به توسعه پزشکی سنتی، مکمل و تلفیقی کمک کنند و در عین حال از میراث فرهنگی نیز محافظت شود.

هند نخستین کشوری است که یک کتابخانه دیجیتال از دانش سنتی راه‌اندازی کرده و از ابزارهای هوش مصنوعی برای دسته‌بندی و تحلیل متون پزشکی بومی استفاده می‌کند.

این کشور همچنین در حال بررسی ارتباط میان هوش مصنوعی و «آیورژنومیکس» است؛ حوزه‌ای که نظام پزشکی سنتی آیورودا را با ژنومیک مدرن ترکیب می‌کند تا مشخص شود کدام ترکیبات گیاهی می‌توانند در مقابله با بیماری‌های امروزی مؤثر باشند.

در غنا نیز پژوهشگران از مدل‌های یادگیری برای شناسایی و دسته‌بندی گیاهان دارویی استفاده می‌کنند. در کره جنوبی نیز هوش مصنوعی برای تحلیل ترکیبات داروهای سنتی و بررسی کاربرد آنها در درمان بیماری‌های خونی مورد استفاده قرار گرفته است.

پیش‌بینی می‌شود ارزش بازار جهانی پزشکی سنتی، مکمل و تلفیقی در سال ۲۰۲۵ به حدود ۶۰۰ میلیارد دلار برسد و هوش مصنوعی می‌تواند به رشد سریع‌تر این بازار کمک کند.

با این حال، گزارش سازمان جهانی بهداشت بر اهمیت حفاظت از حاکمیت داده‌های جوامع بومی تأکید دارد. هوش مصنوعی نباید به عرصه جدیدی برای بهره‌برداری از دانش و منابع جوامع بومی تبدیل شود؛ بلکه این جوامع باید در شکل‌دهی به آینده استفاده از هوش مصنوعی در پزشکی سنتی نقش فعال داشته باشند.

۷. هوش مصنوعی برای مدیریت و امور اداری حوزه سلامت

فعالیت‌های اداری بخش جدایی‌ناپذیر نظام سلامت هستند، اما زمان زیادی از پزشکان و سایر کارکنان درمانی می‌گیرند. استفاده از دستیارهای هوش مصنوعی می‌تواند بخشی از این بار را کاهش دهد تا متخصصان زمان بیشتری را به بیماران اختصاص دهند.

برای مثال، مایکروسافت ابزار Dragon Copilot را معرفی کرده است؛ ابزاری که می‌تواند به مکالمات میان پزشک و بیمار گوش دهد و یادداشت‌های مربوط به جلسه درمان را تهیه کند.

گوگل نیز مجموعه‌ای از مدل‌های هوش مصنوعی را توسعه داده است که به‌طور اختصاصی برای کاهش بخشی از وظایف اداری در حوزه سلامت طراحی شده‌اند.

در آلمان نیز پلتفرم هوش مصنوعی Elea توانسته است زمان انجام آزمایش‌ها و تشخیص بیماری را از چند هفته به چند ساعت کاهش دهد. بنیان‌گذاران این پلتفرم بر این باورند که فناوری باید به جای ایجاد مانع، به یک همراه برای کارکنان حوزه سلامت تبدیل شود.

دکتر سباستین کاسو، یکی از بنیان‌گذاران Elea، معتقد است هیچ‌کس با هدف صرف چند ساعت از روز خود برای انجام امور اداری وارد حوزه سلامت نمی‌شود.

با این حال، استفاده از ابزارهای هوش مصنوعی در فرایندهای پزشکی و درمانی نگرانی‌هایی نیز ایجاد کرده است. برای مثال، ممکن است همه بیماران با ضبط و تحلیل گفت‌وگوی خود با پزشک توسط یک سیستم هوش مصنوعی احساس راحتی نکنند.

یک مطالعه جدید در بریتانیا نشان داد تنها ۲۹ درصد افراد حاضرند برای دریافت توصیه‌های اولیه سلامت به هوش مصنوعی اعتماد کنند؛ هرچند بیش از دو سوم افراد با استفاده از این فناوری برای کاهش حجم کاری متخصصان و آزاد کردن زمان آنها موافق بودند.

موضوع دیگری که باید مورد توجه قرار گیرد، دقت این ابزارهاست. یک گزارش نشان داده است که سیستم Whisper شرکت OpenAI که در برخی بیمارستان‌ها برای تهیه خلاصه‌ای از جلسات پزشک و بیمار مورد استفاده قرار گرفته، در برخی موارد بخش‌هایی از متن گفت‌وگو را به‌اشتباه تولید کرده است.

به همین دلیل، قانون‌گذاری و نظارت بر ابزارهای هوش مصنوعی در حوزه سلامت اهمیت بسیار زیادی دارد.

در بریتانیا، تجهیزات پزشکی مبتنی بر هوش مصنوعی تحت نظارت و مقررات سخت‌گیرانه آژانس تنظیم مقررات داروها و محصولات سلامت قرار دارند. در آمریکا نیز سازمان غذا و دارو (FDA) موضوع تنظیم مقررات هوش مصنوعی در حوزه سلامت را بررسی کرده و بر ضرورت اطمینان از ایمنی، اثربخشی و قابل‌اعتماد بودن این ابزارها تأکید کرده است.

در نهایت، توسعه هوش مصنوعی در پزشکی می‌تواند فرصت‌های قابل‌توجهی برای تشخیص سریع‌تر، کاهش هزینه‌ها، مدیریت بهتر منابع و بهبود تجربه بیماران ایجاد کند؛ اما استفاده مؤثر از این فناوری به آموزش کاربران، نظارت انسانی، ارزیابی مستمر دقت و وجود چارچوب‌های قانونی مناسب نیاز دارد.