چگونه هوش مصنوعی نظام سلامت را دگرگون می‌کند؟

هوش مصنوعی در نظام سلامت

قرن جدید، قرن همزیستی انسان و هوش مصنوعی است. همزیستی به این معنی که هوش مصنوعی در مسیری قرار گرفته است که قابلیت تشخیص و تصمیم خودکار دارد و اپراتور انسان، کمترین دخالت را در تشخیص الگوها و پیش‌بینی وضعیت بعدی دارد. کلان داده، یادگیری ماشین و استفاده از هوش مصنوعی از عوامل مهم در بهبود وضعیت رفاهی و بویژه سیستم سلامت جوامع انسانی هستند. استفاده از هوش مصنوعی در نظام سلامت (از تشخیص سریع بیماری گرفته تا ربات‌های دستیار در جراحی‌)، باعث بهبود فعالیت‌های درمانی و تجربه بیماران از روند درمان شده است.

برپایه گزارش CB Insights (پایگاه بین‌المللی داده و پلتفرم تجزیه و تحلیل تجاری) تنها در سال 2021، سرمایه‌گذاری در فناوری هوش مصنوعی 108 درصد افزایش یافته است و نظام سلامت پنجمین حوزه از نظر سرمایه‌گذاری در هوش مصنوعی است، برآورد می‌شود که تا سال 2050، از هر 4 نفر، یک نفر بیشتر از 65 سال عمر خواهد کرد؛ چنین جمعیت قابل توجهی از افراد کهنسال، نیازمند پیگیری‌ها و مراقبت‌های پزشکی مداوم هستند و برای پاسخگویی به این نیاز لازم است حوزه سلامت تحولی همه‌جانبه را بپذیرد.

سازمان جهانی بهداشت می‌گوید تا سال 2030، بیش از 40 میلیون شغل جدید در بخش سلامت ایجاد می‌شود، با این حال، کمبودی 10 میلیونی در نیروی پزشکی خواهد داشت. هوش مصنوعی، با تاکید و تکیه بر خودکارسازی، امکان ایجاد تحولی انقلابی را در بخش مراقبت‌های پزشکی و رفع برخی از چالش‌های موجود را دارد.

هوش مصنوعی بنا بر تعریف بخش تحقیقات پارلمان اروپا، قابلیتی از برنامه رایانه‌ای است بر اساس آن ماشین‌ها فعالیت‌ها یا فرایند‌های استدلالی (که معمولا از ویژگی‌های منحصر به فرد انسان است) را اجرا می‌کنند. با این ویژگی، هوش مصنوعی کارایی و بهره‌وری سیستم‌های مراقبتی را بسیار افزایش می‌دهد و به زمان بیشتر و ابزار دقیق‌تری در اختیار می‌گذارد.

اما تا چه اندازه و تحت چه شرایطی مردم و ویژه جامعه پزشکی به هوش مصنوعی و نتایج آن اعتماد خواهند کرد؟

 

سه اصل بنیادین برای اعتماد به هوش مصنوعی در بخش سلامت

بر اساس تحقیقی که شرکت مشاوره ZS انجام داده است، اصلی‌ترین مانع در رشد حداکثری هوش مصنوعی در سیستم‌ سلامت، عدم اعتماد به کارایی و دقت نتایج حاصل از فناوری‌های متاثر از هوش مصنوعی است.
این بنیاد، سه اصل زیر را به عنوان چهارچوب‌هایی که باید هوش مصنوعی رعایت کند تا اعتماد لازم برای بهره‌گیری از این ابزار فناورانه در بخش سلامت، ایجاد شود را معرفی کرده است:

  1. مسئولیت‌پذیری: داده‌ها، منبع اصلی تصمیم‌گیری سیستم‌های هوشمندی هستند که بر اساس اصول یادگیری ماشین فعالیت می‌کنند. مدیریت غیرمسئولانه داده‌ها و الگوریتم‌ها، می‌تواند ناخواسته منجر به سو‌گیری نامناسب و تحلیل‌های متناقصی در استدلال ماشین بشود، تصمیم‌هایی که نتیجه آن برداشت غلط کاربر خواهد بود.
  2. صلاحیت: هر نوآوری که کارایی نداشته باشد، فقط یک تخیل است. اما میزان حاشیه خطا در نتایج حاصل از محاسبات ماشین اهمیت زیادی دارد. در فضای کنونی، اشتباهات پزشکان به مراتب قابل چشم‌پوشی‌تر از اشتباه مشابهی است که از جانب یک ماشین رخ می‌دهد. به این مفهوم که مردم عادی و متخصصان، حاشیه بسیار باریکی را برای خطای ماشین قائل می‌شوند.
  3. شفافیت: آگاهی از اینکه دنیای ماشین‌ها سرشار از محدودیت‌های محاسباتی و استدلالی است، به تشکیل و حفظ اعتماد به هوش مصنوعی در مراقبت‌های پزشکی، کمک شایانی می‌کند.

فناوری هوش مصنوعی در بخش سلامت
فناوری هوش مصنوعی در بخش سلامت

استارتاپ‌ها پرچم‌دار توسعه هوشمند مصنوعی در سلامت

سازمان‌ها و بخش‌های مرتبط با سلامتی که از پذیرندگان اولیه کاربرد دیجیتال، کلان‌داده و هوش مصنوعی در مراقبت‌های بهداشتی بوده‌اند، پیشرفت‌هایی را ایجاد کرده‌اند که زمینه را برای گذار از تردید به اعتماد پایدار فراهم کرده است. استارتاپ‌ها، پیشران‌های استفاده از هوش مصنوعی در نظام سلامت هستند.
استارتاپ یونانی اینتلیجنسیا (Intelligencia) از هوش مصنوعی برای برآورد احتمال موفقیت درمان‌های ترکیبی و نظارت‌ پزشکی، استفاده می‌کند.
استارتاپ ایزرا (Ezra) به رادیولوژیست‌ها کمک می‌کند تا با کمک هوش مصنوعی، سریعتر و دقیق‌تر سرطان را تشخیص دهند.
استارتاپ ویسپر (Whisper) که در حوزه هوش مصنوعی فعالیت دارد و از این دانش برای ساخت دستگاه‌های کمک‌شنوایی استفاده می‌کند؛ این ابزارها به انسان‌های با مشکلات شنوایی این امکان را می‌دهند که صدای انسان را از نویز محیط تفکیک کنند.
استارتاپ آمریکایی پس اِی‌آی (PathAI) از فناوری یادگیری ماشین برای کمک به آسیب‌شناسان در تشخیص دقیق بیماری استفاده می‌کند. هدف اصلی این گروه، استفاده از یادگیری ماشین برای تشخیص سرطان در مراحل اولیه تشکیل آن و ارائه روش‌های درمان اختصاصی برای هر بیمار است. هدف بعدی این شرکت، همکاری با سازمان‌های دیگری مثل بنیاد بیل گیتس برای ساخت داروهای هوشمند است.
استارتاپ دیجیتال بوئی هلث (Buoy Health) یک قدم پیش‌تر رفته و سیستم تشخیص خودکار را ارائه کرده است. در این سیستم، یک ربات بجای پزشک، از بیمار سوال می‌پرسد و علائم مختلف بیان شده توسط بیمار را با پایگاه‌های اطلاعاتی خود می‌سنجد. در نهایت، استدلال ربات به بیمار کمک می‌کند تا به متخصص و واحد بیمارستانی مورد نیاز مراجعه کند و از سردرگمی و مراجعه‌های بی‌ثمر جلوگیری شود. با کمک تیم مرکب پزشکی و هوش مصنوعی دانشگاه هاروارد، Buoy Health هر لحظه، و با هر مصاحبه پزشکی، به کتابخانه اطلاعاتی خود می‌افزاید و تشخیص‌های دقیق‌تری در آینده فعالیت خود ارائه می‌دهد.

اینها تنها قطره‌ای از دریایی از استارتاپ‌های فعالی هستند که هوش مصنوعی را در بخش‌های نیازمند سیستم سلامت گسترش می‌دهند. برای آشنایی با تعدادی بیشتر از این استارتاپ و ایده‌های نوآورانه آنها، اینجا کلیک کنید.

اپلیکیشن‌‌هایی مانند گام‌شمار، قابلیت تبدیل شدن به همیاران پزشکی را دارند. پژوهشگران به دنبال استفاده از اپلیکیشن‌هایی این‌چنین هستند، تا وضعیت سلامت صاحبان آنها را بصورت لحظه‌ای ضبط و در صورت نیاز گزارش کنند.
بر پایه تحقیق ZS، نزدیک به 73 درصد کاربران از این دسترسی‌ها و مراقبت‌های آنی و همه‌جانبه استقبال می‌کنند؛ همه دوست دارند یک روز پیش از یک سکته مغزی، از احتمال بالای رخداد آن آگاه شوند.

 

کارایی در مقیاس بزرگ

نوآوری در حوزه سلامت دیجیتال، اغلب نیازمند سرمایه‌گذاری زیاد است اما کارکردن در مقیاس بزرگ صرفه اقتصادی در پی دارد و تحول آفرین است. همیشه خلاقیت و پیدایش محصولات نوآورانه زاییده نیاز است. ضرورت‌های متاثر از همه‌گیری کرونا باعث شد محصولات هوش مصنوعی در مقیاس‌های بزرگتر و با سرعت‌های بیشتر به جمعیت‌های گسترده‌تری عرضه شوند. برای مثال، ایرلند از جمله کشورهایی بود که از سیستم پایش از راه دور استفاده می‌کرد تا بیماران با علائم سیستم تنفسی را در محل‌های قرنطینه آنها زیر نظر بگیرد.
در همین دوران، شرکت‌هایی چون آسترازنکا و مُدرنا از دانش‌های نوین در یادگیری ماشین برای ساخت واکسن کرونا بهره گرفتند. به جای اینکه هزاران پزشک و داروساز بر روی ساخت یک دارو تمرکز کنند، میلیون‌ها شبیه‌سازی دارویی انجام می‌گیرد، امکانی که نتیجه‌ بهتری را در زمان کوتاه‌تری بدست می‌دهد. به عنوان مثال، پژوهشگران یک سیستم شبیه‌سازی بیماری طراحی کرده‌اند که کارایی داروهایی ساخته شده برای بیماران سرطانی را، با دقت قابل توجهی، در 24 تا 48 ساعت تعیین می‌کند.
امروزه اکوسیستم مراقبت‌های بهداشتی، با پیشرفت هوش مصنوعی برای انقلاب صنعتی چهارم آماده می‌شود. تنها در آمریکا و از سال 2020 تاکنون، تعداد بیمارستان‌هایی که از هوش مصنوعی، به صورت همه جانبه، استفاده می‌کنند، 3 برابر شده است. 56 درصد از رهبران علوم زیستی که مورد بررسی مجمع جهانی اقتصاد قرار گرفته‌اند، می‌گویند که مدیریت شرکت‌های آنها از هوش مصنوعی، برای استفاده در تمام بخش‌های مرتبط با پیشگیری، تشخیص و درمان، پشتیبانی می‌کند، با این حال، 46درصد از کمبود افراد ماهر برای پیاده‌سازی هوش مصنوعی گفته اند.

بهبود سلامت با ارتقای کارایی هوش مصنوعی
بهبود سیستم سلامت با افزایش کارایی هوش مصنوعی

بهبود نظام سلامت با افزایش کارایی هوش مصنوعی

اکنون انقلاب صنعتی چهارم با شتاب در بخش سلامت گسترش و نفوذ می‌یابد و شاخص سلامت همگانی در دنیا را افزایش می‌دهد. کارایی یک راهکار مانند هوش مصنوعی در این حوزه به این معناست که هزینه تشخیص سرطان به 1 درصد کاهش یابد، در دسترس تعداد بیشتری باشد و خیلی زودتر از روال کنونی، تشخیص داده شود. در پزشکی، تشخیص سریع‌تر، مرز بین مرگ و زندگی را تعیین می‌کند، به‌عنوان مثال نوعی از سرطان پوست به نام ملانوما، در صورت تشخیص سریع، نرخ بقای 99 درصدی دارد. این نرخ بقا، در اثر تشخیص دیر هنگام و زمانی که سرطان در نقاط مختلفی پخش شده است، به 30 درصد می‌رسد.
هوش مصنوعی همان علم تشخیص مرز مرگ و زندگی است. بطور خاص، یادگیری ماشین امیدوارکننده‌ترین ابزار در تشخیص زمان، شدت و نوع درمان یک عارضه است.
از هر 100 دارویی که ساخته می‌شوند، 90 دارو در فاز نخست، رد می‌شود. هوش مصنوعی این قابلیت را دارد که این احتمال شکست 90 درصدی را به شکل قابل توجهی کاهش بدهد. هزینه آزمایش‌های شبیه‌سازی شده بسیار کمتر و بی‌خطرتر از انواع کلاسیک است.

 

تولید دارو با فناوری یادگیری ماشین

در عصر انفجار داده‌ها، منابع هنگفتی از انرژی و هزینه صرف نگهداری آنها می‌شود، تنها چیزی که تلاش انسان را برای حفظ و بایگانی کلان داده‌ها توجیه می‌کند، استفاده از ابزارهایی مثل یادگیری ماشین برای تشخیص الگوها و پیش‌بینی آینده است.
تجربه همه‌گیری کرونا نشان داد که ابزارهای فناوری و دانش علمی روز، می‌تواند مرز بین فاجعه و امنیت را تعیین کند. در حضور داده کافی، تکنیک‌های یادگیری ماشین، مدل‌هایی را پشتیبانی می‌کنند که الگوهای احتمالی مولکولی را شبیه‌سازی، آزمایش و بسته به نتایج تغییر می‌دهند.
به گفته مدیر تیم ساخت واکسن کرونا در شرکت مدرنا، با شروع از 30 mRNA اولیه و تولید شده به روش سنتی، در طول یک ماه بیشتر از 1000 mRNA تولید شدند که هر کدام ویژگی متفاوتی داشت و به نوبه خود گزینه‌ای بودند برای تولید واکسن. فرایند تولید این همه mRNA در این بازه زمانی کوتاه و با این دقت، تنها با استفاده از شبیه‌سازی‌های حاصل از استفاده از یادگیری ماشین و کلان داده‌ها ممکن بود.
دانشمندان حوزه بیولوژی و هوش مصنوعی رویکرد DRUML را طراحی کرده‌اند که بر مبنای این رویکرد با استفاده از داده‌های موجود از داروهای کنونی می‌توانند صدها داروی دیگر را در بازه زمانی بسیار کوتاهی تولید کنند. این سامانه اطلاعات سلولی-مولکولی را می‌گیرد، پروتئین‌های پذیرنده و گیرنده را تشخیص می‌دهد و متناظر با این اطلاعات، و ترکیب داروها موجود یا برچسب زدن به ویژگی‌های درمانی آنها، دارویی تولید می‌کند که میزان کاربرد آن در تشخیص هدف و درمان بیماری با خطایی با میانگین مربعات کمتر از 0.1 است.
تنها در شش ماه اول سال 2022، 150 داروی مولکول-کوچک در مرحله کشف و آزمایش با استفاده از هوش مصنوعی، به عنوان روش پایه، بودند. از این بین، 15 دارو در مرحله آزمایش بالینی قرار گرفتند. جالب‌تر این که، روند کشف و توسعه داروهای با رویکرد هوش مصنوعی، سالانه 40 درصد رشد می‌کند.
هوش مصنوعی نیرومندترین ابزار انسان در افزایش سطح کارایی اوست. افزایش کارایی، کاهش هزینه‌ها را به دنبال دارد و بیماران به داروهایی ارزان‌تر و با احتمال تاثیر بیشتر دسترسی پیدا می‌کنند، با افزایش کارایی در تشخیص بیماری، پزشکان دستیارانی خواهند داشت که حاشیه خطای بسیار ناچیزی دارند و کتابخانه‌های اطلاعات آنها بسیار گسترده‌تر از تجربیات شخصی متخصصان است.
هم‌اکنون، بیشتر از 80 درصد فرایند تشخیص و ساخت الگوی دارویی توسط هوش مصنوعی انجام می‌شود. نزدیک شدن این عدد به 100 مطمئنا با افزایش کارایی و دقت حداکثری ابزارهای هوش مصنوعی در پیشگیری، تشخیص و درمان بیماری‌ها همراه می‌شود.