متخصص قلب به او گفت که این وضعیت دلیل سکته کوچک رابرت بوده و او نیاز به جراحی دارد تا شکاف قلبش بسته شود اما رابرت چندان مطمئن نبود.
پس از دیدن اولین متخصص قلب، رابرت به ملاقات اریک توپول که او نیز متخصص قلب است، رفت. توپول از ارزیابی اولیه شوکه شد. از هر پنج بزرگسال یک نفر PFO دارد و این بیماری به سکته مغزی مرتبط نیست. بنابراین او و رابرت متوجه شدند که بیماری او فیبریلاسیون دهلیزی است که میتواند با یک رقیقکننده خون ساده درمان شود.
وضعیت رابرت نمونهای از چیزی است که توپول آن را پزشکی سطحی مینامد که در آن پزشکان فرسوده و افسرده برای ایجاد ارتباط واقعی با بیماران خود و انجام ارزیابیهای جامع وقت صرف نمیکنند.
به عنوان مثال، متوسط حضور در کلینیک در ایالات متحده تنها هفت دقیقه طول میکشد. شاید در نتیجه همین باشد که سالانه حدود 12میلیون تشخیص نادرست قابل توجه در سراسر کشور وجود دارد و تا یکسوم از اعمال پزشکی انجام شده غیرضروری است.
بیماران رنج میبرند، اما افرادی که آنها را درمان میکنند نیز رنج میبرند. از هر چهار پزشک جوان یک نفر افسردگی را تجربه میکند و تقریبا نیمی از پزشکان آمریکایی علائم فرسودگی شغلی دارند. این وضعیت خطر خطاهای پزشکی را تا حد زیادی افزایش میدهد و حتی منجر به خودکشی پزشک میشود.
هوش مصنوعی میتواند تا حد زیادی به مراقبتهای بهداشتی کمک کند، اما محدودیتهای خود را دارد. هوش مصنوعی در پزشکی ممکن است بخشی از آیندهای دور به نظر برسد. اما در واقع، در حال حاضر برای نجات جان افراد استفاده میشود.
در یک مورد، یک نوزاد پسر سالم سه روز پس از تولد به خانه برده شد. پنج روز بعد، مادرش او را به اورژانس بیمارستان کودکان رادی در سندیگو برد. نوزاد تازه متولدشده تشنجهای مداومی را تجربه میکرد که فقط بدتر میشد.
از آنجا که اوضاع خیلی بد به نظر میرسید، نمونهای از خون پسر برای توالییابی سریع کل ژنوم به آزمایشگاه برده شد. تنها در 20 ثانیه، هوش مصنوعی کل پرونده پزشکی پسر را پردازش کرد. سپس الگوریتمهای یادگیری ماشینی دادهها را غربال و در نهایت به یک نوع ژنتیکی نادری برخورد کردند که میتواند باعث تشنج پسر شود. درمان او با ویتامین B6 و مکملهای آرژنین میتوانست اثرات این ژن را خنثی کند.
به لطف این درمان و کار سریع هوش مصنوعی تشنج نوزاد به پایان رسید. این مورد نشان میدهد که هوش مصنوعی پتانسیل نجات زندگی دارد. اما قبل از این که در مورد قابلیتهای هوش مصنوعی بیش از حد حرف بزنیم، ضروری است که محدودیتهای آن را هم در نظر بگیریم.
اول از همه، هوش مصنوعی کاملا به کیفیت دادههای آن بستگی دارد. هوش مصنوعی با دادههای استاندارد و قابل جستوجو کار میکند. با این حال، دادههای پزشکی اغلب بدون ساختار هستند و این وضعیت میتواند خروجی الگوریتم را مختل کنند.
همچنین هوش مصنوعی خلاق نیست. نمیتواند راهحلهای جدیدی برای مشکلات داشته باشد. یک بار توپول مشغول درمان یک پیرمرد 70ساله بود که از خستگی مفرط رنج میبرد. سیتیاسکن نشان داد که شریان کرونر راست او 80درصد باریک شده است. توپول گیج شده بود زیرا این موضوع معمولا باعث خستگی شدید نمیشود.
او شرایط را توضیح داد و پیشنهاد گذاشتن استنت در رگ مسدودشده را داد که بیمار با آن موافقت کرد. همان شب عمل، بیمار میتوانست چندین بلوک را بدون احساس خستگی راه برود. او گزارش داد که احساس میکند قویتر و بهتر از همیشه است. یک الگوریتم کامپیوتری هرگز نمیتوانست آن روش را توصیه کند، زیرا هیچ سابقهای برای موقعیت خاص این مرد وجود نداشت.
هوش مصنوعی فعلی دارای محدودیتهای مهمی است که هرگز به آن اجازه نمیدهد به طور کامل جایگزین پزشکان انسانی شود. اما با این حال میتواند برای پزشکی مفید باشد. پزشکان میتوانند از هوش مصنوعی برای کمک به بهبود تشخیص خود استفاده کنند.
ممکن است سوگیریها پزشک را به تشخیص اشتباه یک بیماری برای یک بیماری دیگر سوق دهند به خصوص اگر او تمام علائم بیمار را به دقت بررسی نکند. شاید حتی تعصب بیش از حد و اعتماد به نفس زیاد باعث شود پزشکان بیشتر از آنچه واقعا توانایی دارند به تشخیصهای خود اعتماد کنند.
همه این سوگیریها زمانی به وجود میآیند که مردم از شهود برای قضاوت سریع استفاده میکنند، همان طور که پزشکان اغلب هنگام تشخیص بیماران همین گونه هستند. کاهش تأثیر این تعصبات با کمک هوش مصنوعی یکی از راههای استفاده از این ابزار است. پزشکان میتوانند از هوش مصنوعی برای کمک به بهبود تشخیص خود استفاده کنند.
در حال حاضر، تشخیص جامع برای ماشینها دشوار است. اما هنگام تشخیص انواع خاصی از بیماریها به خوبی عمل میکنند. میتوان از اپلیکیشن Face2Gene نام برد که میتواند به تشخیص بیش از 4000بیماری مختلف ژنتیکی با شناسایی ویژگیهای خاص صورت مرتبط با آنها کمک کند. 60درصد متخصصان ژنتیک پزشکی و مشاوران ژنتیک در حال حاضر از این برنامه استفاده میکنند.
برای استفاده گسترده از هوش مصنوعی برای تشخیص پزشکی، باید این کار را به یک علم دادهمحور تبدیل کنیم. این امر مستلزم جمع آوری حجم عظیمی از اطلاعات در مورد هر فرد است که در حالت ایدهآل، از مرحله قبل از تولد شروع میشود و در کل زندگی ما ادامه مییابد.
البته جمع آوری دادهها در مقیاس انبوه نگرانیهای زیادی را به همراه دارد. اگر شرکتهای بیمه به دادههای دقیق درباره بیماران دسترسی داشتند، میتوانستند از تجزیه و تحلیل هوش مصنوعی برای تقسیمبندی افراد بر اساس خطرات سلامتی آنها استفاده کنند و تفاوتهای شدیدی در نرخهای پوشش برای بیماران در معرض خطر ایجاد کنند.
بدون شک، مقررات دولتی برای جلوگیری از این سوء استفادهها از دادههای بیماران ضروری خواهد بود. اما ما نباید اجازه دهیم که نگرانیها بر سهم بالقوه هوش مصنوعی غلبه کند.
آیا تا به حال پیش دکتری رفتهاید که در حین ویزیت شما حتی به شما نگاه هم نکند؟ اگر چنین است، او احتمالا پرونده سلامت الکترونیکی شما را به روز میکند. پرونده سلامت الکترونیکی به مانعی برای ارتباط پزشک و بیمار تبدیل شدهاند.
اینجا هم هوش مصنوعی میتواند به کمک بیاید. نوعی از یادگیری ماشینی به نام پردازش زبان طبیعی میتواند برای رونویسی تمام کلمات رد و بدل شده در طول ملاقات با پزشک استفاده شود. انجام این کار زمان پزشکان را آزاد میکند تا بتوانند به جای پرونده سلامت الکترونیکی روی فردی که جلوی آنها نشسته تمرکز کنند.
پردازش حجم عظیمی از دادهها استعداد برتر هوش مصنوعی است و پزشکان متخصص واقعا میتوانند از آن بهرهمند شوند.
هر سال دو میلیارد عکس رادیوگرافی قفسه سینه در سراسر جهان انجام میشود. خواندن این اسکنها ممکن است دشوار باشد، با توجه به این که زخم یا ریزش بافت ریه میتواند سایر مسائل را پنهان کند. اما هوش مصنوعی با توانایی پردازش و تفسیر سریع دادههای تصویری، میتواند این اسکنها را با درجه بالایی از دقت بخواند.
یک مطالعه الگوریتم یادگیری ماشینی را آموزش داد تا بیش از 50هزار عکس رادیوگرافی قفسه سینه را به عنوان عادی یا غیرطبیعی طبقهبندی کند. این الگوریتم که به طور گسترده مورد استفاده قرار میگیرد، به تنهایی میتواند به رادیولوژیستها کمک کند تا مشخص کنند کدام اسکنها باید بررسی دقیقتر شوند و کدام نه. با صرفهجویی در زمان، رادیولوژیستها میتوانند کارهای ارزشمند دیگری مانند صحبت مستقیم با بیماران انجام دهند که در وضعیت فعلی بسیار نادر است.
هنگامی که الگوریتمها در کنار رادیولوژیستهای انسانی مورد استفاده قرار میگیرند، میتوانند به دستیابی به دقت تشخیصی بیشتر کمک کنند. این در مورد آسیب شناسی نیز صادق است.
آسیبشناسان که نمونههای بافت انسانی را برای تشخیص بیماری تفسیر میکنند، میتوانند از PathAI، ابزاری برای تجزیه و تحلیل اسلایدها استفاده کنند. این ابزار به تنهایی دارای نرخ خطای 9.2درصدی است، اما اگر در کنار یک عامل انسانی استفاده شود نرخ خطا به 0.5درصد کاهش مییابد.
در بیماریهای پوست، مساله کمی متفاوت است. ایالات متحده متخصصان پوست کمی دارد، بنابراین حدود دوسوم همه بیماریهای پوستی توسط پزشکان مراقبتهای اولیه تشخیص داده میشوند. در نتیجه، نرخ خطا به طرز شگفت انگیزی بالاست. در اینجا ماشینها میتوانند برای تشخیص بیماریهای خاص پوست وارد عمل شوند. در واقع، یک مقاله در سال 2017 قبلا روشن کرده که یک الگوریتم میتواند در طبقهبندی سرطان و شناسایی ملانوم از متخصصان پوست بهتر عمل کند.
انواع مختلفی از پزشکان وجود دارند که از هوش مصنوعی سود میبرند. اما در حال حاضر اجازه دهید فقط به متخصصان قلب نگاه کنیم. یک شبکه عصبی هوش مصنوعی اخیرا نشان داده که حملات قلبی را با دقت 90درصد تشخیص میدهد. سایر فناوریها نیز برای اندازهگیری ریتم قلب مفید هستند. یکی از دستگاهها، iRhythm Zio، یک دستگاه چسب مانند است که روی قفسه سینه قرار میگیرد. در داخل آن یک تراشه وجود دارد که اطلاعات مربوط به ضربان قلب هر یک از کاربران را به مدت 10تا 14روز ثبت میکند. با این اطلاعات، متخصصان قلب میتوانند به راحتی بینظمی ضربان قلب و سایر مسائل را ارزیابی کنند. انجام همین کار برای وضعیت روانی یک فرد بسیار دشوارتر است. با این حال، هوش مصنوعی میتواند برای کمک به متخصصان سلامت روان و افراد مبتلا به اختلالات سلامت روان هم استفاده شود.
بسیاری از عوامل، از جمله هزینه و در دسترس نبودن روانپزشکان افراد را از مراجعه به مراقبتهای بهداشت روان باز میدارد. با این حال، رباتهای گفتوگوی سلامت روان، میتوانند جایگزین مناسبی برای درمان در چنین مواردی باشند. این چتباتها اغلب از درمان شناختی رفتاری یا CBT استفاده میکنند. برخی مطالعات نشان داده که مردم حتی ترجیح میدهند در مورد مسائل حساس و شخصی با چتباتها صحبت کنند تا انسانهای واقعی!
علاوه بر چتباتها، هوش مصنوعی میتواند برای کمک به تشخیص بیماریهای روانی مانند افسردگی، که بیش از 10درصد مردم در سطح جهانی آن را تجربه میکنند، استفاده شود. به عنوان مثال، یکی از الگوریتمها به نام DeepMood، تنها با مطالعه الگوهای صفحهکلید گوشیهای هوشمند فرد، قادر به پیشبینی افسردگی با دقت بالا بود.
منبع: ضمیمه کلیک روزنامه جامجم
در یادداشتی اختصاصی برای جام جم آنلاین مطرح شد؛
یک کارشناس روابط بینالملل در گفتگو با جام جم آنلاین مطرح کرد
در گفتگو با جام جم آنلاین مطرح شد
سید رضا صدرالحسینی در یادداشتی اختصاصی برای جام جم آنلاین مطرح کرد
یک کارشناس روابط بینالملل در گفتگو با جام جم آنلاین مطرح کرد
حسن فضلا...، نماینده پارلمان لبنان در گفتوگو با «جامجم» مطرح کرد
در گفتگو با جام جم آنلاین مطرح شد