هوش مصنوعی نجات‌بخش: انقلاب جدید در مراقبت از بیماران و تشخیص بیماری‌ها

یه ابزار هوش مصنوعی تازه نفس تو دنیای پزشکی: یه قدم به جلو تو مراقبت از بیمارا

محققای دانشگاه استنفورد یه ابزار هوش مصنوعی درست کردن که میتونه هزارتا یادداشت دکتر تو سوابق پزشکی الکترونیکی رو بخونه و الگوها رو پیدا کنه. هدفشون اینه که اطلاعاتی رو فراهم کنن که دکترا و محققا امیدوارن به بهتر شدن مراقبت از مریض ها کمک کنه. معمولا کارشناسا برای اینکه جواب سوالاشون در مورد مراقبت رو پیدا کنن، باید کلی نمودار پزشکی رو زیر و رو کنن، اما تحقیقات جدید نشون میده که مدلای زبانی بزرگ — ابزارهای هوش مصنوعی که میتونن الگوها رو تو زبان نوشتاری پیچیده تشخیص بدن — احتمالا میتونن این کارو انجام بدن و یافته هاشونم کاربردی باشه.

مثلا، این ابزارها میتونن نمودارهای بیمارا رو واسه پیدا کردن تداخلات دارویی خطرناک زیر نظر بگیرن یا کمک کنن به دکترا که بفهمن کدوم مریضا به درمان های خاص جواب میدن یا نه. این ابزار هوش مصنوعی، که تو یه مطالعه تو مجله Pediatrics تو تاریخ ۱۹ دسامبر چاپ شده، واسه این طراحی شده بود که بررسی کنه آیا بچه هایی که اختلال کم‌توجهی-بیش‌فعالی (ADHD) دارن، بعد از اینکه داروی جدید براشون تجویز شد، مراقبت های پیگیری مناسبی دریافت کردن یا نه.

یائر بَنِت، که نویسنده اصلی این مطالعه اس و استادیار پزشکی کودکان، گفت: «این مدل این امکانو به ما میده که یه سری از کمبودا رو تو مدیریت ADHD پیدا کنیم.» نویسنده ارشد این مطالعه، هایدی فِـلـدمن، استاد برجسته پزشکی رشد و رفتار کودکان هستش. تیم تحقیقاتی از بینش های این ابزار استفاده کردن تا راه هایی رو پیدا کنن که میتونه به بهبود پیگیری دکترها با مریض ها و خانواده هایی که ADHD دارن کمک کنه. بَنِت اضافه کرد که قدرت اینجور ابزارهای هوش مصنوعی میتونه به جنبه های مختلف مراقبت پزشکی اعمال بشه.

کار سخت واسه آدما، آسون واسه هوش مصنوعی

سوابق پزشکی الکترونیکی یه سری اطلاعات مثل نتایج آزمایشا یا اندازه گیری های فشار خون رو شامل میشه که مقایسه شون بین مریضا واسه کامپیوترها خیلی راحته. اما بقیه اطلاعات — تقریبا ۸۰٪ از اطلاعاتی که تو هر پرونده پزشکی هست — تو یادداشتاییه که دکترا در مورد مراقبت از بیمار مینویسن. این یادداشت ها گرچه واسه آدمی که بعدا نمودار بیمارو میخونه مفید هستن، اما جمله بندی هاشون تحلیل حجیم اطلاعات رو سخت میکنه. این اطلاعاتی که نظم کمتری دارن، قبل از اینکه تو تحقیقات استفاده بشن، باید دسته بندی بشن، معمولا هم توسط یه نفر که یادداشت ها رو میخونه و دنبال جزئیات خاصی میگرده.

مطالعه جدید بررسی کرد که آیا محققا میتونن از هوش مصنوعی واسه این کار استفاده کنن یا نه. این مطالعه از سوابق پزشکی ۱,۲۰۱ بچه که بین ۶ تا ۱۱ سالشون بود و مریضای ۱۱ تا مرکز پزشکی اولیه کودکان تو یه شبکه بهداشتی بودن و حداقل یه داروی ADHD براشون تجویز شده بود، استفاده کرد. این داروها میتونن عوارض جانبی اذیت کننده ای داشته باشن، مثل کم شدن اشتهای بچه، واسه همین مهمه که دکترا وقتی مصرف دارو رو شروع میکنن، در مورد عوارض جانبی سوال کنن و اگه لازمه دوزا رو تنظیم کنن.

تیم تحقیقاتی یه مدل زبان بزرگ که از قبل وجود داشت رو آموزش دادن تا یادداشتای دکترا رو بخونه و بررسی کنه که آیا از بچه ها یا والدینشون تو سه ماه اول مصرف دارو درباره عوارض جانبی سوال شده یا نه. این مدل روی یه مجموعه از ۵۰۱ یادداشت که محققا بررسی کرده بودن، آموزش داده شد. محققان هر یادداشتی که به وجود یا نبودن عوارض جانبی اشاره میکرد (مثل «کم شدن اشتها» یا «کم نشدن وزن») رو نشونه ای از انجام پیگیری در نظر گرفتن، در حالی که یادداشتایی که هیچ اشاره ای به عوارض جانبی نداشتن، به عنوان نشونه ای از انجام ندادن پیگیری حساب شدن. یادداشتایی که یه آدم بررسی کرده بود به عنوان «حقیقت پایه» واسه مدل در نظر گرفته شد: تیم تحقیقاتی از ۴۱۱ یادداشت استفاده کرد تا مدل رو آموزش بده که یه سوال در مورد عوارض جانبی چه شکلیه و از ۹۰ یادداشت باقیمونده استفاده کرد تا تایید کنه که آیا مدل میتونه درست اینجور سوالایی رو تشخیص بده یا نه.

بررسی دوباره یادداشت ها و عملکرد مدل هوش مصنوعی

بعدش اونا به صورت دستی ۳۶۳ تا یادداشت اضافه رو بررسی کردن و دوباره عملکرد مدل رو امتحان کردن و دیدن که این مدل حدود ۹۰٪ از یادداشتارو درست طبقه بندی کرده. وقتی مدل زبان بزرگ خوب کار کرد، محققا ازش استفاده کردن تا سریع همه ۱۵,۶۲۸ تا یادداشت موجود تو پرونده های مریضارو ارزیابی کنن؛ یه کاری که بدون استفاده از هوش مصنوعی بیشتر از هفت ماه وقت تمام وقت میبرد.

از تحلیل تا مراقبت بهتر

از تحلیل های هوش مصنوعی، محققا اطلاعاتی رو به دست آوردن که اگه اینجوری نبود قادر به شناساییش نبودن. مثلا، هوش مصنوعی دید که بعضی از مراکز پزشکی کودکان مرتب تو مکالمات تلفنی با والدین مریض ها درباره عوارض جانبی داروها سوال میکردن، در حالی که بقیه مراکز این کارو نمیکردن. «این چیزیه که هیچ وقت نمیتونستید تشخیص بدید اگه این مدل رو روی ۱۶,۰۰۰ یادداشت به کار نمیبردید، چون هیچ آدمی نمیتونه این کارو انجام بده»، بِنِت گفت.

هوش مصنوعی همچنین فهمید که دکترای اطفال کمتر درباره یه سری داروها سوالات پیگیری میپرسن. بچه های مبتلا به ADHD ممکنه داروهای محرک یا، به ندرت، داروهای غیرمحرک مثل بعضی از انواع داروهای ضد اضطراب براشون تجویز بشه. دکترا احتمال کمتری داشت که درباره دسته دوم داروها سوال کنن. بِنِت گفت: «این یافته یه نمونه از محدودیت های هوش مصنوعیه: این ابزار میتونه الگوها رو تو سوابق مریضا پیدا کنه، اما نمیتونه توضیح بده که چرا این الگو وجود داره.» اون اشاره کرد که واسه درک این موضوع واقعا باید با دکترای اطفال صحبت میکردن، چون دکترا بهش گفتن که تجربه بیشتری تو مدیریت عوارض جانبی داروهای محرک دارن.

محققا گفتن که ابزار هوش مصنوعی احتمالا یه سری از سوالا در مورد عوارض جانبی داروها رو تو تحلیلش از دست داده، چون بعضی از مکالمات در مورد عوارض جانبی احتمالا تو سوابق پزشکی الکترونیکی بیمارا ثبت نشده بودن و یه سری از مریضا مراقبت های تخصصی — مثل مشاوره با روانپزشک — دریافت کردن که تو سوابق پزشکی که تو این مطالعه استفاده شده، ثبت نشده بود. این ابزار همچنین چند تا از یادداشتای دکتر در مورد عوارض جانبی تجویز داروهای دیگه، مثلا داروهای آکنه رو اشتباه طبقه بندی کرد.

راهنمایی هوش مصنوعی

بِنِت گفت: «با ساخت ابزارهای بیشتر هوش مصنوعی واسه تحقیقات پزشکی، دانشمندا باید در نظر داشته باشن که این ابزارها تو چه زمینه هایی خوب عمل میکنن و تو چه زمینه هایی ضعیف هستن.» یه سری از کارا، مثل مرتب کردن هزاران پرونده پزشکی، واسه یه ابزار هوش مصنوعی که خوب آموزش دیده باشه، ایده آل هستن. اما کارای دیگه، مثل درک مشکلات اخلاقی تو زمینه پزشکی، نیاز به تفکر دقیق انسانی دارن.

اون اضافه کرد که یه مقاله ویرایشی که بِنِت و همکاراش به تازگی تو Hospital Pediatrics چاپ کردن، یه سری از مشکلات احتمالی و اینکه چطوری باید حلشون کرد رو توضیح میده. «این مدلای هوش مصنوعی بر اساس اطلاعاتی که تو مراقبت های بهداشتی هست آموزش دیدن و ما از خیلی از مطالعات تو طول سالها میدونیم که تو مراقبت های بهداشتی نابرابری هایی وجود داره.» محققا باید در نظر داشته باشن که چطوری میتونن این تعصباتو هم وقتی که دارن ابزارهای هوش مصنوعی رو میسازن و هم وقتی که ازشون استفاده میکنن، کم کنن. اون اشاره کرد که با احتیاطای مناسب، اون از پتانسیل هوش مصنوعی واسه کمک به دکترا تو بهتر کردن کارشون ذوق زده اس.

بِنِت گفت: «هر مریض تجربه خاص خودش رو داره و دکتر دانش خودش رو داره، اما با هوش مصنوعی، میتونم دانش مربوط به جمعیتای بزرگ رو در دسترس شما قرار بدم.» مثلا، هوش مصنوعی احتمالا آخرش به دکترا کمک کنه که بر اساس سن، نژاد یا قومیت، پروفایل ژنتیکی و ترکیب تشخیصا پیش بینی کنن که آیا یه نفر احتمالا عوارض جانبی بدی از یه داروی خاص خواهد داشت یا نه. «این میتونه به دکترا کمک کنه تا تصمیمای شخصی سازی شده ای در مورد مدیریت پزشکی بگیرن.»

این تحقیق توسط مؤسسه تحقیقات بهداشت مادر و کودک استنفورد و موسسه ملی بهداشت روانی (کمک هزینه K23MH128455) حمایت شده.