هوش مصنوعی: تحولی در بررسی پرونده‌های پزشکی!

ابزار هوش مصنوعی جدید در پزشکی: بهبود مراقبت از بیماران

محققان دانشگاه استنفورد یک ابزار هوش مصنوعی ساخته‌اند که می‌تواند هزاران یادداشت پزشکان در سوابق پزشکی الکترونیکی را بخواند و روندها را شناسایی کند. هدف این ابزار ارائه اطلاعاتی است که پزشکان و محققان امیدوارند به بهبود مراقبت از بیماران کمک کند. معمولاً کارشناسان برای یافتن پاسخ به سوالات مربوط به مراقبت، نیاز دارند تا بر روی صدها نمودار پزشکی تمرکز کنند، اما تحقیقات جدید نشان می‌دهد که مدل‌های زبانی بزرگ — ابزارهای هوش مصنوعی که می‌توانند الگوها را در زبان نوشتاری پیچیده شناسایی کنند — ممکن است بتوانند این کار را انجام دهند و یافته‌های آن‌ها کاربردهای عملی داشته باشد.

به عنوان مثال، این ابزارها می‌توانند نمودارهای بیماران را برای شناسایی تعاملات خطرناک بین داروها زیر نظر بگیرند یا به پزشکان کمک کنند تا بیماران را شناسایی کنند که به درمان‌های خاص پاسخ خوبی می‌دهند یا خیر. این ابزار هوش مصنوعی، که در مطالعه‌ای که در تاریخ ۱۹ دسامبر در مجله Pediatrics منتشر شد، توصیف شده است، به منظور بررسی اینکه آیا کودکان مبتلا به اختلال کم‌توجهی-بیش‌فعالی (ADHD) پس از تجویز داروهای جدید، مراقبت‌های پیگیری مناسبی دریافت کرده‌اند یا خیر، طراحی شده است.

یائر بانِت، نویسنده اصلی این مطالعه و استادیار پزشکی کودکان، گفت: “این مدل به ما این امکان را می‌دهد که برخی از شکاف‌ها در مدیریت ADHD را شناسایی کنیم.” نویسنده ارشد این مطالعه، هایدی فلدمن، استاد ممتاز پزشکی توسعه‌ای و رفتاری کودکان است. تیم تحقیقاتی از بینش‌های این ابزار برای شناسایی روش‌هایی استفاده کرد که می‌تواند به بهبود پیگیری پزشکان با بیماران و خانواده‌های مبتلا به ADHD کمک کند. بانِت افزود که قدرت چنین ابزارهای هوش مصنوعی می‌تواند به جنبه‌های مختلف مراقبت پزشکی اعمال شود.

کار دشوار برای انسان، آسان برای هوش مصنوعی

سوابق پزشکی الکترونیکی شامل اطلاعاتی مانند نتایج آزمایش‌ها یا اندازه‌گیری‌های فشار خون است که مقایسه آن‌ها بین بیماران برای کامپیوترها آسان است. اما باقی‌مانده اطلاعات — تقریباً ۸۰٪ از اطلاعات موجود در هر پرونده پزشکی — در یادداشت‌هایی است که پزشکان درباره مراقبت از بیمار می‌نویسند. اگرچه این یادداشت‌ها برای انسانی که بعداً نمودار بیمار را می‌خواند، مفید هستند، جملات آزاد آن‌ها تحلیل انبوه را دشوار می‌کند. این اطلاعات کمتر سازمان‌یافته باید قبل از استفاده در تحقیقات، دسته‌بندی شوند، معمولاً توسط شخصی که یادداشت‌ها را می‌خواند و به دنبال جزئیات خاص می‌گردد.

مطالعه جدید بررسی کرد که آیا محققان می‌توانند از هوش مصنوعی برای این کار استفاده کنند یا خیر. این مطالعه از سوابق پزشکی ۱,۲۰۱ کودک بین ۶ تا ۱۱ سال که بیماران ۱۱ مرکز پزشکی اولیه کودکان در یک شبکه بهداشتی بودند و حداقل یک داروی ADHD تجویز شده داشتند، استفاده کرد. این داروها می‌توانند عوارض جانبی مزاحم داشته باشند، مانند کاهش اشتهای کودک، بنابراین مهم است که پزشکان در هنگام شروع مصرف داروها، درباره عوارض جانبی سوال کنند و در صورت لزوم دوزها را تنظیم کنند.

تیم تحقیقاتی یک مدل زبان بزرگ موجود را آموزش داد تا یادداشت‌های پزشکان را بخواند و بررسی کند که آیا از کودکان یا والدین آن‌ها در سه ماه اول مصرف داروی جدید درباره عوارض جانبی سوال شده است یا خیر. این مدل بر روی مجموعه‌ای از ۵۰۱ یادداشت که محققان بررسی کرده بودند، آموزش داده شد. محققان هر یادداشتی که به وجود یا عدم وجود عوارض جانبی اشاره می‌کرد (مانند “کاهش اشتها” یا “عدم کاهش وزن”) را به عنوان نشانه‌ای از انجام پیگیری در نظر گرفتند، در حالی که یادداشت‌هایی که هیچ اشاره‌ای به عوارض جانبی نداشتند، به عنوان نشانه‌ای از عدم انجام پیگیری شمارش شدند. یادداشت‌های بررسی‌شده توسط انسان به عنوان “حقیقت پایه” برای مدل در نظر گرفته شد: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در مورد اینکه یک سوال درباره عوارض جانبی چگونه به نظر می‌رسد استفاده کرد و از ۹۰ یادداشت باقی‌مانده برای تأیید اینکه آیا مدل می‌تواند به درستی چنین سوالاتی را شناسایی کند، استفاده کرد.

بررسی مجدد یادداشت‌ها و عملکرد مدل هوش مصنوعی

آن‌ها سپس به‌صورت دستی ۳۶۳ یادداشت اضافی را بررسی کردند و عملکرد مدل را دوباره آزمایش نمودند و دریافتند که این مدل حدود ۹۰٪ از یادداشت‌ها را به‌درستی طبقه‌بندی کرده است. زمانی که مدل زبان بزرگ به‌خوبی کار کرده، محققان از آن برای ارزیابی سریع تمام ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند؛ وظیفه‌ای که بدون استفاده از هوش مصنوعی بیش از هفت ماه کار تمام‌وقت طول می‌کشید.

از تحلیل تا مراقبت بهتر

از تحلیل‌های هوش مصنوعی، محققان اطلاعاتی را به‌دست آوردند که در غیر این صورت قادر به شناسایی آن‌ها نبودند. به‌عنوان مثال، هوش مصنوعی مشاهده کرد که برخی از مراکز پزشکی کودکان به‌طور مکرر در مکالمات تلفنی با والدین بیماران درباره عوارض جانبی داروها سوال می‌کردند، در حالی که سایر مراکز این کار را نمی‌کردند. «این چیزی است که هرگز نمی‌توانستید شناسایی کنید اگر این مدل را بر روی ۱۶,۰۰۰ یادداشت به‌کار نمی‌بردید، زیرا هیچ انسانی نمی‌تواند این کار را انجام دهد»، بنِت گفت.

هوش مصنوعی همچنین دریافت که پزشکان اطفال کمتر درباره برخی داروها سوالات پیگیری می‌پرسند. کودکان مبتلا به ADHD ممکن است داروهای محرک یا، به‌ندرت، داروهای غیرمحرک مانند برخی از انواع داروهای ضد اضطراب تجویز شوند. پزشکان کمتر احتمال داشت درباره دسته دوم داروها سوال کنند. بنِت گفت: «این یافته مثالی از محدودیت‌های هوش مصنوعی است: این ابزار می‌تواند الگوهایی را در سوابق بیماران شناسایی کند، اما نمی‌تواند توضیح دهد که چرا این الگو وجود دارد.» او اشاره کرد که برای درک این موضوع واقعاً باید با پزشکان اطفال صحبت می‌کردند، زیرا پزشکان به او گفتند که تجربه بیشتری در مدیریت عوارض جانبی داروهای محرک دارند.

محققان اظهار کردند که ابزار هوش مصنوعی ممکن است برخی از سوالات درباره عوارض جانبی داروها را در تحلیل خود از دست داده باشد، زیرا برخی از مکالمات درباره عوارض جانبی ممکن است در سوابق پزشکی الکترونیکی بیماران ثبت نشده باشند و برخی بیماران مراقبت‌های تخصصی—مانند مشاوره با روانپزشک—دریافت کرده‌اند که در سوابق پزشکی مورد استفاده در این مطالعه ثبت نشده بود. این ابزار همچنین چند یادداشت پزشک درباره عوارض جانبی تجویز داروها برای شرایط دیگر، مانند داروهای آکنه، را به‌اشتباه طبقه‌بندی کرد.

راهنمایی هوش مصنوعی

بنِت گفت: «با ساخت ابزارهای بیشتر هوش مصنوعی برای تحقیقات پزشکی، دانشمندان باید در نظر داشته باشند که این ابزارها در چه زمینه‌هایی خوب عمل می‌کنند و در چه زمینه‌هایی ضعیف هستند.» برخی از وظایف، مانند مرتب‌سازی هزاران پرونده پزشکی، برای یک ابزار هوش مصنوعی به‌خوبی آموزش‌دیده ایده‌آل هستند. اما وظایف دیگر، مانند درک مشکلات اخلاقی در زمینه پزشکی، نیاز به تفکر انسانی دقیق دارند.

وی افزود که یک مقاله ویرایشی که بنِت و همکارانش به‌تازگی در Hospital Pediatrics منتشر کرده‌اند، برخی از مشکلات احتمالی و چگونگی حل آن‌ها را توضیح می‌دهد. «این مدل‌های هوش مصنوعی بر اساس داده‌های موجود در مراقبت‌های بهداشتی آموزش دیده‌اند و ما از بسیاری از مطالعات در طول سال‌ها می‌دانیم که در مراقبت‌های بهداشتی نابرابری‌هایی وجود دارد.» محققان باید در نظر داشته باشند که چگونه می‌توانند این تعصبات را هم در حین ساخت ابزارهای هوش مصنوعی و هم زمانی که آن‌ها را به‌کار می‌برند، کاهش دهند. او اشاره کرد که با احتیاط‌های مناسب، او از پتانسیل هوش مصنوعی برای کمک به پزشکان در بهبود کارشان هیجان‌زده است.

بنِت گفت: «هر بیمار تجربه خاص خود را دارد و پزشک دانش خود را دارد، اما با هوش مصنوعی، می‌توانم دانش مربوط به جمعیت‌های بزرگ را در دسترس شما قرار دهم.» به‌عنوان مثال، هوش مصنوعی ممکن است در نهایت به پزشکان کمک کند تا بر اساس سن، نژاد یا قومیت، پروفایل ژنتیکی و ترکیب تشخیص‌ها پیش‌بینی کنند که آیا فرد احتمالاً عوارض جانبی بدی از یک داروی خاص خواهد داشت یا خیر. «این می‌تواند به پزشکان کمک کند تا تصمیمات شخصی‌سازی‌شده‌ای درباره مدیریت پزشکی بگیرند.»

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