ابزار-هوش-مصنوعی-مراقبت-پزشکی

هوش مصنوعی، ابزاری نوین در خدمت ارتقای مراقبت‌های پزشکی

محققان دانشگاه استنفورد، دست به ساخت ابزاری بر پایه‌ی هوش مصنوعی زده‌اند که توانایی خواندن هزاران یادداشت پزشکان در سامانه‌های الکترونیکیِ سوابق پزشکی را دارد و می‌تواند روندها را شناسایی کند. این ابزار، اطلاعاتی را در اختیار قرار می‌دهد که پزشکان و محققان، امیدوارند به بهبود کیفیت مراقبت‌ها کمک کند. پیش از این، کارشناسان برای پاسخ‌گویی به سوالات مرتبط با مراقبت‌های پزشکی، مجبور بودند ساعت‌ها بر روی صدها پرونده‌ی پزشکی متمرکز شوند. اما تحقیقات جدید نشان می‌دهد که مدل‌های زبانی بزرگ که ابزارهای هوش مصنوعی آن‌ها را قادر به شناسایی الگوها در زبان نوشتاریِ پیچیده کرده‌اند، می‌توانند این کار طاقت‌فرسا را انجام دهند و یافته‌هایشان، کاربردهای عملی داشته باشد.

برای مثال، این ابزارهای هوش مصنوعی می‌توانند پرونده‌های بیماران را بررسی کنند تا تداخل‌های خطرناک بین داروها را شناسایی کنند، یا به پزشکان کمک کنند تا بیمارانی را که به درمان‌های خاص، پاسخ مثبت یا منفی می‌دهند، شناسایی کنند. ابزاری که در مطالعه‌ای در تاریخ ۱۹ دسامبر در مجله Pediatrics منتشر شد، طراحی شده است تا از سوابق پزشکی، تشخیص دهد که آیا کودکان مبتلا به اختلال کم‌توجهی – بیش‌فعالی (ADHD)، پس از تجویز داروهای جدید، مراقبت‌های پیگیری مناسبی دریافت کرده‌اند یا خیر.

دکتر یاایر بانت، پزشک و نویسنده اصلی این مطالعه، گفت: «این مدل به ما این امکان را می‌دهد که برخی از نقاط ضعف در مدیریت ADHD را شناسایی کنیم.» همچنین، هایدی فلدمن، نویسنده ارشد این مطالعه و استاد برجسته در رشته‌ی پزشکی رشدی و رفتاری، بیان کرد که گروه تحقیقاتی از بینش‌های این ابزار استفاده کرده است تا راه‌هایی را شناسایی کند که می‌تواند نحوه‌ی پیگیری پزشکان با بیماران و خانواده‌های کودکان مبتلا به ADHD را بهبود بخشد. بانت اضافه کرد که نیروی این ابزارهای هوش مصنوعی، می‌تواند در جوانب گوناگون مراقبت‌های پزشکی به کار رود.

آسیب‌پذیری‌های انسانی و سهولتِ کار با هوش مصنوعی

اسناد پزشکی الکترونیکی شامل اطلاعاتی نظیر نتایج آزمایش‌ها یا اندازه‌گیری‌های فشار خون است که مقایسه‌ی آن‌ها بین بیماران مختلف برای کامپیوترها آسان است. اما حدود ۸۰٪ از اطلاعات موجود در هر پرونده‌ی پزشکی، در یادداشت‌هایی است که پزشکان درباره‌ی مراقبت از بیمار می‌نویسند. اگرچه این یادداشت‌ها برای انسانی که بعداً پرونده‌ی بیمار را مرور می‌کند، مفید هستند، اما جملات آزادِ آن‌ها، آنالیزهای حجیم را دشوار می‌سازد. اینگونه اطلاعات که کمتر سازماندهی‌شده هستند، باید پیش از استفاده برای تحقیق، دسته‌بندی شوند؛ معمولاً توسط فردی که یادداشت‌ها را می‌خواند و به دنبال جزئیات خاص است.

محقق پزشکی در یک آزمایشگاه روشن که به سوابق پزشکی الکترونیکی نگاه می‌کند و در حال مطالعه است.
پژوهش در دنیای پزشکی با بهره‌گیری از هوش مصنوعی و بررسی پرونده‌های الکترونیکی بیماران.

مطالعه‌ی جدید بررسی کرد که آیا محققان می‌توانند به جای انسان، از هوش مصنوعی برای انجام این کار استفاده کنند. این مطالعه از سوابق پزشکی ۱۲۰۱ کودک در بازه‌ی سنی ۶ تا ۱۱ سال که بیماران ۱۱ مرکز مراقبت‌های اولیه از کودکان در یک شبکه‌ی درمانی بودند و دست‌کم یک داروی ADHD برای آن‌ها تجویز شده بود، استفاده کرد. این داروها می‌توانند عوارض جانبی ناخوشایندی، مانند کاهش اشتها در کودکان داشته باشند؛ بنابراین مهم است که پزشکان، هنگام شروع مصرف داروها، درباره‌ی این عوارض جانبی سوال کنند و در صورت نیاز، دوز داروها را تنظیم کنند.

تیم تحقیقاتی، یک مدل زبانی بزرگِ موجود را آموزش داد تا یادداشت‌های پزشکان را بخواند و بررسی کند که آیا از کودکان یا والدین آن‌ها درباره‌ی عوارض جانبی در سه ماه اول مصرف داروی جدید، سوال شده است یا خیر. این مدل بر اساس مجموعه‌ای از ۵۰۱ یادداشت که محققان بررسی کردند، آموزش داده شد. محققان هر یادداشتی که به وجود یا عدم وجود عوارض جانبی اشاره می‌کرد (به عنوان مثال، «کاهش اشتها» یا «عدم کاهش وزن») را به عنوان نشانه‌ای از پیگیری در نظر گرفتند، در حالی که یادداشت‌هایی که هیچ اشاره‌ای به عوارض جانبی نداشتند، به عنوان نشانه‌ای از عدم پیگیری محسوب شدند. این یادداشت‌های بررسی‌شده توسط انسان، به عنوان «حقیقت پایه» برای مدل به کار رفت: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در زمینه‌ی نحوه‌ی پرسش در مورد عوارض جانبی استفاده کرد و ۹۰ یادداشت باقی‌مانده را برای تأیید اینکه مدل می‌تواند به درستی چنین سوالاتی را شناسایی کند، به کار برد.

بررسی و ارزیابی عملکرد مدل هوش مصنوعی

پس از آن، تیم تحقیقاتی به صورت دستی ۳۶۳ یادداشت دیگر را بررسی کرد و عملکرد مدل را دوباره آزمایش نمود. نتایج نشان داد که این مدل حدود ۹۰٪ از یادداشت‌ها را به‌درستی طبقه‌بندی کرده است. هنگامی که مدل زبانی بزرگ عملکرد خوبی داشت، محققان از آن برای ارزیابی سریع تمام ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند. اگر قرار بود این کار بدون استفاده از هوش مصنوعی انجام شود، به بیش از هفت ماه کار تمام‌وقت نیاز داشت.

تصویری انتزاعی از هوش مصنوعی که داده‌های بیمار را تحلیل می‌کند و الگوها و بینش‌ها را نمایش می‌دهد.
نوآوری‌های هوش مصنوعی در تجزیه و تحلیل داده‌های پزشکی و شناسایی الگوها.

از تحلیل داده‌ها تا مراقبت‌های بهتر

از طریق تحلیل‌های انجام‌شده توسط هوش مصنوعی، محققان به اطلاعاتی دست یافتند که در حالت عادی قادر به شناسایی آن‌ها نبودند. برای مثال، هوش مصنوعی متوجه شد که برخی از مراکز پزشکی کودکان به طور مکرر در گفتگوی تلفنی با والدین بیماران، درباره‌ی عوارض جانبی داروها سوال می‌کردند، در حالی که مراکز دیگر این کار را انجام نمی‌دادند. بنت گفت: «این نکته‌ای است که هرگز نمی‌توانستید درکش کنید، اگر این مدل را روی ۱۶ هزار یادداشت به‌کار نمی‌بردید، زیرا هیچ انسانی نمی‌تواند این کار را انجام دهد.»

هوش مصنوعی همچنین نشان داد که پزشکان کودکان، کمتر درباره‌ی برخی از داروها، سوالات پیگیری می‌کردند. کودکان مبتلا به ADHD می‌توانند داروهای محرک‌کننده یا، به‌ندرت، داروهای غیرمحرک مانند برخی از انواع داروهای ضد اضطراب را دریافت کنند. پزشکان، احتمال کمتری داشتند که درباره‌ی دسته‌ی دوم داروها سوال کنند. بنت گفت: این یافته، مثالی از محدودیت‌های هوش مصنوعی است: این مدل می‌تواند الگوهایی را در سوابق بیماران شناسایی کند، اما نمی‌تواند توضیح دهد که چرا این الگو وجود دارد. «ما واقعاً باید با پزشکان کودکان صحبت کنیم تا این مسئله را درک کنیم.» او اشاره کرد که پزشکان به او گفته‌اند که در مدیریت عوارض جانبی داروهای محرک، تجربه‌ی بیشتری دارند.

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

هدایت‌شده توسط هوش مصنوعی

بنت گفت: به‌عنوان دانشمندانی که ابزارهای بیشتری برای تحقیقات پزشکی می‌سازند، باید در نظر بگیرند که این ابزارها چه کارهایی را به‌خوبی انجام می‌دهند و چه کارهایی را به‌خوبی انجام نمی‌دهند. برخی از وظایف، مانند مرتب‌سازی هزاران پرونده‌ی پزشکی، برای یک ابزار هوش مصنوعی آموزش‌دیده، ایده‌آل هستند. اما وظایف دیگر، مانند درک ایراداتِ اخلاقی در زمینه‌ی پزشکی، نیازمند تفکر هوشمندانه انسانی است.

پزشک متخصص اطفال که با مهربانی با یک کودک و والدینش در یک اتاق معاینه صحبت می‌کند.
رابطه‌ی نزدیک پزشک و خانواده‌ی بیمار در مدیریت مراقبت از کودکان.

مقاله اداری که بانت و همکارانش به‌تازگی در Hospital Pediatrics منتشر کرده‌اند، برخی از مشکلات احتمالی و چگونگی حل آن‌ها را توضیح می‌دهد. بنت گفت: «این مدل‌های هوش مصنوعی، بر اساس داده‌های موجود در سیستم بهداشتی آموزش دیده‌اند و ما از مطالعات فراوانی در طول سال‌ها می‌دانیم که نابرابری‌هایی در مراقبت‌های بهداشتی وجود دارد.» محققان باید در نظر بگیرند که چگونه می‌توانند این سوگیری‌ها را هم در حین ساخت ابزارهای هوش مصنوعی و هم زمانی که آن‌ها را به کار می‌برند، کم کنند. او افزود که با مراعات جانب احتیاط، او به ظرفیت هوش مصنوعی برای کمک به پزشکان در انجام بهتر کارهایشان، اشتیاق دارد.

بنت گفت: «هر بیمار، تجربه‌ی خاص خود را دارد و پزشک دانش خود را دارد، اما با هوش مصنوعی، من می‌توانم دانش مربوط به جمعیت‌های بزرگ را در اختیار شما قرار دهم.» به عنوان 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 درباره‌ی مدیریت پزشکی بگیرند.

این تحقیق توسط انستیتوی تحقیقات بهداشت مادر و کودک استنفورد و انستیتوی ملی بهداشت روان (گرنت K23MH128455) حمایت شده است.

“`

مقاله های شبیه به این مقاله

بیشتر بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *