یافته‌ای شگفت‌انگیز: نقش هوش مصنوعی در بهبود بررسی پرونده‌های پزشکی

ابزار هوش مصنوعی جدید برای بهبود مراقبت‌های پزشکی

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

به عنوان مثال، این ابزارهای هوش مصنوعی می‌توانند نمودارهای بیماران را برای شناسایی تعاملات خطرناک بین داروها زیر نظر بگیرند یا به پزشکان کمک کنند تا بیمارانی را که به درمان‌های خاصی پاسخ خوبی می‌دهند یا پاسخ ضعیفی دارند، شناسایی کنند. ابزاری که در مطالعه‌ای که در تاریخ ۱۹ دسامبر در مجله Pediatrics منتشر شد، توصیف شده، طراحی شده 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.

یائر 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 انتصاب‌دار در رشته پزشکی توسعه‌ای و رفتاری، بیان کرد که تیم تحقیقاتی از بینش‌های این ابزار برای شناسایی روش‌هایی که می‌تواند نحوه پیگیری پزشکان با بیماران و خانواده‌های کودکان مبتلا به ADHD را بهبود بخشد، بهره گرفته است. بانت افزود که قدرت چنین ابزارهای هوش مصنوعی می‌تواند به جنبه‌های مختلف مراقبت‌های پزشکی اعمال شود.

چالش‌های انسانی و آسانی برای هوش مصنوعی

سوابق پزشکی الکترونیکی شامل اطلاعاتی مانند نتایج آزمایشگاهی یا اندازه‌گیری‌های فشار خون است که مقایسه آن‌ها بین بیماران مختلف برای کامپیوترها آسان است. اما 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، اما جملات آزاد آن‌ها تحلیل انبوه را دشوار می‌سازد. این اطلاعات کمتر سازمان‌یافته باید قبل از استفاده برای تحقیقات، دسته‌بندی شود، معمولاً توسط فردی که یادداشت‌ها را می‌خواند و به دنبال جزئیات خاص است.

مطالعه جدید بررسی کرد که آیا محققان می‌توانند به جای انسان، از هوش مصنوعی برای این کار استفاده کنند. این مطالعه از سوابق پزشکی ۱۲۰۱ کودک در سنین ۶ تا ۱۱ سال استفاده کرد که به عنوان بیماران ۱۱ مرکز مراقبت اولیه کودکان در یک شبکه بهداشتی بودند و حداقل یک داروی ADHD برای آن‌ها تجویز شده بود. چنین داروهایی می‌توانند عوارض جانبی مزاحم داشته باشند، مانند کاهش اشتها در کودکان، بنابراین مهم است که پزشکان در هنگام استفاده اولیه از داروها، درباره عوارض جانبی سوال کنند و در صورت لزوم دوزها را تنظیم کنند.

تیم تحقیقاتی یک مدل زبانی بزرگ موجود را آموزش داد تا یادداشت‌های پزشکان را بخواند و بررسی کند که آیا از کودکان یا والدین آن‌ها در مورد عوارض جانبی در سه ماه اول مصرف داروی جدید پرسش 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 استفاده شد: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در زمینه نحوه 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 اضافی را بررسی کرد و عملکرد مدل را دوباره آزمایش نمود. نتایج نشان داد که این مدل حدود ۹۰٪ از یادداشت‌ها را به درستی طبقه‌بندی کرده است. هنگامی که مدل زبان بزرگ به خوبی کار کرد، محققان از آن برای ارزیابی سریع تمام ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند. بدون استفاده از هوش مصنوعی، این کار به بیش از هفت ماه کار تمام‌وقت نیاز داشت.

از تحلیل تا مراقبت بهتر

از تحلیل‌های هوش مصنوعی، محققان اطلاعاتی را به دست آوردند که در غیر این صورت قادر به شناسایی آن نبودند. به عنوان مثال، هوش مصنوعی مشاهده کرد که برخی از مراکز پزشکی کودکان به طور مکرر در مکالمات تلفنی با والدین بیماران درباره عوارض جانبی داروها سوال می‌کردند، در حالی که سایر مراکز این کار را نمی‌کردند. بنت گفت: “این چیزی است که هیچ‌گاه نمی‌توانستید شناسایی کنید اگر این مدل را بر روی ۱۶,۰۰۰ یادداشت به کار نمی‌بردید، زیرا هیچ انسانی نمی‌تواند این کار را انجام دهد.”

هوش مصنوعی همچنین نشان داد که پزشکان کودکان کمتر درباره برخی داروها سوالات پیگیری می‌کردند. کودکان مبتلا به ADHD می‌توانند داروهای محرک یا، به ندرت، داروهای غیرمحرک مانند برخی از انواع داروهای ضد اضطراب را دریافت کنند. پزشکان کمتر احتمال داشتند درباره دسته 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 چرا این الگو وجود دارد. “ما واقعاً باید با پزشکان کودکان صحبت کنیم تا این موضوع را درک کنیم.” او اشاره کرد که پزشکان به او گفته‌اند که در مدیریت عوارض جانبی داروهای محرک تجربه بیشتری دارند.

محققان گفتند 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 باشد و برخی بیماران مراقبت 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 درباره عوارض جانبی داروهای تجویزی برای شرایط دیگر، مانند داروهای آکنه، را به اشتباه طبقه‌بندی کرد.

راهنمایی هوش مصنوعی

بنت گفت: به عنوان دانشمندان که ابزارهای بیشتری برای تحقیقات پزشکی می‌سازند، باید در نظر بگیرند که این ابزارها چه کارهایی را به خوبی انجام می‌دهند و چه کارهایی را به خوبی انجام نمی‌دهند. برخی از وظایف، مانند مرتب‌سازی هزاران پرونده پزشکی، برای یک ابزار هوش مصنوعی به خوبی آموزش‌دیده ایده‌آل هستند. اما دیگر وظایف، مانند درک مشکلات اخلاقی در زمینه پزشکی، نیاز به تفکر انسانی دقیق دارند.

یک مقاله اداری که بنت و همکارانش به تازگی در Hospital Pediatrics منتشر کرده‌اند، برخی از مشکلات بالقوه 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 بسیاری از مطالعات در طول سال‌ها می‌دانیم که نابرابری‌هایی در مراقبت‌های بهداشتی وجود دارد.” محققان باید در نظر بگیرند که چگونه می‌توانند این تعصبات را هم در حین ساخت ابزارهای هوش مصنوعی و هم زمانی که آن‌ها را به کار می‌برند، کاهش دهند. او افزود که با احتیاط‌های مناسب، او از پتانسیل هوش مصنوعی برای کمک به پزشکان در انجام بهتر کارهایشان هیجان‌زده است.

بنت گفت: “هر بیمار تجربه خاص خود را دارد و پزشک دارای دانش خود است، 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 شخصی‌سازی شده‌ای درباره مدیریت پزشکی بگیرند.

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