هوش مصنوعی پزشکان را متحول می‌کند: کشف راه‌های نوین درمان با داده‌های بزرگ

یک پیشرفت نوین در پزشکی با تکیه بر هوش مصنوعی: ارتقای مراقبت از بیماران

محققان برجسته ی دانشکده ی پزشکی استنفورد، یک ابزار هوشمندِ مبتنی بر هوش مصنوعی طراحی کرده اند که قادر است هزاران یادداشت پزشکان در پرونده های الکترونیکی بیماران (EHR) را بررسی کند و روندها را شناسایی نماید. هدف اصلی از ایجاد این ابزار، فراهم آوردن اطلاعاتی است که پزشکان و محققان امیدوارند به بهبود کیفیت مراقبت از بیماران کمک شایانی کند. معمولاً متخصصان، برای پیدا کردن پاسخ به سوالات مرتبط با درمان، نیازمندِ بررسی دقیق صدها پرونده ی پزشکی هستند. اما تحقیقات اخیر حاکی از آن است که مدل های زبانیِ بزرگ – ابزارهای هوش مصنوعی که می توانند الگوها را در میان انبوهی از واژه های پیچیده و نوشته ها شناسایی کنند – می توانند این فرآیند را تسریع بخشند و یافته های حاصل، کاربردهای عملیِ متعددی داشته باشند.

به عنوان مثال، ابزارهای هوش مصنوعی می توانند پرونده های بیماران را به دقت بررسی کنند تا تداخلات خطرناک دارویی را شناسایی نمایند، یا به پزشکان در تشخیص و درمان بیمارانی که به درمان های خاص پاسخ مثبت یا منفی می دهند، یاری رسانند. ابزاری که در این پژوهش مورد استفاده قرار گرفت و نتایج آن در تاریخ ۱۹ دسامبر در مجله ی Pediatrics منتشر شد، به گونه ای طراحی شده بود که از سوابق پزشکی، تشخیص دهد آیا کودکان مبتلا به اختلال کم‌توجهی-بیش‌فعالی (ADHD) پس از شروع مصرف داروهای جدید، مراقبت های پیگیری مناسب دریافت کرده اند یا خیر.

دکتر یأیر بانت، نویسنده ی اصلی این مقاله و استادیار پزشکی اطفال، در این باره می گوید: «این مدل به ما کمک می‌کند تا برخی از کاستی ها و شکاف ها در مدیریت ADHD را شناسایی کنیم.» هایدی فلدمن، استاد برجسته ی پزشکی اطفال و متخصص در زمینه ی توسعه و رفتار، به عنوان نویسنده ارشد این تحقیق، نقش مهمی ایفا کرد. تیم تحقیقاتی با بهره گیری از بینش های این ابزار، موفق به شناسایی راهکارهایی برای بهبود پیگیری پزشکان با بیماران و خانواده های دارای فرزند مبتلا به ADHD شد. دکتر بانت همچنین افزود که قابلیت های بالقوه ی چنین ابزارهای هوش مصنوعی، می تواند در بسیاری از جنبه های مراقبت های پزشکی مورد استفاده قرار گیرد.

از دشواری های کارِ انسانی، تا سهولتِ کارِ هوش مصنوعی

پرونده های پزشکی الکترونیکی شامل اطلاعاتی همچون نتایج آزمایشگاهی یا اندازه گیری های فشار خون هستند که مقایسه ی آنها بین بیماران، برای رایانه ها ساده و آسان است. اما بخش اعظم اطلاعات – حدود ۸۰ درصد از کل اطلاعات موجود در پرونده های پزشکی – در یادداشت هایی است که پزشکان در مورد مراقبت از بیمار، ثبت می کنند. گرچه این یادداشت ها برای فردی که بعداً پرونده ی بیمار را مطالعه می کند مفید است، اما فرم آزاد و غیر ساختاریافته ی آنها، تجزیه و تحلیلِ حجیم داده ها را دشوار می سازد. این اطلاعاتی که کمتر سازمان یافته اند، قبل از استفاده در تحقیقات، نیاز به طبقه بندی دارند، که این کار معمولاً توسط فردی انجام می شود که یادداشت ها را می خواند و به دنبال جزئیات خاص می گردد.

مطالعه ی جدید به این موضوع پرداخت که آیا محققان می توانند به جای استفاده از نیروی انسانی، از هوش مصنوعی برای انجام این کار بهره ببرند. این مطالعه از سوابق پزشکی ۱,۲۰۱ کودک بین ۶ تا ۱۱ ساله استفاده کرد که در ۱۱ مرکز مراقبت های اولیه ی پزشکی اطفال در یک شبکه ی بهداشتی قرار داشتند و حداقل یک داروی ADHD برای آنها تجویز شده بود. این داروها می توانند عوارض جانبی ناخوشایندی داشته باشند، از جمله کاهش اشتها در کودکان، بنابراین ضروری است که پزشکان در مورد عوارض جانبی در ابتدای استفاده از دارو، سوالاتی را مطرح کنند و در صورت نیاز، دوزها را تنظیم نمایند.

تیم تحقیقاتی، یک مدل زبانی بزرگِ موجود (LLM) را آموزش دادند تا یادداشت های پزشکان را بررسی کند و مشخص کند آیا از کودکان یا والدین آنها در سه ماه اول شروع مصرف داروی جدید، در مورد عوارض جانبی سوال شده است یا خیر. این آموزش، بر اساس مجموعه ای از ۵۰۱ یادداشت که محققان مورد بررسی قرار داده بودند، صورت گرفت. محققان، هر یادداشتی که به وجود یا عدم وجود عوارض جانبی اشاره داشت (به عنوان مثال، «کاهش اشتها» یا «عدم کاهش وزن») را به عنوان نشانه ای از انجام پیگیری قلمداد کردند، در حالی که یادداشت هایی که هیچ اشاره ای به عوارض جانبی نداشتند، به عنوان نشانه ای از عدم انجام پیگیری در نظر گرفته شدند. این یادداشت های بررسی شده توسط انسان، به عنوان واقعیت پایه برای آموزش مدل مورد استفاده قرار گرفت: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در مورد اینکه یک سوال در مورد عوارض جانبی، چگونه به نظر می رسد استفاده کرد و از ۹۰ یادداشت باقی مانده برای تأیید اینکه مدل می تواند سؤالات اینچنینی را به درستی پیدا کند، بهره برد.

بررسی عملکرد مدل هوش مصنوعی در تجزیه و تحلیل سوابق پزشکی

پس از آن، تیم تحقیقاتی، به طور دستی ۳۶۳ یادداشت دیگر را مورد بررسی قرار داد و عملکرد مدل را مجدداً ارزیابی کرد. نتایج نشان داد که این مدل، حدود ۹۰ درصد از یادداشت ها را به درستی دسته بندی کرده است. زمانی که مدل زبانی بزرگ، عملکرد خوبی از خود نشان داد، محققان از آن برای ارزیابی سریع تمام ۱۵,۶۲۸ یادداشت موجود در پرونده های بیماران استفاده کردند. انجام این کار، بدون استفاده از هوش مصنوعی، بیش از هفت ماه زمان نیاز داشت.

از تجزیه و تحلیل هوش مصنوعی، تا مراقبت بهتر و موثرتر

محققان از طریق تجزیه و تحلیل با کمک هوش مصنوعی، به اطلاعاتی دست یافتند که در غیر این صورت قادر به شناسایی آنها نبودند. به عنوان نمونه، هوش مصنوعی متوجه شد که برخی از مطب های اطفال به طور مکرر در مکالمات تلفنی با والدین بیماران، در مورد عوارض جانبی داروها سوال می پرسند، در حالی که در سایر مطب ها این کار انجام نمی شود. «این چیزی است که هرگز نمی توانستید آن را تشخیص دهید، مگر اینکه این مدل را بر روی ۱۶,۰۰۰ یادداشت اعمال می کردید، زیرا هیچ انسانی قادر به انجام این کار نیست»، دکتر بِنِت اشاره می کند. همچنین هوش مصنوعی نشان داد که پزشکان اطفال، کمتر در مورد برخی از داروها، سوالات پیگیری مطرح می کنند. به عنوان مثال، کودکانی که مبتلا به ADHD هستند، ممکن است داروهای محرک یا، به ندرت، داروهای غیرمحرک مانند برخی از داروهای ضد اضطراب را دریافت کنند. پزشکان، نسبت به دسته ی دوم داروها، احتمال کمتری داشتند که سوالات پیگیری را مطرح کنند.

این یافته ها، نمونه ای از محدودیت های هوش مصنوعی را نشان می دهد. دکتر بِنِت می گوید: «این ابزار می تواند الگوهایی را در سوابق بیماران شناسایی کند، اما نمی تواند توضیح دهد که چرا این الگو وجود دارد». او خاطرنشان کرد که برای درک عمیق تر این موضوع، لازم بود با خود پزشکان اطفال صحبت شود، زیرا آنها به او توضیح دادند که در مدیریت عوارض جانبی داروهای محرک، تجربه ی بیشتری دارند. محققان اذعان داشتند که ممکن است ابزار هوش مصنوعی در تحلیل خود، بعضی از سوالات در مورد عوارض جانبی داروها را از دست داده باشد، زیرا برخی از مکالمات در مورد عوارض جانبی، ممکن است در سوابق پزشکی الکترونیکی بیماران ثبت نشده باشند، یا برخی از بیماران، مراقبت های تخصصی—مانند مشاوره با روانپزشک—دریافت کرده باشند که در سوابق پزشکی مورد استفاده در این مطالعه پیگیری نشده است. علاوه بر این، ابزار هوش مصنوعی، تعدادی از یادداشت های پزشکان را که در مورد عوارض جانبی داروهای تجویز شده برای سایر بیماری ها، مانند داروهای آکنه، بود، به اشتباه طبقه بندی کرده است.

هدایت هوش مصنوعی

دکتر بِنِت اظهار داشت که با توسعه ی بیشتر ابزارهای هوش مصنوعی برای تحقیقات پزشکی، دانشمندان باید در نظر داشته باشند که این ابزارها در چه حوزه هایی عملکرد خوبی دارند و در چه زمینه هایی دچار ضعف هستند. برخی از وظایف، مانند مرتب سازی هزاران پرونده پزشکی، برای یک ابزار هوش مصنوعی که به درستی آموزش دیده، ایده آل است، اما وظایفی مانند درک پیچیدگی های اخلاقی در زمینه ی پزشکی، نیازمند تفکر دقیقِ انسانی است. مقاله ای که دکتر بِنِت و همکارانش اخیراً در مجله Hospital Pediatrics منتشر کرده اند، تعدادی از مشکلات بالقوه و چگونگی رسیدگی به آنها را توضیح می دهد. «این مدل های هوش مصنوعی، بر اساس داده های موجود در سیستم بهداشتی آموزش دیده اند و ما از بسیاری از مطالعات در طول سال ها می دانیم که نابرابری هایی در مراقبت های بهداشتی وجود دارد»، دکتر بنِت ابراز کرد. محققان باید در نظر داشته باشند که چگونه می توانند این سوگیری ها را، هم در حین ساخت ابزارهای هوش مصنوعی و هم در زمانی که آنها را به کار می گیرند، کاهش دهند. او اضافه کرد که با رعایت احتیاط های لازم، نسبت به پتانسیل هوش مصنوعی برای کمک به پزشکان در بهبود عملکردشان، بسیار خوشبین است.

«هر بیمار تجربه ی منحصر به فرد خود را دارد و پزشک، دانش مخصوص به خود را. اما با بهره گیری از هوش مصنوعی، می توانم دانش مربوط به جمعیت های بزرگ را در اختیار شما قرار دهم»، او گفت. به عنوان مثال، هوش مصنوعی ممکن است در نهایت به پزشکان کمک کند تا بر اساس سن، نژاد یا قومیت، پروفایل ژنتیکی و ترکیب تشخیص ها، پیش بینی کنند که آیا فرد، احتمالاً عوارض جانبی نامطلوبی از یک داروی خاص خواهد داشت یا خیر. «این می تواند به پزشکان کمک کند تا تصمیمات شخصی سازی شده ای در مورد مدیریت پزشکی اتخاذ کنند»، وی افزود. این تحقیق، توسط مؤسسه تحقیقات بهداشت مادر و کودک استنفورد و مؤسسه ملی بهداشت روان (کمک مالی: K23MH128455) حمایت مالی شده است.