هوش مصنوعی: انقلابی در بررسی پرونده‌های پزشکی

ابزار هوش مصنوعی جدید در پزشکی: بهبود مراقبت از بیماران

محققان دانشکده پزشکی 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 سوالات مربوط به مراقبت، نیاز به بررسی صدها نمودار پزشکی دارند. 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، ابزارهای هوش مصنوعی می‌توانند نمودارهای بیماران را برای شناسایی تعاملات خطرناک بین داروها زیر نظر داشته باشند یا به پزشکان کمک کنند تا بیمارانی را که به درمان‌های خاص پاسخ مثبت یا منفی می‌دهند، شناسایی کنند. ابزاری که در مطالعه‌ای که در تاریخ ۱۹ دسامبر در مجله Pediatrics منتشر شد، توصیف شده است، طراحی شده تا از سوابق پزشکی تشخیص دهد که آیا کودکان مبتلا به اختلال کم‌توجهی-بیش‌فعالی (ADHD) پس از تجویز داروهای جدید، مراقبت‌های پیگیری مناسب دریافت کرده‌اند.

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

کار سخت برای انسان، آسان برای هوش مصنوعی

سوابق پزشکی الکترونیکی شامل اطلاعاتی مانند نتایج آزمایشگاهی یا اندازه‌گیری‌های فشار خون است که مقایسه آن‌ها بین بیماران برای کامپیوترها آسان است. اما باقی‌مانده اطلاعات – حدود ۸۰ درصد از اطلاعات 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 می‌سازد. این اطلاعات کمتر سازمان‌یافته باید قبل از استفاده در تحقیقات، دسته‌بندی شوند، 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 ۱,۲۰۱ کودک بین ۶ تا ۱۱ سال که در ۱۱ مرکز مراقبت اولیه پزشکی اطفال در یک شبکه بهداشتی بودند و حداقل یک داروی ADHD برای آن‌ها تجویز شده بود، استفاده کرد. چنین داروهایی می‌توانند عوارض جانبی مزاحم داشته باشند، مانند کاهش اشتها در کودک، بنابراین مهم است که پزشکان در مورد عوارض جانبی هنگام استفاده اولیه از داروها سوال کنند و دوزها را در صورت نیاز 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 سه ماه اول استفاده از داروی جدید درباره عوارض جانبی سوال شده است یا خیر. این مدل بر اساس 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 (به عنوان مثال، “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 محسوب شدند. این یادداشت‌های بررسی‌شده توسط انسان به عنوان حقیقت پایه برای مدل استفاده شد: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در مورد اینکه یک سوال درباره عوارض جانبی چگونه به نظر می‌رسد، استفاده کرد و ۹۰ یادداشت باقی‌مانده برای تأیید اینکه مدل می‌تواند به درستی چنین سوالاتی را پیدا کند، به کار رفت.

بررسی عملکرد مدل هوش مصنوعی در تحلیل سوابق پزشکی

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 درصد از یادداشت‌ها را به درستی طبقه‌بندی کرده است. زمانی که مدل زبان بزرگ به خوبی عمل کرد، محققان از آن برای ارزیابی سریع تمام ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند. این کار بدون استفاده از هوش مصنوعی، بیش از هفت ماه کار تمام‌وقت به طول می‌انجامید.

از تحلیل هوش مصنوعی تا مراقبت بهتر

از طریق تحلیل هوش مصنوعی، محققان اطلاعاتی را به دست آوردند که در غیر این صورت قادر به شناسایی آن نبودند. به عنوان مثال، هوش مصنوعی متوجه شد که برخی از مطب‌های اطفال به طور مکرر در مکالمات تلفنی با والدین بیماران درباره عوارض جانبی داروها سوال می‌پرسند، در حالی که سایر مطب‌ها این کار را نمی‌کنند. «این چیزی است که هرگز نمی‌توانستید شناسایی کنید اگر این مدل را بر روی ۱۶,۰۰۰ یادداشت به کار نمی‌بردید، زیرا هیچ انسانی نمی‌تواند این کار را انجام دهد»، بنِت گفت. همچنین هوش مصنوعی دریافت که پزشکان اطفال کمتر درباره برخی داروها سوالات پیگیری می‌پرسند. به عنوان مثال، کودکان مبتلا به ADHD ممکن است داروهای محرک یا، کمتر رایج، داروهای غیرمحرک مانند برخی از داروهای ضد اضطراب را دریافت کنند. پزشکان کمتر احتمال داشتند درباره دسته دوم داروها سوال بپرسند.

این یافته مثالی از محدودیت‌های هوش مصنوعی است. بنِت گفت: «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 می‌کردیم، زیرا آنها به او گفتند که در مدیریت عوارض جانبی داروهای محرک تجربه بیشتری دارند. محققان بیان کردند که ممکن است ابزار هوش مصنوعی در تحلیل خود برخی از سوالات درباره عوارض جانبی داروها را 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 پیگیری نشده است. علاوه بر این، ابزار هوش مصنوعی چند یادداشت پزشک درباره عوارض جانبی داروهای تجویزی برای شرایط دیگر، مانند داروهای آکنه، را به اشتباه طبقه‌بندی کرده است.

راهنمایی هوش مصنوعی

بنِت گفت که با ساخت ابزارهای بیشتر هوش مصنوعی برای تحقیقات پزشکی، دانشمندان باید در نظر داشته باشند که این ابزارها در چه زمینه‌هایی به خوبی عمل می‌کنند و در چه زمینه‌هایی ضعف دارند. برخی از وظایف، مانند مرتب‌سازی هزاران پرونده پزشکی، برای یک ابزار هوش مصنوعی به درستی آموزش‌دیده ایده‌آل است، اما وظایفی مانند درک دام‌های اخلاقی در زمینه پزشکی نیاز به تفکر دقیق انسانی دارد. مقاله‌ای که بنِت و همکارانش به تازگی در Hospital Pediatrics منتشر کرده‌اند، برخی از مشکلات بالقوه و نحوه رسیدگی به آنها را توضیح می‌دهد. «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»، بنِت گفت. 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 به کار می‌برند، کاهش دهند. او افزود که با احتیاط‌های مناسب، از پتانسیل هوش مصنوعی برای کمک به پزشکان در انجام بهتر کارشان هیجان‌زده است.

«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»، 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 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»، او افزود. این تحقیق توسط مؤسسه تحقیقات بهداشت مادر و کودک استنفورد و مؤسسه ملی بهداشت روان (کمک مالی K23MH128455) پشتیبانی شده است.