هوش مصنوعی انقلاب در درمان: چطور AI کیفیت مراقبت پزشکی را بالا می‌برد؟

هوش مصنوعی و دگرگونی در عرصه درمان

تحقیقات جدیدی در دانشکده پزشکی استنفورد به ثمر نشسته که نویدبخش استفاده از هوش مصنوعی برای ارتقای سطح مراقبت‌های پزشکی است. این ابزار نوآورانه قادر است حجم وسیعی از یادداشت‌های پزشکان در سوابق الکترونیکی بیماران را مورد بررسی قرار دهد و الگوهای مهم و پنهان را شناسایی کند. امید می‌رود که این اطلاعات ارزشمند، گامی مؤثر در جهت افزایش کیفیت خدمات درمانی باشد. اغلب برای پاسخ به سوالات پیچیده در حوزه درمان، متخصصان ناچار هستند ساعت‌ها به مطالعه و تحلیل صدها پرونده پزشکی بپردازند. اما پژوهش‌های اخیر نشان می‌دهند که مدل‌های زبانی بزرگ – که ابزارهای هوش مصنوعی توانمندی در تشخیص الگوهای پیچیده زبانی هستند – می‌توانند این فرآیند زمان‌بر و طاقت‌فرسا را تسهیل کنند و نتایج حاصل از آن، کاربردهای عملی فراوانی داشته باشد.

به عنوان نمونه، ابزارهای هوش مصنوعی قادرند پرونده‌های بیماران را برای کشف تداخلات دارویی خطرناک زیر نظر بگیرند یا به پزشکان در شناسایی بیمارانی که به درمان‌های خاص، پاسخ مثبت یا منفی می‌دهند، یاری رسانند. ابزاری که در مطالعه‌ای در تاریخ ۱۹ دسامبر در مجله Pediatrics معرفی شد، به طور خاص برای بررسی این موضوع طراحی شده بود که آیا کودکان مبتلا به اختلال نقص توجه و بیش‌فعالی (ADHD) پس از شروع داروهای جدید، مراقبت‌های پیگیری مناسبی دریافت کرده‌اند یا خیر.

دکتر یائر بَنِت، نویسنده اصلی این مطالعه و استادیار رشته اطفال، اظهار داشت: «این مدل به ما این امکان را می‌دهد که برخی از نقایص موجود در مدیریت ADHD را شناسایی کنیم.» نویسنده ارشد این تحقیق، دکتر هایدی فلدمن، استاد برجسته رشته اطفال و رفتارشناسی است. تیم تحقیقاتی با بهره‌گیری از بینش‌های این ابزار، به دنبال یافتن راه‌هایی برای بهبود روند پیگیری بیماران و خانواده‌های مبتلا به ADHD توسط پزشکان است. دکتر بَنِت افزود که پتانسیل این ابزارهای هوش مصنوعی در حوزه‌های مختلف پزشکی بسیار گسترده است.

کار سخت برای ما، بازی آسان برای هوش مصنوعی

سوابق پزشکی الکترونیکی شامل اطلاعاتی مانند نتایج آزمایش‌ها یا اندازه‌گیری‌های فشار خون است که مقایسه آن‌ها بین بیماران مختلف برای رایانه‌ها بسیار ساده است. اما بخش اعظم اطلاعات – حدود ۸۰ درصد از اطلاعات موجود در هر پرونده پزشکی – در قالب یادداشت‌هایی است که پزشکان در مورد سیر درمان و مراقبت از بیمار می‌نویسند. اگرچه این یادداشت‌ها برای پزشکی که بعدها پرونده را مطالعه می‌کند، مفید هستند، اما ساختار آزاد آن‌ها، تحلیل انبوه داده‌ها را دشوار می‌سازد. این اطلاعات نامنظم، قبل از استفاده در تحقیقات، باید طبقه‌بندی شوند، که معمولاً توسط فردی انجام می‌شود که یادداشت‌ها را با دقت برای یافتن جزئیات خاص، بررسی می‌کند.

مطالعه جدید به دنبال بررسی این موضوع بود که آیا می‌توان به جای نیروی انسانی، از هوش مصنوعی برای این کار استفاده کرد. این مطالعه، سوابق پزشکی ۱,۲۰۱ کودک را مورد بررسی قرار داد. این کودکان بین ۶ تا ۱۱ سال سن داشتند و همگی بیمارانی بودند که در ۱۱ مرکز مراقبت‌های اولیه اطفال در یک شبکه بهداشتی تحت درمان بودند و حداقل یک داروی ADHD برای آن‌ها تجویز شده بود. این داروها می‌توانند عوارض جانبی ناخوشایندی داشته باشند، مانند کاهش اشتها در کودکان، بنابراین بسیار مهم است که پزشکان، در ابتدای مصرف داروها، در مورد عوارض جانبی از بیماران سوال کنند و در صورت نیاز، دوز دارو را تنظیم کنند.

تیم تحقیقاتی، یک مدل زبانی بزرگ موجود را برای خواندن یادداشت‌های پزشکان آموزش داد و بررسی کرد که آیا در سه ماه اول مصرف داروی جدید، از کودکان یا والدین آن‌ها در مورد عوارض جانبی سوال شده است یا خیر. این مدل بر اساس مجموعه‌ای از ۵۰۱ یادداشت که توسط محققان بررسی شده بود، آموزش داده شد. محققان هر یادداشتی را که به وجود یا عدم وجود عوارض جانبی (مانند «کاهش اشتها» یا «عدم کاهش وزن») اشاره می‌کرد، 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 در نظر گرفته شدند. این یادداشت‌های بررسی‌شده توسط انسان، به عنوان «داده‌های مرجع» برای مدل در نظر گرفته شد. تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در مورد چگونگی پرسش در مورد عوارض جانبی استفاده کرد و ۹۰ یادداشت باقی‌مانده را برای ارزیابی دقت مدل در شناسایی این پرسش‌ها به کار برد.

ارزیابی عملکرد مدل هوش مصنوعی در تحلیل سوابق پزشکی

پس از بررسی دستی ۳۶۳ یادداشت دیگر، محققان بار دیگر عملکرد مدل را مورد آزمایش قرار دادند و دریافتند که مدل، حدود ۹۰٪ از یادداشت‌ها را به درستی طبقه‌بندی کرده است. زمانی که مدل زبانی بزرگ، عملکرد خوبی از خود نشان داد، محققان از آن برای ارزیابی سریع تمامی ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند. انجام این کار، بدون کمک هوش مصنوعی، بیش از هفت ماه زمان کاری تمام وقت نیاز داشت.

از تحلیل داده تا بهبود فرآیند درمان

از طریق تحلیل‌های هوش مصنوعی، محققان به اطلاعاتی دست یافتند که در حالت عادی قادر به شناسایی آن‌ها نبودند. به عنوان مثال، هوش مصنوعی متوجه شد که برخی از مراکز پزشکی کودکان، به طور مکرر در تماس‌های تلفنی با والدین بیماران، در مورد عوارض جانبی داروها سوال می‌کنند، در حالی که سایر مراکز این کار را انجام نمی‌دهند. دکتر بَنِت گفت: «این چیزی است که اگر از این مدل بر روی ۱۶,۰۰۰ یادداشت استفاده نمی‌کردید، هرگز نمی‌توانستید مشاهده کنید، زیرا هیچ انسانی قادر به انجام این کار نیست.»

هوش مصنوعی همچنین نشان داد که پزشکان کودکان، کمتر در مورد برخی از داروها، سوالات پیگیری می‌پرسند. کودکانی که به ADHD مبتلا هستند، می‌توانند داروهای محرک یا، کمتر متداول، داروهای غیرمحرک مانند برخی از انواع داروهای ضداضطراب را دریافت کنند. پزشکان، کمتر در مورد دسته دوم داروها، سوال می‌پرسیدند. دکتر بَنِت گفت: «این یافته، نمونه‌ای 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 ادامه داد که برای درک این موضوع، لازم بود با پزشکان کودکان صحبت کند، زیرا آن‌ها به او گفتند که در مدیریت عوارض جانبی داروهای محرک، تجربه بیشتری دارند. محققان همچنین اشاره کردند که ممکن است ابزار هوش مصنوعی، برخی از سوالات در مورد عوارض جانبی داروها را در تحلیل خود از دست داده باشد، زیرا ممکن است برخی از مکالمات در مورد عوارض جانبی در سوابق پزشکی الکترونیکی بیماران ثبت نشده باشند و برخی از بیماران نیز مراقبت‌های تخصصی – مانند مشاوره با روانپزشک – دریافت کرده‌اند که در سوابق پزشکی مورد استفاده در این مطالعه ثبت نشده است. این ابزار همچنین، چند یادداشت از پزشکان در مورد عوارض جانبی داروهای تجویز شده برای بیماری‌های دیگر، مانند داروهای آکنه، را به اشتباه طبقه‌بندی کرد.

هوش مصنوعی، همراهی برای پزشکان

دکتر بَنِت گفت: با توسعه ابزارهای هوش مصنوعی بیشتر برای تحقیقات پزشکی، دانشمندان باید توجه داشته باشند که این ابزارها در چه زمینه‌هایی عملکرد خوبی دارند و در چه زمینه‌هایی ضعیف هستند. برخی از وظایف، مانند مرتب‌سازی هزاران پرونده پزشکی، برای یک ابزار هوش مصنوعی که به خوبی آموزش‌دیده باشد، ایده‌آل هستند. اما وظایف دیگر، مانند درک مسائل اخلاقی در حوزه پزشکی، نیاز به تفکر دقیق انسانی دارند.

مقاله سرمقاله‌ای که دکتر بَنِت و همکارانش به تازگی در مجله «پزشکی کودکان بیمارستان» منتشر کرده‌اند، به بررسی مشکلات احتمالی و راه‌های حل آن‌ها می‌پردازد. دکتر بَنِت گفت: «این مدل‌های هوش مصنوعی، بر اساس داده‌های موجود در حوزه سلامت آموزش دیده‌اند و ما از مطالعات بسیاری 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 به کار می‌برند، کاهش دهند. او افزود که با در نظر گرفتن احتیاط‌های لازم، نسبت به پتانسیل هوش مصنوعی در کمک به پزشکان برای بهبود عملکرد خود، بسیار خوش‌بین است. او گفت: «هر بیمار، تجربه منحصر به فرد خود را دارد و پزشک، دانش خود را دارد، اما با کمک هوش مصنوعی، 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، مشخصات ژنتیکی و ترکیب تشخیص‌ها، پیش‌بینی کنند که آیا فرد احتمالاً عوارض جانبی نامطلوبی از یک داروی خاص خواهد داشت یا خیر. او گفت: «این می‌تواند به پزشکان کمک کند تا تصمیمات درمانی شخصی‌سازی‌شده‌تری اتخاذ کنند.»

این تحقیق با حمایت مؤسسه تحقیقات بهداشت مادر و کودک استنفورد و مؤسسه ملی بهداشت روان (کمک‌هزینه K23MH128455) به انجام رسیده است.