یاری هوش مصنوعی به محققان در بررسی پرونده‌های پزشکی

ابزار هوش مصنوعی برای بهبود مراقبت‌های پزشکی

محققان دانشکده پزشکی استنفورد ابزاری مبتنی بر هوش مصنوعی ساخته‌اند که می‌تواند هزاران یادداشت پزشکان در سوابق پزشکی الکترونیکی را بخواند و روندها را شناسایی کند. این اطلاعات به پزشکان و محققان کمک می‌کند تا امیدوار باشند که کیفیت مراقبت بهبود یابد. معمولاً، کارشناسان برای یافتن پاسخ به سوالات مربوط به مراقبت، نیاز دارند بر روی صدها نمودار پزشکی تمرکز کنند. 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 خسته‌کننده 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 بگیرند یا به پزشکان کمک کنند تا بیمارانی را که به درمان‌های خاصی پاسخ مثبت یا منفی می‌دهند، شناسایی کنند. ابزاری که در مطالعه‌ای که در تاریخ ۱۹ دسامبر در مجله Pediatrics منتشر شد، توصیف شده است، به منظور شناسایی این موضوع طراحی شده که آیا کودکان مبتلا به اختلال کم‌توجهی-بیش‌فعالی (ADHD) پس از تجویز داروهای جدید، مراقبت‌های پیگیری مناسبی دریافت کرده‌اند یا خیر.

یائر بانِت، نویسنده اصلی این مطالعه و استاد یار رشته اطفال، گفت: “این مدل به ما این امکان را می‌دهد که برخی از شکاف‌ها در مدیریت ADHD را شناسایی کنیم.” نویسنده ارشد این مطالعه، هایدی فلدمن، استاد برجسته در رشته اطفال و رفتارشناسی است. تیم تحقیقاتی از بینش‌های این ابزار برای شناسایی راهکارهایی که می‌تواند به بهبود پیگیری پزشکان با بیماران و خانواده‌های مبتلا به ADHD کمک کند، استفاده کردند. بانِت افزود که قدرت چنین ابزارهای هوش مصنوعی می‌تواند در جنبه‌های مختلف مراقبت‌های پزشکی به کار گرفته 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 مختلف برای کامپیوترها آسان است. اما باقی‌مانده اطلاعات – حدود 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، جملات آزاد آن‌ها تحلیل انبوه را دشوار می‌سازد. این اطلاعات کمتر سازمان‌دهی شده باید قبل از استفاده در تحقیقات دسته‌بندی شود، معمولاً توسط فردی که یادداشت‌ها را برای جزئیات خاص می‌خواند.

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 که بین ۶ تا ۱۱ سال سن داشتند و بیماران ۱۱ مرکز مراقبت اولیه اطفال در یک شبکه بهداشتی بودند و حداقل یک داروی ADHD برای آن‌ها تجویز شده بود، استفاده کرد. این داروها می‌توانند عوارض جانبی مزاحم داشته باشند، مانند کاهش اشتها در کودکان، بنابراین مهم است که پزشکان در مورد عوارض جانبی هنگام استفاده اولیه از داروها سوال کنند و در صورت لزوم دوزها را تنظیم کنند.

تیم تحقیقاتی یک مدل زبانی بزرگ موجود را برای خواندن یادداشت‌های پزشکان آموزش داد و به دنبال این بود 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 “کاهش وزن نداشت”) 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 می‌شدند. این یادداشت‌های بررسی‌شده انسانی به عنوان “حقیقت پایه” برای مدل در نظر گرفته شد: تیم تحقیقاتی از ۴۱۱ یادداشت برای آموزش مدل در مورد چگونگی پرسش درباره عوارض جانبی استفاده کرد و ۹۰ یادداشت باقی‌مانده را برای تأیید دقت مدل در شناسایی چنین پرسش‌هایی به کار برد.

بررسی عملکرد مدل هوش مصنوعی در تحلیل سوابق پزشکی

پس از بررسی دستی ۳۶۳ یادداشت اضافی، پژوهشگران دوباره عملکرد مدل را آزمایش کردند و دریافتند که این مدل حدود ۹۰٪ از یادداشت‌ها را به درستی طبقه‌بندی کرده است. زمانی که مدل زبان بزرگ به خوبی کار کرد، پژوهشگران از آن برای ارزیابی سریع تمامی ۱۵,۶۲۸ یادداشت موجود در پرونده‌های بیماران استفاده کردند. این کار بدون کمک هوش مصنوعی به بیش از هفت ماه زمان تمام‌وقت نیاز داشت.

از تحلیل تا مراقبت بهتر

از طریق تحلیل‌های هوش مصنوعی، پژوهشگران 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 مراکز پزشکی کودکان به طور مکرر در مکالمات تلفنی با والدین بیماران درباره عوارض جانبی داروها سوال می‌پرسند، در حالی که سایر مراکز این کار را انجام نمی‌دهند. بنت گفت: “این چیزی است که اگر این مدل را بر روی ۱۶,۰۰۰ یادداشت به کار نمی‌بردید، هرگز نمی‌توانستید شناسایی کنید، زیرا هیچ انسانی نمی‌تواند این کار را انجام دهد.”

هوش مصنوعی همچنین نشان داد که پزشکان کودکان کمتر درباره برخی داروها سوالات پیگیری می‌پرسند. کودکانی که مبتلا به ADHD هستند، می‌توانند داروهای محرک یا، کمتر رایج، داروهای غیرمحرک مانند برخی از انواع داروهای ضد اضطراب را دریافت کنند. پزشکان کمتر درباره دسته دوم داروها سوال می‌کردند. بنت گفت: “این یافته مثالی 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. پژوهشگران همچنین اشاره کردند که ممکن است ابزار هوش مصنوعی برخی از سوالات درباره عوارض جانبی داروها را در تحلیل خود از دست داده باشد، زیرا ممکن است برخی مکالمات درباره عوارض جانبی در سوابق پزشکی الکترونیکی بیماران ثبت نشده باشند و برخی 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 پزشکان درباره عوارض جانبی داروهای تجویزی برای شرایط دیگر، مانند داروهای آکنه، را به اشتباه طبقه‌بندی کرده است.

راهنمایی هوش مصنوعی

بنت گفت: با توسعه ابزارهای هوش مصنوعی بیشتر برای تحقیقات پزشکی، دانشمندان باید در نظر داشته باشند که این ابزارها در چه زمینه‌هایی خوب عمل می‌کنند و در چه زمینه‌هایی ضعیف هستند. برخی وظایف، مانند مرتب‌سازی هزاران رکورد پزشکی، برای یک ابزار هوش مصنوعی به‌خوبی آموزش‌دیده ایده‌آل هستند. اما وظایف دیگر، مانند درک مشکلات اخلاقی در حوزه پزشکی، نیاز به تفکر انسانی دقیق دارند.

یک مقاله تحریری که بنت و همکارانش به تازگی در مجله «پزشکی کودکان بیمارستان» منتشر کرده‌اند، به بررسی مشکلات بالقوه و چگونگی حل آنها می‌پردازد. بنت گفت: “این مدل‌های هوش مصنوعی بر اساس داده‌های موجود در حوزه سلامت آموزش دیده‌اند و ما از بسیاری از مطالعات در طول سال‌ها می‌دانیم که در مراقبت‌های بهداشتی نابرابری‌هایی وجود دارد.” پژوهشگران 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 بهبود کارشان هیجان‌زده است. او گفت: “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 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. او گفت: “این می‌تواند به پزشکان کمک کند تا تصمیمات شخصی‌سازی‌شده‌ای درباره مدیریت پزشکی بگیرند.”

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