هوش مصنوعی در پزشکی

مقدمه

فهرست مطالب (کلیک کنید)

سازمان های مراقبت های بهداشتی از هوش مصنوعی (AI) – که سازمان غذا و داروی آمریکا آن را به عنوان «علم و مهندسی ساخت ماشین های هوشمند» تعریف می کند – برای طیف رو به رشدی از اهداف بالینی، تشخیصی و تحقیقاتی استفاده می کنند. به عنوان مثال نرم افزارهایی وجود دارد که می توانند به ارائه دهندگان مراقبت های بهداشتی در تشخیص بیماری ها، نظارت بر سلامت بیماران یا تسریع و بهبود فعالیت هایی مانند برنامه ریزی درمان بیماران – که نیاز به نظم و دقت زیادی دارند – کمک کند. اگرچه هوش مصنوعی فرصت های منحصر به فردی را برای بهبود مراقبت های بهداشتی ارائه می دهد، اما با چالش های بالقوه ای نیز همراه است. برای مثال، محصولاتی که از هوش مصنوعی بهره می برند، گاهی اوقات به توصیه‌ های نادرست و حتی مضر برای درمان منجر می شوند. این خطاها می‌تواند از اطلاعات مورد استفاده برای ساخت یا آموزش هوش مصنوعی یا وزن نامناسب داده ‌شده به داده‌های خاص در هنگام آموزش الگوریتم ها به ماشین ناشی شود. از این رو چارچوب نظارتی حاکم بر این ابزار نوین، پیچیده است. سازمان های بهداشتی قوانین حاکم بر برخی محصولات بر پایه هوش مصنوعی را تنظیم می کنند و بدین ترتیب نقش مهمی در تضمین ایمنی و اثربخشی آن محصول ایفا می کنند. این سازمان ها پیوسته چگونگی فرایند تطبیق دستگاه‌های پزشکی مجهز به هوش مصنوعی را که توانایی تکامل سریع در پاسخ به داده‌های جدید را دارند، بررسی می کنند.

نوشتار حاضر، کاربردهای فعلی و بالقوه هوش مصنوعی در مراقبت‌های بهداشتی و چالش‌هایی را که این فناوری‌ها ایجاد می‌کنند، تشریح می‌کند. همچنین چگونگی و شرایطی که این ابزار ها توسط سازمان ها قانون گذاری می شوند و نکاتی برای اطمینان از مزایای این دستگاه‌ها که باید مورد توجه قرار گیرند، مورد بررسی قرار می گیرند.

کاربرد هوش مصنوعی در پزشکی

هوش مصنوعی چیست و چگونه در حوزه بهداشت و درمان استفاده می شود؟

هوش مصنوعی به توانایی یک ماشین برای انجام کارهایی مانند حل مسئله و یادگیری که شبیه به رفتار انسان است، گفته می شود. از هوش مصنوعی می توان برای اهداف مختلفی از جمله اتوماسیون فعالیت ها، شناسایی الگوها در داده ها و ترکیب منابع متعدد اطلاعات استفاده کرد. در حال حاضر در حوزه بهداشت و درمان، فناوری های هوش مصنوعی در زمینه هایی مانند رادیولوژی و چشم پزشکی که بر تجزیه و تحلیل تصاویر متکی هستند و همچنین در محصولاتی که داده های حسگرهای پوشیدنی را پردازش می کنند، برای تشخیص بیماری ها یا استنباطی از سایر شرایط پزشکی استفاده می شود.

برنامه‌های هوش مصنوعی می‌توانند شرایط جسمی بیمار را براساس داده‌های جمع‌آوری‌شده از سوابق سلامت الکترونیکی اش پیش‌بینی کنند. تعیین اینکه کدام بیماران ممکن است در معرض خطر بیشتری برای ابتلا به بیماری باشند یا تخمین اینکه چه کسی باید تحت نظارت بیشتری باشد، مثال هایی از این کاربردها هستند. یکی از مدل‌های هوش مصنوعی، بیمارانی را که ممکن است بر اساس عواملی مانند علائم حیاتی و نتایج آزمایش‌های پرونده الکترونیک سلامت در معرض خطر ابتلا به سپسیس باشند، شناسایی می‌کند. سیستم بیمارستانی دیگری مدلی را توسعه داده است که هدف آن پیش بینی این است که بیماران ترخیص شده پس از ترخیص، با چه احتمالی ممکن است دوباره نیاز به بستری شدن داشته باشند. بدیهی است با در دسترس‌تر شدن و مقبول واقع شدن این فناوری ها از سوی سازمان های نظارتی و شرکت های فعال در حوزه سلامت، شرکت ها و سیستم های بهداشتی بسیاری به استفاده از آن در خدمات ارائه شدهی خود روی خواهند آورد.

مثال هایی از کاربرد هوش مصنوعی در پزشکی و سلامت

هوش مصنوعی می‌تواند در تحقیقاتی از جمله کشف و توسعه داروها، بررسی مجموعه‌های بزرگی از داده‌های بالینی برای بهبود طراحی دارو، پیش‌بینی اثربخشی آن و کشف راه‌های جدید برای درمان بیماری‌ها نیز نقش مهمی داشته باشد. همه‌گیری COVID-19 به پیشرفت هوش مصنوعی در زمینه بالینی کمک شایانی نموده است، زیرا بیمارستان‌ها و محققان به طور وسیعی برای پیشبرد تحقیقات، پیش‌بینی گزارشات تشخیص بیماری و درمان بیماران از آن بهره گرفته‌اند. موارد زیر چند نمونه از محصولاتی بر پایه هوش مصنوعی هستند که برای استفاده در برابر ویروس کرونا توسعه یافته اند.

مثال هایی از کاربرد هوش مصنوعی در پزشکی و سلامت
  • CoViage : یک سیستم پیش‌بینی کننده است که مشخص می کند آیا بیمارانِ مبتلا به کرونا بستری در بیمارستان، نیازمند لوله‌گذاری داخل نای هستند یا خیر.
  • سیستم CLEWICU : نرم افزاری است که تشخیص می دهد کدام بیماران بستری شده در ICU در معرض خطر نارسایی تنفسی یا فشار خون پایین هستند.
  • Mount Sinai Health Network : یک مدل هوش مصنوعی توسعه داده است که تصاویر سی تی اسکن قفسه سینه و داده های بیمار را برای تشخیص سریع کرونا تجزیه و تحلیل می کند.
  • محققان دانشگاه مینه‌سوتا، با همکاری Epic Systems و M Health Fairview یک ابزار هوش مصنوعی توسعه داده اند که می‌تواند رادیوگرافی اشعه ایکس قفسه سینه را برای تشخیص موارد احتمالی کرونا ارزیابی کند.
  • ABMD : نرم افزاری است که از یادگیری عمیق برای تجزیه و تحلیل تصاویر تشدید مغناطیسی (MRI) قلب و ارائه اندازه گیری های کمی از عملکرد و مورفولوژی قلب استفاده می کند.
  • DeepRhythmAI : نرم افزاری است که از یادگیری عمیق برای تجزیه و تحلیل سیگنال های الکتروکاردیوگرام و تشخیص فیبریلاسیون دهلیزی قلب استفاده می کند.
  • Cleerly : یک پلتفرم نرم افزاری است که از یادگیری عمیق برای تجزیه و تحلیل تصاویر آنژیوگرافی توموگرافی کرونر و ارائه اطلاعات دقیق در مورد بیماری عروق کرونر استفاده می کند.

محصولات بر پایه هوش مصنوعی چگونه توسعه می یابند؟

هوش مصنوعی را می توان با استفاده از تکنیک های مختلف توسعه داد. در رویکردهای سنتی، یک برنامه هوش مصنوعی از دستورالعمل‌های تعریف شده توسط انسان برای نحوه پردازش داده‌ها و تصمیم‌گیری پیروی می‌کند. برنامه‌ریزی برای هشدار دادن به پزشک برای تجویز دارو به بیمار مبتلا به فشار خون بالا، نمونه ای از این برنامه هاست. چنین رویکردهایی معمولا با استفاده از نتایج آزمایشات بالینی طراحی می شوند. از سوی دیگر، الگوریتم‌های یادگیری ماشین (ML) که به عنوان رویکردی مبتنی بر داده‌ها نیز شناخته می‌شود، داده های مشخصی را که ویژگی های اندازه گیری شده ای دارند، به عنوان ورودی دریافت کرده و از نحوه ی تحلیلی که از قبل بر روی آنها انجام شده است، «یاد می‌گیرند». الگوریتم، پس از آموزش این توانایی را به دست می آورد که تشخیص هایی بر اساس داده های ورودی به عمل بیاورد. به عبارت دیگر، داده های ورودی یک مجموعه بدون برنامه‌ریزی صریح برای رسیدن به یک پاسخ یا نتیجه‌گیری خاص هستند. الگوریتم‌های ML می‌توانند رمزگشایی الگوهای داده‌های بیمار را در مقیاس‌هایی بزرگ‌تر از توانایی تجزیه و تحلیل انسان بیاموزند و در عین حال به طور بالقوه همبستگی‌هایی را که قبلا ناشناخته بودند کشف کنند. این قابلیت‌ها می‌تواند به‌ویژه در محیط‌های بیمارستانی جریان‌های مداوم داده را از منابعی از جمله سوابق پزشکی بیمار و مطالعات بالینی فراهم کند. اکثر نرم افزارهای مبتنی بر ML از یک رویکرد نظارت شده استفاده می کنند که در آن داده های مورد استفاده برای آموزش و اعتبارسنجی الگوریتم از قبل توسط انسان برچسب گذاری می شود. به عنوان مثال، مجموعه ای از عکس های اشعه ایکس قفسه سینه از افرادی که سرطان ریه دارند و افرادی که سرطان ریه ندارند، به صورت دو گروه مشخص به عنوان مجموعه های یادگیری نرم افزار هوش مصنوعی استفاده می شوند. این الگوریتم تمام نمونه‌های موجود در مجموعه داده های آموزشی را بررسی می‌کند تا «یاد بگیرد» که کدام ویژگی‌های رادیوگرافی قفسه سینه بیشترین ارتباط را با تشخیص یا عدم تشخیص سرطان ریه دارد. سپس از تجزیه و تحلیل آن ها برای پیش‌بینی موارد جدید استفاده می‌کند. سپس توسعه دهندگان الگوریتم را آزمایش می کنند تا ببینند نتایج آن چقدر قابل تعمیم است. به عبارت دیگر بررسی می کنند که الگوریتم در یک مجموعه داده جدید چقدر موثر عمل می کند. برای اطمینان از اینکه الگوریتم در کاربردهای واقعی به اندازه کافی دقیق است، اعتبارسنجی های بیشتر توسط متخصصان ضروری است.

محصولات بر پایه هوش مصنوعی

چالش های کاربرد هوش مصنوعی

مانند هر ابزار دیجیتالی، مدل‌های هوش مصنوعی نیز می‌توانند نقص هایی داشته باشند و خطراتی برای ایمنی بیمار ایجاد کنند. این مسائل می‌توانند از عوامل مختلفی از جمله مشکلات داده‌های مورد استفاده برای توسعه الگوریتم، انتخاب‌هایی که توسعه‌دهندگان در ساخت و آموزش مدل انجام می‌دهند و نحوه اجرای برنامه‌ها ناشی شوند.

لزوم تنوع و فراگیری داده های یادگیری ماشین

الگوریتم‌های هوش مصنوعی باید بر روی مجموعه بزرگی از داده های متنوع آموزش داده شوند تا برای جمعیت‌های مختلف قابل تعمیم باشند و اطمینان حاصل شود که به‌گونه‌ای «مغرضانه» نیستند که بر دقت و قابلیت اطمینان آنها تأثیر بگذارد. این چالش ها در حوزه های دیگر سلامت نیز مشهود است. به عنوان مثال، اگر دارویی در یک کارآزمایی بالینی آزمایش شود که جمعیت انتخاب شده وسیع و واقع بینانه نیست، به هنگام کاربرد در محیط های بالینی به خوبی نتیجه نخواهد داد. در هوش مصنوعی نیز به طور مشابه، هر مدلی باید به دقت ارزیابی شود تا اطمینان حاصل شود که عملکرد آن می تواند در مجموعه متنوعی از بیماران اعمال شود. جمع‌آوری چنین مجموعه‌ای از داده‌ها اغلب دشوار و پرهزینه است. این عامل می تواند منجر به استفاده از داده های ناقص و در نتیجه خطا در نتایج به دست آمده شود. چالش‌های جمع‌آوری داده‌ها در سیستم مراقبت‌های بهداشتی باعث سوگیری نامطلوبی در کاربردهای هوش مصنوعی شود که این موضوع می‌تواند بر ایمنی و اثربخشی محصول تأثیر بگذارد و تفاوت‌هایی را که منجر به عملکرد نامناسب یا ناکافی برای بسیاری از جمعیت‌ها، به‌ویژه گروه‌های اقلیت می شود، افزایش دهد. برای مثال خطرات بیماری‌های قلبی و عروقی توسط الگوریتم‌هایی آموزش داده شده اند که عمدتا داده های بیماران سفیدپوست را شامل می شود. این امر به نوبه ی خود در جمعیت‌های نژادها و قومیت‌هایی که سفید پوست نیستند، منجر به نتایج نامطلوب می شود.

چالش های بکارگیری در محیط های توسعه نیافته

سوگیری های نامطلوب همچنین می تواند زمانی رخ دهد که الگوریتمی که در یک محیط مانند یک مرکز پزشکی دانشگاهی بزرگ توسعه یافته است، در شرایط دیگری مانند یک بیمارستان کوچک روستایی با منابع کمتر اعمال شود. اگر برنامه ای با محیط جدید خود تطبیق داده نشود، ممکن است درمان‌هایی را توصیه کند که در یک مرکز با دسترسی کمتر به متخصصان و فناوری‌های پیشرفته، در دسترس یا مناسب نباشند.

حریم خصوصی بیماران

جمع‌آوری مجموعه داده‌های بیماران، پرسش های پیچیده‌ای را در مورد حریم خصوصی بیماران ایجاد می کند؛ از این رو حفاظت‌هایی برای اطمینان از ناشناس ماندن داده‌های خصوصی بیماران حیاتی است. برخی از سیستم‌های بهداشتی داده‌های بیماران خود را با شرکت‌های فناوری و استارت‌آپ‌ها به اشتراک می‌گذارند تا برنامه‌های مبتنی بر هوش مصنوعی خود را توسعه دهند و جالب اینجاست که این کار را گاهی بدون اطلاع بیمار انجام می دهند. در نتیجه بحث هایی در مورد اینکه آیا بیماران باید برای استفاده داده های خود رضایت دهند یا در سود محصولاتی که نهادهای خارجی با استفاده از داده های آنها توسعه می دهند سهیم باشند، وجود دارد. با این حال، ناشناس نگه داشتن داده‌های بیماران می‌تواند چالش‌های خاص خود را داشته باشد. زیرا گاهی اوقات ممکن است تلاش‌ها برای اطمینان از اثربخشی مجموعه داده های بزرگ را تضعیف کند. اگر اطلاعات جمعیتی بیمار برای توسعه دهندگان هوش مصنوعی ناشناخته باشد، ممکن است نتوانند جهت گیری های مشکل ساز احتمالی در داده ها را تشخیص دهند.

بحث و نتیجه گیری

هوش مصنوعی یک فرصت تحول‌آفرین برای بهبود نتایج درمان بیمار، افزایش کارایی و تسریع تحقیقات در سراسر حوزه پزشکی و سلامت است. سازمان های نظارتی مانند FDA و WHO نیز در تلاشند تا با  چالش های موجود مقابله کنند و سیاست هایی را توسعه دهند که می توانند نوآوری را در عین محافظت از سلامت عمومی و موازین اخلاقی امکان پذیر کند. همچنان سوالات زیادی باقیست که نهادهای مربوطه پیوسته در حال بررسی و حل آنها هستند تا مطمئن شوند که عدالت مطلوب تحقق می یابد. با پیشرفت این سیاست ها، اقداماتی در سطوح قانونی نیز ممکن است برای رفع ابهامات نظارتی در این بخش و زمینه ی به خصوص، ضروری باشد.

هوش مصنوعی یک فرصت تحول‌آفرین در پزشکی
3 2 رای ها
محتوا برای شما چه قدر مفید بود؟
guest

0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
پیمایش به بالا