توسعة کاربردهای هوش مصنوعی در نقش ابزاری تحول‌آفرین در کاربردهای مختلف دانش و فناوری، امروزه بر کسی پوشیده نیست. حوزة سلامت و پزشکی نیز از این قاعده مستثنا نیست. در یادداشت پیشین، پس از مروری بر روند پیدایش و معرفی هوش مصنوعی، به نقش آن در حوزة تشخیص و همچنین ژنومیکس با ابزارهایی مانند یادگیری ماشین، یادگیری عمیق، و پردازش زبان طبیعی پرداختیم. در این شماره، بخش‌هایی از کاربرد هوش مصنوعی در حوزة درمان و به‌طور خاص، درمان شخصی‌سازی‌شده و ارائة راهبردهای درمانی، انتخاب نوع و دز دارو، پایش درمان دارویی، مدیریت سلامت جمعیت، و ارائة تجزیهوتحلیل پیش‌بینی‌کننده مرور خواهند شد.
کمک هوش مصنوعی در درمان
درمان شخصی، که با عنوان پزشکی دقیق یا پزشکی شخصی نیز شناخته می‌شود، رویکردی است که مراقبت‌های پزشکی را بر اساس ویژگی‌های منحصربه‌فرد و شخصی بیماران، مانند ویژگی‌های ژنتیک، محیط، شیوة زندگی، و نشانگرهای زیستی متناسب میکند. هدف این رویکرد، بهبود نتایج درمان بیمار با ارائة مداخلات هدفمند مؤثرتر، کارآمدتر، و ایمن‌تر است. هوش مصنوعی به‌عنوان ابزاری ارزشمند در پیشبرد درمان شخصی‌سازی‌شده ظاهر شده است که می‌تواند مجموعة داده‌های پیچیده را تجزیهوتحلیل و نتایج را پیش‌بینی کند و راهبردهای درمان بهینه‌سازی‌شده ارائه دهد.
درمان شخصی افقِ عرصة جدیدی را پیش روی پزشکی دقیق در مقیاس بزرگ باز میکند. با وجود این، توانایی ارائة توصیه‌های آنی بر پیشرفت الگوریتم‌های ML متکی است که بر اساس اطلاعات ژنومی، می‌تواند احتمال نیاز بیماران را به برخی داروهای خاص پیش‌بینی کند. کلید ارائة داروها و دز آن‌ها برای بیماران، در تعیین ژنوتیپ پیشگیرانة بیماران قبل از نیاز واقعی به چنین اطلاعاتی نهفته است.
کاربردهای بالقوة هوش مصنوعی در کمک به پزشکان در تصمیم‌گیری‌های درمانی، به‌ویژه در پیش‌بینی پاسخ درمانی، به‌رسمیت شناخته شده است. در مطالعة هوانگ و همکاران [ ]، از داده‌های بیان ژن بیماران برای آموزش یک ML حمایتی استفاده شد و آن‌ها توانستند با موفقیت پاسخ به شیمی‌درمانی را پیش‌بینی کنند. در این مطالعه، نویسندگان 175 بیمار سرطانی، که نمایه‌های بیان ژنی خود را برای پیش‌بینی پاسخ‌های بیماران به روش¬های شیمی‌درمانی منطبق با استانداردهای مراقبتی مختلف ترکیب کرده بودند، بررسی کردند. این پژوهش به‌طور قابل‌توجهی نتایج دلگرم‌کننده‌ای را نشان داد و به دقت پیش‌بینی بیش از ۸۰ درصد در چندین دارو دست یافت. این یافته‌ها نقش امیدوارکنندة هوش مصنوعی را در پیش‌بینی پاسخ درمان نشان می‌دهد.
در مطالعة دیگری که شو و همکاران [ ] انجام دادند، هدف نویسندگان پیش‌بینی پاسخ به کلاس‌های مختلف داروهای ضدافسردگی با استفاده از پروندة الکترونیک سلامت (EHR) 17556 بیمار و هوش مصنوعی بود. مدل‌های هوش مصنوعی ویژگی‌های پیش‌بینی‌کنندة انتخاب درمان را برای به‌حداقل‌رساندن عوامل مخدوش‌کننده در نظر گرفتند و پیش‌بینی خوبی را نشان دادند. این مطالعه نشان داد که پاسخ ضدافسردگی را میتوان با استفاده از داده‌های EHR دنیای واقعی با مدل‌سازی هوش مصنوعی پیش‌بینی کرد.
این موضوع ظرفیت توسعة سیستم‌های پشتیبانی تصمیم بالینی را برای انتخاب درمان مؤثرتر نشان می‌دهد. درحالی‌که پیشرفت چشمگیری در استفاده از روش‌های هوش مصنوعی و ژنومیک برای پیش‌بینی نتایج درمان حاصل شده است، انجام تحقیقات و مطالعات بالینی آینده‌نگر و گذشته‌نگر بیشتر ضروری است. این تلاش‌ها برای تولید داده‌های جامع مورد نیاز برای آموزش مؤثر الگوریتم‌ها، اطمینان از قابلیت اطمینان آن‌ها در تنظیمات دنیای واقعی، و توسعة بیشتر ابزارهای تصمیم‌گیری بالینی مبتنی‌بر هوش مصنوعی ضروری هستند.
بهینه‌سازی دز و نظارت بر دارودرمانی
هوش مصنوعی در بهینه‌سازی دز و پیش‌بینی عوارض جانبی دارو نقش مهمی ایفا میکند و در افزایش ایمنی بیمار و بهبود نتایج درمان، مزایای زیادی ارائه می‌دهد. با استفاده از الگوریتم‌های هوش مصنوعی، ارائه‌دهندگان مراقبت‌های بهداشتی می‌توانند دزهای دارویی متناسب با بیماران را بهینه و عوارض جانبی احتمالی دارویی را پیش‌بینی کنند و درنتیجه، خطرها را کاهش دهند و مراقبت از بیمار را بهبود بخشند.
در مطالعه‌ای [ ] که با هدف توسعة یک مدل پیش‌بینی مبتنی‌بر هوش مصنوعی برای نسبت زمان پروترومبین به مقدار نرمال‌شدة بین‌المللی (PT/INR) و یک سیستم پشتیبانی تصمیم برای بهینه‌سازی دز نگهداری وارفارین انجام شد، نویسندگان داده‌های 19719 بیمار بستری را در سه مؤسسه تجزیهوتحلیل کردند. الگوریتم با تفاوت‌های قابل توجهی در پیش‌بینی PT/INR آینده، بهتر از پزشکان متخصص عمل کرد و دز وارفارین فردی تولیدشده قابل اعتماد بود.
در مقابل، نوعی سیستم بهینه‌سازی دز جدید CURATE.AI، پلتفرمی مشتق‌شده از هوش مصنوعی برای بهینه‌سازی پویای دزهای شیمی‌درمانی بر اساس داده‌های فردی بیمار است. مطالعه‌ای [ ] برای تأیید اعتبار این سیستم به‌عنوان نوعی کارآزمایی با برچسب باز و آینده‌نگر در بیماران مبتلا به تومورهای جامد پیشرفتة تحت‌درمان با سه رژیم شیمی‌درمانی مختلف انجام شد. CURATE.AI بر اساس همبستگی بین تغییرات دز شیمی‌درمانی و بازخوانی نشانگرهای تومور، دزهای شخصی‌سازی‌شده را برای چرخه‌های بعدی تولید کرد. ادغام CURATE.AI در گردش کار بالینی ترکیب موفقیت‌آمیز و مزایای بالقوه را از نظر کاهش دز شیمی‌درمانی و بهبود میزان پاسخ بیمار و مدت‌زمان، در مقایسه با استاندارد مراقبت نشان داد. این یافته‌ها از نیاز به اعتبارسنجی آینده‌نگر از طریق کارآزمایی‌های بالینی تصادفی‌سازی‌شده حمایت میکنند و قابلیت هوش مصنوعی را در بهینه‌سازی دز شیمی‌درمانی و کاهش خطر عوارض جانبی دارویی نشان می‌دهند.
پایش سطح درمانی داروها (TDM) فرایندی است که برای بهینه‌سازی دز دارو در افراد بیمار استفاده می‌شود. این عمدتاً برای داروهایی با شاخص درمانی محدود استفاده می‌شود تا هم از مصرف ناکافی دارو و هم سطوح سمی جلوگیری شود. هدف از TDM این است که اطمینان حاصل شود بیماران داروی مناسب، با دز مناسب و در زمان مناسب را، برای دستیابی به نتیجة درمانی مطلوب، درعین‌حال با به‌حداقل‌رساندن عوارض جانبی، دریافت میکنند. استفاده از هوش مصنوعی در TDM قابلیت ایجاد انقلاب در نحوة پایش و تجویز داروها را دارد. الگوریتم‌های هوش مصنوعی را میتوان برای پیش‌بینی پاسخ فرد به یک دارو بر اساس ساختار ژنتیکی، سابقة پزشکی، و دیگر عوامل آموزش داد. این رویکرد شخصی به درمان دارویی می‌تواند به درمان‌های مؤثرتر و نتایج بهتر بیمار منجر شود.
یکی از نمونه‌های هوش مصنوعی در TDM استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی تداخلات دارویی است. با تجزیهوتحلیل مجموعه‌داده‌های بزرگ بیمار، این الگوریتم‌ها می‌توانند تداخلات دارویی بالقوه را شناسایی کنند. این موضوع می‌تواند به کاهش خطر واکنش‌های نامطلوب دارویی و هزینه و همچنین بهبود نتایج بیمار کمک کند. یکی دیگر از کاربردهای هوش مصنوعی در TDM با استفاده از تجزیهوتحلیل پیش‌بینی‌کننده، برای شناسایی بیمارانی است که در معرض خطر بالای ایجاد واکنش‌های جانبی دارویی هستند.
با تجزیهوتحلیل داده‌های بیمار و شناسایی عوامل خطر بالقوه، ارائه‌دهندگان مراقبت‌های بهداشتی می‌توانند اقدامات پیشگیرانه‌ای را برای جلوگیری از حوادث نامطلوب قبل از وقوع انجام دهند. به‌طور کلی، استفاده از هوش مصنوعی در TDM، قابلیت بهبود نتایج برای بیمار، کاهش هزینه‌های مراقبت‌های بهداشتی، و افزایش دقت و کارایی دز دارو را دارد. همان‌طور که این فناوری به تکامل خود ادامه می‌دهد، هوش مصنوعی احتمالاً نقش مهمی در زمینة TDM ایفا خواهد کرد.
کمک هوش مصنوعی در مدیریت سلامت جمعیت
تجزیهوتحلیل پیش‌بینی و ارزیابی ریسک
مدیریت سلامت جمعیت به‌طور فزاینده‌ای از تحلیل‌های پیش‌بینی¬کننده برای شناسایی و هدایت ابتکارات بهداشتی استفاده میکند. در تجزیهوتحلیل داده‌ها، تجزیهوتحلیل پیش‌بینی‌کننده رشته‌ای است که به‌طور چشمگیری از مدل‌سازی، داده‌کاوی، هوش مصنوعی، و ML استفاده میکند و به‌منظور پیش‌بینی آینده، داده‌های تاریخی و فعلی را تجزیهوتحلیل میکند. الگوریتم‌های ML و فناوری‌های دیگر برای تجزیهوتحلیل داده‌ها و توسعة مدل‌های پیش‌بینی برای بهبود نتایج بیمار و کاهش هزینه‌ها استفاده می‌شوند.
یکی از زمینه‌هایی که تجزیهوتحلیل پیش‌بینی‌کننده می‌تواند به‌عنوان ابزار استفاده شود، شناسایی بیمارانی است که در معرض خطر ابتلا به بیماریهای مزمن مانند بیماریهای غدد درون‌ریز یا قلبی هستند. با تجزیهوتحلیل داده‌هایی مانند تاریخچة پزشکی، جمعیت‌شناسی، و عوامل سبک زندگی، مدل‌های پیش‌بینی‌کننده می‌توانند بیمارانی را که بیشتر در معرض خطر ابتلا به این شرایط هستند شناسایی کنند و مداخلات را برای پیشگیری یا درمان آن‌ها هدف قرار دهند.
پیش‌بینی پذیرش مجدد در بیمارستان زمینة دیگری است که در آن میتوان تحلیل‌های پیش‌بینی را به‌کار برد. با تجزیهوتحلیل جمعیت‌شناسی بیمار، تاریخچة پزشکی، و عوامل سلامت اجتماعی، مدل‌های پیش‌بینی می‌توانند بیمارانی را که بیشتر در معرض خطر بستری مجدد در بیمارستان قرار دارند و مداخلات هدفمند برای جلوگیری از بستری مجدد را شناسایی کنند. این موضوع می‌تواند به کاهش هزینه‌های مراقبت‌های بهداشتی و بهبود نتایج بیمار کمک کند که دلیل راه‌اندازی شرکت‌های جدیدی مانند Reveal® است.
تجزیهوتحلیل پیشگویانة داده‌های گذشته و فعلی بیمار مبتنی‌بر هوش مصنوعی
هوش مصنوعی می‌تواند برای بهینه‌سازی مراقبت‌های بهداشتی با بهبود دقت و کارایی مدل‌های پیش‌بینی استفاده شود. الگوریتم‌های هوش مصنوعی می‌توانند مقادیر زیادی از داده‌ها را تجزیهوتحلیل کنند و الگوها و روابطی را شناسایی کنند که ممکن است برای تحلیلگران انسانی آشکار نباشد. این موضوع می‌تواند به بهبود دقت مدل‌های پیش‌بینی کمک و اطمینان حاصل کند که بیماران مناسب‌ترین مداخلات را دریافت میکنند. هوش مصنوعی همچنین می‌تواند وظایف خاص مدیریت سلامت عمومی، مانند هماهنگی با بیمار و مراقبت را خودکار کند. این موضوع سبب کاهش هزینه‌های مراقبت‌های بهداشتی و افزایش بهبود نتایج بیماران با حصول اطمینان از دریافت مراقبت‌های به‌موقع و مناسب می‌شود.
بااین‌حال، مهم است توجه کنیم موفقیت تجزیهوتحلیل پیش‌بینی‌کننده در مدیریت سلامت عمومی به کیفیت داده‌ها و زیرساخت‌های فناوری مورد استفاده برای توسعه و اجرای مدل‌های پیش‌بینی بستگی دارد. علاوه بر این، نظارت انسانی برای اطمینان از مناسب‌بودن و اثربخشی مداخلات برای بیماران در معرض خطر، حیاتی است. به‌طور خلاصه، تجزیهوتحلیل پیش‌بینی‌کننده نقش فزاینده‌ای در سلامت جمعیت ایفا میکند. با استفاده از الگوریتم‌های ML و فناوری‌های دیگر، سازمان‌های مراقبت‌های بهداشتی می‌توانند مدل‌های پیش‌بینی‌کننده‌ای ایجاد کنند که بیماران در معرض خطر بیماری مزمن یا بستری مجدد در بیمارستان را شناسایی کنند.
علاوه بر این، هوش مصنوعی برای رسیدگی به این چالش‌ها دربارة تولید واکسن و تنگناهای زنجیرة تأمین مورد نیاز است. آزمایش الگوریتم‌های زنجیرة تأمین واکسن در زمان واقعی می‌تواند چالش‌برانگیز باشد. برای غلبه بر این موضوع، سرمایه‌گذاری در تحقیق و توسعه برای ایجاد الگوریتم‌های قوی، که می‌تواند زنجیره‌های تأمین واکسن را به‌طور دقیق پیش‌بینی و بهینه کند، ضروری است.
سیها ، نوعی ابزار تجزیهوتحلیل داده‌های بزرگ در عربستان سعودی، از داده‌های توییتر برای تشخیص بیماری‌ها استفاده میکند. این ابزار دریافته است که بیماریهای پوستی، بیماریهای قلبی، فشار خون بالا، سرطان، و دیابت پنج بیماری شایع در این کشور هستند. ریاض بیشترین نسبت آگاهی به مبتلا را برای شش بیماری از چهارده بیماری شناسایی‌شده دارد، درحالی‌که طائف سالم‌ترین شهر با کمترین تعداد موارد بیماری و تعداد زیاد فعالیت‌های آگاهی‌بخشی است. این یافته‌ها ظرفیت تجزیهوتحلیل پیش‌بینی‌کننده در مدیریت سلامت جمعیت و نیاز به مداخلات هدفمند برای پیشگیری و درمان بیماریهای مزمن در عربستان سعودی را نشان می‌دهد.
هوش مصنوعی می‌تواند مراقبت‌های بهداشتی را با بهبود دقت و کارایی مدل‌های پیش‌بینی‌کننده و خودکارکردن وظایف خاص در مدیریت سلامت جمعیت بهینه کند. بااین‌حال، اجرای موفقیت‌آمیز تجزیهوتحلیل پیش‌بینی¬کننده به داده‌های با کیفیت بالا، فناوری پیشرفته، و نظارت انسانی برای اطمینان از مداخلات مناسب و مؤثر برای بیماران نیاز دارد.
ایجاد گروه‌های کاری، دستورالعمل‌ها، و چهارچوب‌ها
هوش مصنوعی در حال تغییر نحوة ایجاد دستورالعمل‌ها در زمینه‌های مختلف است. در مراقبت‌های بهداشتی، دستورالعمل‌ها معمولاً زمان زیادی را می‌طلبند، از ایجاد شکاف دانشی که باید برآورده شود تا انتشار این دستورالعمل‌ها. هوش مصنوعی می‌تواند به شناسایی داده‌های جدید منتشرشده بر اساس داده‌های آزمایش‌های بالینی و نتایج واقعی بیماران در همان حوزة مورد علاقه کمک و سپس مرحلة اول تجزیهوتحلیل اطلاعات استخراج‌شده را تسهیل کند. پس از آن، تحت نظارت دانشمندان و متخصصان در این زمینه، الگوریتم‌های هوش مصنوعی می‌توانند حجم وسیعی از داده‌ها را برای شناسایی الگوها و روندهایی که می‌توانند به توسعة دستورالعمل‌های مبتنی‌بر شواهد در زمان واقعی یاری برسانند، تجزیهوتحلیل کنند و همین موضوع امکان تبادل سریع اطلاعات را با نظارت ضروری پزشکان برای پیامدهای بالینی و اخلاقی آن فراهم میکند.
چندین سازمان حرفه‌ای چهارچوب‌هایی را برای رسیدگی به نگرانی‌های منحصربه‌فرد در توسعه، گزارش‌دهی، و اعتبارسنجی هوش مصنوعی در پزشکی ایجاد کردهاند. این چهارچوب‌ها به‌جای تمرکز بر کاربرد بالینی هوش مصنوعی، بیشتر به آموزش سازندگان فناوری هوش مصنوعی با ارائة دستورالعمل‌هایی دربارة تشویق شفافیت در طراحی و گزارش الگوریتم‌های هوش مصنوعی توجه دارند. علاوه بر این، مقررات نظارتی هوش مصنوعی هنوز در مراحل اولیه است. سازمان غذا و داروی ایالات متحده اکنون در حال توسعة دستورالعمل‌هایی برای ارزیابی انتقادی کاربردهای واقعی هوش مصنوعی در پزشکی است و درعین‌حال، چهارچوبی را برای هدایت نقش هوش مصنوعی و ML در نرم‌افزار به‌عنوان دستگاه‌های پزشکی منتشر میکند.
کمیسیون اروپا تلاشی چندرشته‌ای را برای بهبود اعتبار هوش مصنوعی رهبری کرده است و آژانس دارویی اروپا تنظیم¬گری هوش مصنوعی را اولویتی راهبردی در نظر گرفته است. این تلاش‌های قانونی به‌منظور شکل‌دادن آیندة مراقبت‌های بهداشتی به‌منظور تجهیز بهتر برای تبدیل‌شدن به حوزه‌ای فناوری‌محور است. به‌طور کلی، نقش هوش مصنوعی در ایجاد دستورالعمل‌ها، ارائة بینش‌ها، و توصیه‌های مبتنی بر داده‌ها، بر اساس مقادیر زیادی اطلاعات است که می‌تواند به تصمیم‌گیری کارآمدتر و مؤثرتر، نتایج بهتر، و کاهش هزینه‌ها منجر شود. بااین‌حال، اطمینان از اینکه دستورالعمل‌های مبتنی‌بر هوش مصنوعی شفاف، منصفانه، بی‌طرفانه، و با تخصص انسانی و ملاحظات اخلاقی هستند، بسیار مهم است.
در یادداشت آتی دربارة کمک هوش مصنوعی در مشاورة درمان و دارو، مراقبت از بیمار و سلامت روان، و همچنین چالش‌ها و ملاحظات هریک مطالبی ارائه خواهد شد.
تهیه‌وتنظیم: دکتر سیدعلی معبودی
