نقش تحول‌آفرین هوش مصنوعی در کاربردهای بالینی

سیستم‌های بهداشت و درمان برای همة ذی‌نفعان پیچیده و چالش‌برانگیز بوده‌اند. در سال‌های اخیر، هوش مصنوعی زمینه‌های مختلف، ازجمله حوزة بهداشت و درمان را با قابلیت بهبود مراقبت از بیمار و کیفیت زندگی متحول کرده است. پیشرفت‌های سریع هوش مصنوعی می‌تواند بهداشت و درمان را با ادغام آن در عمل بالینی متحول کند. در چند یادداشت پیش رو، وضعیت فعلی هوش مصنوعی در کاربردهای بالینی، ازجمله کاربردهای بالقوة آن در تشخیص بیماری، توصیه‌های درمانی، و مشارکت بیمار مرور می‌شود. همچنین دربارة چالش‌های مرتبط مانند ملاحظات اخلاقی، قانونی، و نیاز به تخصص انسانی بحث می‌شود.

هوش مصنوعی
هوش مصنوعی حوزة به‌سرعت درحال‌تکامل از علوم رایانه و هدف آن ایجاد ماشین‌هایی است که می‌توانند کارهایی را انجام دهند که معمولاً به هوش انسانی نیاز دارند. هوش مصنوعی شامل روش‌های مختلفی مانند یادگیری ماشینی (ML) ، یادگیری عمیق (DL) ، و پردازش زبان طبیعی (NLP) می‌شود.
مدل‌های زبان بزرگ (LLM) نوعی الگوریتم هوش مصنوعی هستند که از روش‌های یادگیری عمیق و مجموعه‌داده‌های بسیار بزرگ برای درک، خلاصه‌سازی، تولید، و پیش‌بینی محتوای جدید مبتنی بر متن استفاده می‌کنند. LLMها برای تولید محتوای مبتنی بر متن طراحی شده‌اند و قابلیت کاربرد گسترده‌ای برای کارهای مختلف NLP، ازجمله تولید متن، ترجمه، خلاصة محتوا، بازنویسی، طبقه‌بندی، دسته‌بندی، و تحلیل احساسات دارند. NLP زیرشاخه‌ای از هوش مصنوعی است که بر تعامل بین رایانه و انسان از طریق زبان طبیعی، ازجمله درک، تفسیر، و تولید زبان انسانی تمرکز دارد. NLP شامل روش‌های مختلفی مانند متن‌کاوی، تجزیه‌وتحلیل احساسات، تشخیص گفتار، و ترجمه ماشینی است. در طول سال‌ها، از روزهای اولیة سیستم‌های مبتنی بر قانون تا عصر کنونی ML و الگوریتم‌های یادگیری عمیق، هوش مصنوعی دستخوش دگرگونی‌های مهمی شده است.
در سال 1951، کریستوفر استراچی اولین برنامة هوش مصنوعی را توسعه داد. از آن زمان، هوش مصنوعی تکامل یافته است. در آن زمان، هوش مصنوعی در مراحل اولیة خود بود و در جایگاه اول موضوعات تحقیقاتی دانشگاهی قرار داشت. در سال 1956، جان مک کارتی کنفرانس دارتموث را سازمان‌دهی کرد؛ جایی که او اصطلاح «هوش مصنوعی» را ابداع کرد. این رویداد آغاز دورة مدرن هوش مصنوعی بود. در دهه‌های 1960 و 1970، تحقیقات هوش مصنوعی بر سیستم‌های مبتنی بر قانون و خبره متمرکز بود. بااین‌حال، این رویکرد به‌دلیل نیاز به قدرت محاسباتی و داده بیشتر محدود شد.
در دهه‌های 1980 و 1990، تحقیقات هوش مصنوعی به‌سمت ML و شبکه‌های عصبی رفت که به ماشین‌ها اجازه می‌داد از داده‌ها یاد بگیرند و عملکرد خود را در طول زمان بهبود بخشند. این دوره شاهد توسعة سیستم‌هایی مانند IBM’s Deep Blue بود که در سال 1997، گری کاسپاروف قهرمان شطرنج جهان را شکست داد. در دهة 2000، تحقیقات هوش مصنوعی با تمرکز بر NLP و بینایی رایانه‌ای به توسعة دستیارهای مجازی مانند Siri اپل و Alexa آمازون منجر شد که می‌توانند زبان طبیعی را بفهمند و به درخواست‌های کاربر پاسخ دهند.
امروزه هوش مصنوعی در حال ایجاد تحول در حوزه‌های بهداشت و درمان، مالی، حمل‌ونقل، و سایر حوزه‌هاست و این تأثیر در حال افزایش است. در دانشگاه، هوش مصنوعی برای توسعة سیستم‌های آموزشی هوشمند و سازگار با نیازهای دانش‌آموزان سبب بهبود یادگیری دانش‌آموزان در دروس مختلف ازجمله ریاضی و علوم شده است. در تحقیقات، هوش مصنوعی برای تجزیه‌وتحلیل مجموعه‌داده‌های بزرگ و شناسایی الگوهایی استفاده شده که تشخیص آن‌ها برای انسان دشوار است. این موضوع به پیشرفت‌هایی در زمینه‌هایی مانند ژنومیکس و کشف دارو منجر شده است. هوش مصنوعی در حوزة بهداشت و درمان برای توسعة ابزارهای تشخیصی و برنامه‌های درمانی شخصی استفاده شده است.

کمک هوش مصنوعی در تشخیص

با وجود پیشرفت‌های پزشکی قابل‌توجه، تشخیص مؤثر بیماری همچنان در مقیاس جهانی چالش محسوب می‌شود. توسعة ابزارهای تشخیصی اولیه به‌دلیل پیچیدگی مکانیسم‌های مختلف بیماری و علائم زمینه‌ای، چالشی همیشگی است. هوش مصنوعی می‌تواند جنبه‌های مختلف بهداشت و درمان ازجمله تشخیص را متحول کند. ML به‌عنوان حوزه‌ای از هوش مصنوعی، می‌تواند در رفع برخی از چالش‌ها و پیچیدگی‌های تشخیص مؤثر باشد.
در ML از داده‌ها به‌عنوان منبع ورودی استفاده می‌شود و دقت عملکرد، بسیار به کمیت و همچنین کیفیت داده‌های ورودی بستگی دارد. ML می‌تواند به تصمیم‌گیری، مدیریت گردش کار، و خودکارسازی وظایف به‌موقع و مقرون‌به‌صرفه کمک کند. همچنین یادگیری عمیق با استفاده از شبکه‌های عصبی پیچشی (CNN) و تکنیک‌های داده‌کاوی، لایه‌هایی را اضافه کرد که در شناسایی الگوهای کلیدی تشخیص بیماری در میان مجموعه داده‌های بزرگ بسیار کاربردی هستند.
هوش مصنوعی هنوز در مراحل اولیه برای استفادة کامل برای تشخیص پزشکی است. بااین‌حال، داده‌های بیشتری برای کاربرد هوش مصنوعی در تشخیص بیماری‌های مختلف مانند سرطان در حال ظهور است. مطالعه‌ای در بریتانیا [ ] منتشر شد که در آن، نویسندگان مجموعه‌دادة بزرگی از ماموگرافی را در یک سیستم هوش مصنوعی برای تشخیص سرطان سینه وارد کردند.
این مطالعه نشان داد که استفاده از سیستم هوش مصنوعی برای تفسیر ماموگرافی کاهش مطلقی به‌میزان 7/5 درصد در نتایج مثبت کاذب و 4/9 درصد در نتایج منفی کاذب دارد. مطالعة دیگری در کرة جنوبی [ ] انجام شد که در آن نویسندگان تشخیص‌های هوش مصنوعی سرطان سینه را با رادیولوژیست‌ها مقایسه کردند. تشخیص استفاده‌شده با هوش مصنوعی در مقایسه با رادیولوژیست‌ها، به ترتیب 90 درصد در مقابل 78 درصد، برای تشخیص سرطان سینه با تودة حساس‌تر بود. همچنین هوش مصنوعی در تشخیص زودهنگام سرطان پستان (91 درصد) بهتر از رادیولوژیست‌ها (74 درصد) بود.
علاوه بر این، مطالعهای [ ] از یادگیری عمیق برای تشخیص سرطان پوست استفاده کرد که نشان داد هوش مصنوعی با استفاده از CNN، موارد ملانوم را در مقایسه با متخصصان پوست و گزینه‌های درمانی توصیه‌شده به‌دقت تشخیص می‌دهد. محققان از فناوری هوش مصنوعی در بسیاری از بیماری‌های دیگر، مانند تشخیص رتینوپاتی دیابتی و ناهنجاری ECG و پیش‌بینی عوامل خطر بیماری‌های قلبی و عروقی استفاده کردند. علاوه بر این، الگوریتم‌های یادگیری عمیق برای تشخیص ذات‌الریه از رادیوگرافی قفسة سینه با حساسیت و ویژگی 96 درصد و 64 درصد در مقایسه با رادیولوژیست‌ها به‌ترتیب 50 درصد و 73 درصد استفاده می‌شود [ ].
همچنین مطالعه‌ای روی مجموعه‌داده‌ای از 625 مورد برای تشخیص زودهنگام آپاندیسیت حاد برای پیش‌بینی نیاز به جراحی آپاندیس با استفاده از روش‌های مختلف ML انجام شد. نتایج نشان داد که الگوریتم استفاده‌شده با دقت 11/84 درصد، حساسیت 08/81 درصد، و ویژگی 01/81 درصد، آپاندیسیت را به‌طور دقیق در 75/83 درصد موارد پیش‌بینی می‌کند [ ]. روش بهبودیافته به متخصصان بهداشت و درمان در تصمیم‌گیری آگاهانه برای تشخیص و درمان آپاندیسیت کمک می‌کند.
ابزارهای هوش مصنوعی در مقایسه با روش‌های تشخیصی سنتی می‌توانند دقت را بهبود بخشند، هزینه‌ها را کاهش دهند، و در زمان صرفه‌جویی کنند. علاوه بر این، هوش مصنوعی می‌تواند خطرهای ناشی از خطاهای انسانی را کاهش دهد و نتایج دقیق‌تری را در زمان کمتری ارائه دهد. در آینده، فناوری هوش مصنوعی می‌تواند برای حمایت از تصمیمات پزشکی، با ارائة کمک و بینش در زمان واقعی به پزشکان، استفاده شود. محققان به کاوش در راه‌های استفاده از هوش مصنوعی در تشخیص و درمان پزشکی، مانند تجزیه‌وتحلیل تصاویر پزشکی در اشعة ایکس، سی‌تی اسکن، و ام‌آر‌آی ادامه می‌دهند. با استفاده از روش‌های ML، هوش مصنوعی همچنین می‌تواند به شناسایی ناهنجاری‌ها، تشخیص شکستگی‌ها، تومورها، یا سایر شرایط کمک کند و اندازه‌گیری‌های کمّی را برای تشخیص پزشکی سریع‌تر و دقیق‌تر ارائه دهد.
تست‌های آزمایشگاهی بالینی اطلاعات حیاتی را برای تشخیص، درمان، و نظارت بر بیماری‌ها فراهم می‌کنند. این بخشی ضروری از فرایند درمانی مدرن است که به‌طور مداوم از فناوری جدید برای حمایت از تصمیم‌گیری بالینی و ایمنی بیمار استفاده می‌کند. هوش مصنوعی این قابلیت را دارد که تست‌های آزمایشگاهی بالینی را با بهبود دقت، سرعت، و کارایی فرایندهای آزمایشگاهی متحول کند.
نقش هوش مصنوعی در میکروبیولوژی بالینی در حال حاضر در حال پیشرفت و گسترش است. چندین سیستم ML برای شناسایی، شناسایی و تعیین کمیت میکروارگانیسم‌ها، تشخیص و طبقه‌بندی بیماری‌ها، و پیش‌بینی نتایج بالینی توسعه داده شده‌اند. این سیستم‌های ML برای ایجاد تشخیص هوش مصنوعی مانند داده‌های ژنومی میکروارگانیسم‌ها، توالی‌یابی ژن، نتایج توالی‌یابی متاژنومی نمونة اصلی، و تصویربرداری میکروسکوپی از داده‌های منابع مختلف استفاده کردند. علاوه بر این، طبقه‌بندی لکه‌های گرم به گرم مثبت/ منفی و کوکسی/ میله یکی دیگر از کاربردهای ضروری استفاده از شبکه‌های عصبی پیچشی عمیق است که حساسیت و ویژگی بالایی را نشان می‌دهد.
مطالعة مروری نظام‌مندی نشان داد که MLهای متعددی برای شناسایی میکروارگانیسم‌ها و تست حساسیت آنتی‌بیوتیکی ارزیابی شدند. بااین‌حال، محدودیت‌های متعددی با مدل‌های فعلی مرتبط است که باید قبل از ترکیب آن‌ها در عمل بالینی مورد توجه قرار گیرند. فناوری هوش مصنوعی در تشخیص مالاریا سریع، حساس، و مقرون‌به‌صرفه است.
مزایای پیش‌بینی‌شدة استفاده از هوش مصنوعی در آزمایشگاه‌های بالینی شامل افزایش کارایی و دقت است، اما به آن محدود نمی‌شود. روش‌های خودکار در کشت‌های خون، آزمایش‌های حساسیت، و پلتفرم‌های مولکولی در آزمایشگاه‌های متعدد در سطح جهانی استاندارد شده‌اند و به طور قابل‌توجهی به کارایی آزمایشگاه کمک می‌کنند.
اتوماسیون و هوش مصنوعی به‌طور چشمگیری کارایی آزمایشگاه را در زمینه‌هایی مانند کشت خون، تست حساسیت، و پلتفرم‌های مولکولی بهبود بخشیده است. این اجازه می‌دهد در 24 تا 48 ساعت اول نتیجه حاصل شود و انتخاب درمان آنتی‌بیوتیکی مناسب برای بیماران با کشت خون مثبت را تسهیل می‌کند. درنتیجه، ترکیب هوش مصنوعی در آزمایشگاه‌های میکروبیولوژی بالینی، می‌تواند به انتخاب رژیم‌های درمان آنتی‌بیوتیکی مناسب کمک کند که در دستیابی به نرخ‌های درمان بالا برای بیماری‌های عفونی مختلف، عاملی حیاتی است.
تحقیقات ML در پزشکی به‌سرعت گسترش یافته است و می‌تواند به ارائه‌دهندگان خدمات بهداشتی و درمانی در بخش اورژانس کمک زیادی کند؛ زیرا آن‌ها با مشکلات چالش‌برانگیز ناشی از افزایش بار بیماری‌ها، تقاضای بیشتر برای زمان و خدمات درمانی، انتظارات اجتماعی بیشتر، و افزایش هزینه‌های بهداشتی مواجه هستند. ارائه‌دهندگان بخش اورژانس می‌دانند که ادغام هوش مصنوعی در فرایندهای کاری آن‌ها برای حل این مشکلات از طریق افزایش کارایی و دقت و بهبود نتایج بیمار ضروری است.
الگوریتم‌های هوش مصنوعی می‌توانند داده‌های بیمار را برای کمک به تریاژ کردن بیماران بر اساس فوریت تجزیه‌وتحلیل کنند. این به اولویت‌بندی موارد پرخطر، کاهش زمان انتظار، و بهبود جریان بیمار کمک می‌کند. معرفی ابزار قابل اعتماد ارزیابی علائم می‌تواند سایر علل بیماری را رد کند تا تعداد مراجعات غیرضروری به اورژانس کاهش یابد. مجموعه‌ای از ماشین‌های مجهز به هوش مصنوعی می‌توانند مستقیماً از بیمار سؤال کنند و در پایان، توضیح کافی برای اطمینان از ارزیابی و برنامه‌ریزی مناسب ارائه می‌شود.
علاوه بر این، سیستم‌های پشتیبان تصمیم‌گیری مبتنی بر هوش مصنوعی می‌توانند پیشنهادهایی را در زمان واقعی به ارائه‌دهندگان مراقبت‌های بهداشتی ارائه دهند و به تشخیص و تصمیم‌گیری‌های درمانی کمک کنند. بیماران در اورژانس با اطلاعات کمی ارزیابی می‌شوند و پزشکان اغلب باید احتمالات را هنگام طبقه‌بندی خطر و تصمیم‌گیری بسنجند. تفسیر سریعتر داده‌های بالینی در اورژانس برای طبقه‌بندی جدی‌بودن وضعیت و نیاز به مداخلة فوری بسیار مهم است.
خطر تشخیص اشتباه بیماران از بحرانی‌ترین مشکلاتی است که پزشکان و سیستم‌های بهداشتی و درمانی را تحت‌تأثیر قرار می‌دهد. اشتباهات تشخیصی در بخش بهداشت و درمان می‌تواند گران و کشنده باشد. مطالعه‌ای نشان داد که خطاهای تشخیصی، به ویژه در بیمارانی که به اورژانس مراجعه می‌کنند، مستقیماً سبب افزایش مرگ‌ومیر و طولانی‌تر شدن مدت‌زمان بستری بودن در بیمارستان می‌شوند.
خوشبختانه، هوش مصنوعی می‌تواند به تشخیص زودهنگام بیماران مبتلا به بیماری‌های تهدیدکنندة زندگی کمک کند و به پزشکان سریعاً هشدار دهد تا بیماران بتوانند توجه فوری را دریافت کنند. درنهایت، هوش مصنوعی می‌تواند با پیش‌بینی تقاضای بیمار، بهینه‌سازی انتخاب درمان (دارو، دوز، مسیر تجویز، و فوریت مداخله)، و پیشنهاد مدت اقامت در بخش اورژانس، به بهینه‌سازی منابع مراقبت‌های بهداشتی در اورژانس کمک کند. با تجزیه‌وتحلیل داده‌های خاص بیمار، سیستم‌های هوش مصنوعی می‌توانند بینش‌هایی را برای انتخاب درمان بهینه، بهبود کارایی، و کاهش ازدحام بیش از حد ارائه دهند.

هوش مصنوعی در پزشکی ژنومیک
ادغام هوش مصنوعی و تجزیه‌وتحلیل ژنوتیپ در حوزة نظارت بیماری، پیش‌بینی، و پزشکی شخصی، نویدبخش است. هنگامی که هوش مصنوعی برای جمعیت‌های بزرگ به‌کار می‌رود، می‌تواند به‌طور مؤثری بر تهدیدات بیماری‌های نوظهور (مانند کووید19) نظارت کند. داده‌های ژنومی می‌توانند بینش‌های ارزشمندی دربارة نشانگرهای ژنتیکی مرتبط با افزایش حساسیت به بیماری‌های خاص ارائه دهند. با آموزش الگوریتم‌های ML برای شناسایی این نشانگرها در داده‌های آنی، می‌توان تشخیص زودهنگام شیوع احتمالی را تسهیل کرد.
علاوه بر این، استفاده از داده‌های ژنوتیپ می‌تواند به اصلاح پیش‌بینی‌های خطر بیماری کمک کند؛ زیرا الگوریتم‌های ML می‌توانند الگوهای پیچیده‌ای از تغییرات ژنتیکی مرتبط با حساسیت به بیماری را تشخیص دهند که ممکن است روش‌های آماری سنتی را دور بزنند. پیش‌بینی فنوتیپ‌ها یا ویژگی‌های قابل مشاهده که توسط ژن‌ها و عوامل محیطی شکل می‌گیرند نیز با این ترکیب امکان‌پذیر می‌شود.
الگوریتم‌های ML پیش‌بینی طیفی از فنوتیپ‌ها از صفات ساده مانند رنگ چشم تا موارد پیچیده‌تر مانند پاسخ به برخی داروها یا حساسیت به بیماری را امکان‌پذیر می‌سازند. یک حوزة خاص که در آن هوش مصنوعی و ML کارایی قابل‌توجهی نشان داده‌اند، شناسایی انواع ژنتیکی مرتبط با صفات یا آسیب‌شناسی‌های متمایز است. بررسی مجموعه‌داده‌های ژنومی گسترده به این روش‌ها اجازه می‌دهد تا الگوهای پیچیده‌ای را شناسایی کنند که اغلب برای تجزیه‌وتحلیل دستی در دسترس نیستند.
برای مثال، در مطالعة پیشگامانهای، از یک شبکه عصبی عمیق برای شناسایی انواع ژنتیکی مرتبط با اختلال طیف اوتیسم (ASD) استفاده شد که وضعیت ASD را تنها با تکیه بر داده‌های ژنومی، با موفقیت پیش‌بینی کرد. در زمینة انکولوژی، طبقه‌بندی سرطان‌ها به زیرگروه‌های مولکولی مرتبط بالینی را می‌توان با استفاده از پروفایل ترانسکریپتومیک انجام داد. چنین طبقه‌بندی‌های مولکولی‌ای که ابتدا برای سرطان سینه ایجاد شد و بعداً به سرطان‌های دیگر مانند کولورکتال ، تخمدان، و سارکوم گسترش یافت، پیامدهای چشمگیری برای تشخیص، پیش‌آگهی، و انتخاب درمان دارد.
روش‌های محاسباتی سنتی برای زیرگروه‌بندی سرطان‌ها، مانند ماشین‌های بردار پشتیبان (SVM) یا k-نزدیک‌ترین همسایه ، به‌دلیل آثار دسته‌ای، مستعد خطا هستند و ممکن است فقط بر مجموعة کوچکی از ژن‌های نشانه تمرکز کنند. بنابراین، اطلاعات بیولوژیکی حیاتی را نادیده می‌گیرند.
ظهور فناوری‌های توالی‌یابی ژنومی با کارایی زیاد، همراه با پیشرفت‌های هوش مصنوعی و ML، پایه‌ای قوی برای تسریع پزشکی شخصی و کشف دارو ایجاد کرده است. با وجود گنجینه‌ای از بینش‌های ارزشمند، ماهیت پیچیدة داده‌های ژنومی گسترده، موانع قابل‌توجهی برای تفسیر آن ایجاد می‌کند. حوزة کشف دارو به‌طور چشمگیری از کاربرد هوش مصنوعی و ML بهره برده است. تجزیه‌وتحلیل هم‌زمان داده‌های ژنومی گسترده و عوامل دیگر بالینی مانند اثربخشی دارو یا عوارض جانبی، شناسایی اهداف درمانی جدید یا استفادة مجدد از داروهای موجود برای کاربردهای جدید را تسهیل می‌کند.
یکی از چالش‌های رایج در توسعة دارو، سمیت غیربالینی است که به درصد قابل‌توجهی از شکست داروها در طول آزمایشهای بالینی منجر می‌شود. بااین‌حال، ظهور مدل‌سازی محاسباتی امکان پیش‌بینی سمیت دارو را باز می‌کند که می‌تواند در بهبود فرایند توسعة دارو مفید باشد. این قابلیت به‌ویژه برای پرداختن به انواع رایج مسمومیت دارویی، مانند سمیت قلبی و کبدی، که اغلب به ترک داروها پس از فروش منجر می‌شود، حیاتی است.
در یادداشت آتی دربارة کمک هوش مصنوعی در درمان، مدیریت سلامت جمعیت، مراقبت از بیمار، و چالش‌ها و ملاحظات هریک مطالبی ارائه خواهد شد.

تهیه‌وتنظیم: دکتر سیدعلی معبودی