مقالات کارآفرینیایده های سلامتایده های هوش مصنوعیسلامتکارآفرینی و استارتاپهوش مصنوعی

هوش مصنوعی چطور با کووید ۱۹ مبارزه می‌‌کند؟

شرکت‌‌های حوزه فن‌‌آوری سلامت در حال یافتن کاربردهای تازه‌‌ای برای الگوریتم‌‌هایشان هستند.

سوکی، شرکتی نوپا که برای پزشکان دستیار صوتی می‌‌سازد، کمتر از سه هفته قبل، دو درخواست از مشتریان اصلی‌‌اش دریافت کرد. اولی موردی بود که این محصول را برای انجام ویزیت‌‌های پزشکی از راه دور لازم می‌دانست. دومی افرادی بودند که به گزارش‌‌های بالینی خودکار جهت پردازش سریع بیمارانی نیاز داشتند که آزمایش کووید-۱۹ آنها مثبت شده بود.

مشتریان، نیازهای خود و اطلاعاتی که تا آن زمان جمع‌‌آوری کرده بودند را برای سوکی فرستادند، و مدیرعامل شرکت، پونیت سونی جلسه‌‌ای با مدیر اجرایی، مدیر محصول، مدیر فروش و مدیر بازاریابی شرکت ترتیب داد.

 ساعت ۴ بعدازظهر بود. جلسه ۲۰ دقیقه طول کشید. ساعت ۹ صبح روز بعد پیشنهادات جدید روی میز بود. شیوع ویروس کرونا مدتی بود مورد توجه گروه قرار گرفته بود و اعضای گروه نمی‌‌دانستند چه واکنشی باید به آن نشان دهند، اما یک چیز را خوب می‌‌دانستند: کارشناسان سلامت به پشتیبانی آن‌ها نیاز خواهند داشت، و هوش مصنوعی یکی از راه‌‌های حمایت خواهد بود.

برای بسیاری از افراد، گسترش سریع ویروس جدید کرونا _و سردرگمی جهان نسبت به بهترین نحوه‌‌ی مهار آن_ محدودیت‌‌های بشر را بیش از هر زمان به رخ می‌‌کشد. اگر تخت بیمارستانی نداشته باشیم نمی‌‌توانیم بیماران را درمان کنیم. اگر ندانیم چه کسانی مبتلا هستند، یا نتوانیم واکسنی برایش پیدا کنیم، نمی‌‌توانیم گسترش ویروس را مهار نماییم.

هوش مصنوعی فقط چیزی را می‌‌داند که ما به او می‌‌گوییم، اما کاری را انجام می‌‌دهد که ما نمی‌‌توانیم: دریافت حجم زیادی از اطلاعات ناهم‌‌خوان و کشف الگوها. وقتی در حال تقلا برای نجات جان انسان‌‌ها و بازگرداندن ثبات به جهان هستیم، برخی شرکت‌‌ها در حال استفاده از الگوریتم‌‌ها برای جلو انداختن ما هستند.

پردازش زبان طبیعی برای پر کردن گزارش‌های بالینی

سوکی از پردازش زبان طبیعی برای پر کردن گزارش‌‌های بالینی استفاده کرده و در وقت پزشکان صرفه‌‌جویی می‌‌کند.

تصویربرداری از ریه به کمک هوش مصنوعی به دنبال کردن پیشرفت کووید ۱۹ کمک می‌‌کند

دکتر یِیل تانگ چن ، پزشک اورژانس مادرید، روز ۹ مارس، در توییتی این‌‌طور نوشت: «روز اول پس از تشخیص #COVID. گلودرد، سردرد (شدید!)، سرفه‌‌ی خشک اما بدون تنگی نفس. بدون ناهنجاری در سونوگرافی ریه. #POCUS ریه‌‌هایم را کماکان خواهم گذاشت. #coronavirus»

«POCUS» مخفف سونوگرافی نقطه‌‌ی مراقبت  است. در زیر این متن عکس سونوگرافی ریه‌‌های چِن گذاشته شده و در گوشه‌‌ی سمت راست پایین تصویر به زبان اسپانیایی نوشته شده است: «عکس‌‌برداری توسط Butterfly iQ.»

برخی شرکت‌‌های حوزه‌‌ی بهداشت و سلامت _مثل شرکت نوپای تصویربرداری پزشکی Butterfly Network، سازنده‌‌ی Butterfly iQ منحصراً در واکنش به شیوع ویروس شکل گرفته‌‌اند. Butterfly iQ یک دستگاه سونوگرافی دستیِ قابل حمل است که با هوش مصنوعی کار کرده و تصاویری را برای تفسیر خودکار، به گوشی همراه کاربر می‌‌فرستد.

این شرکت نوپا از زمان شیوع کووید-۱۹ در اواسط ژانویه در منطقه‌‌ی آسیا پاسیفیک، آن را زیر نظر گرفته بود، همان جایی که پزشکان اهمیت تصویربرداری ریه در دنبال کردن و درمان این ویروس را گوشزد می‌‌کردند. از آنجا که اسکنر Butterfly Network می‌‌توانست به‌‌عنوان یک پاک‌‌کننده (cleaner) عمل کند، جایگزین ارزان‌‌تری نسبت به اشعه‌‌ی ایکس و سی‌‌تی اسکن بود، اهمیت این محصول از قبل برای شرکت روشن شده بود.

بعد از اینکه توجه شرکت نوپای مذکور به پزشکانی مثل چِن جلب شد که تصاویر ریه‌‌های آلوده را در رسانه‌‌های اجتماعی به اشتراک می‌‌گذاشتند، یک صفحه‌‌ی فرود راه‌‌اندازی کرد که کارشناسان سلامت می‌‌توانستند در آن تصاویر خود را به اشتراک گذاشته و نحوه‌‌ی استفاده از اسکنر برای سونوگرافی ریه را یاد بگیرند. سه‌‌شنبه‌‌ی گذشته Butterfly Network میزبان یک وبینار هم بود تا به فعالان حوزه‌‌ی سلامت در جهت تشخیص ریه‌‌ی مبتلا به کووید-۱۹ کمک کند.

هوش مصنوعی به دو شکل وارد بازی می‌‌شود. اول، تجزیه‌‌وتحلیل خودکار تصویر، استفاده‌‌ی مؤثر از اسکنر را برای افراد کمتر آموزش‌‌دیده آسان‌‌تر می‌‌کند. از آنجا که بیمارستان‌‌ها به‌‌منظور مدیریت هجوم بیماران، وظایف کارکنان خود را تغییر می‌‌دهند، کارمندان ناآشنا به تفاوت‌‌های ظریف تصاویر ریه می‌‌توانند بیماران را غربالگری کرده و از یک دستگاه قابل‌‌دسترس‌‌تر بهره ببرند.

دوم اینکه، طبق ایمیل مدیر آموزشی، دکتر مایک استون و افسر ارشد پزشکی، دکتر جان مارتین ، از آنجا که کارشناسان حوزه‌‌ی پزشکی که تخصص بیشتری دارند از اسکنر Butterfly به‌‌منظور بررسی علائم کووید-۱۹ استفاده می‌‌کنند، سیستم ابر-محور شرکت، داده‌‌های قوی‌‌تری درمورد ویروس و رفتار آن به دست خواهد آورد و این در نهایت، تجزیه و تحلیل محصول را دقیق‌‌تر و درست‌‌تر می‌‌کند. مارتین این مطالب را حین مکاتبه با متخصصان اورژانس در چین، ایتالیا، اسپانیا، و انگلستان و در بحبوحه‌‌ی افزایش همه‌‌گیری نوشته بود.

در این ایمیل این‌‌طور گفته شده: «در حال حاضر در این رویکرد همه‌‌ی-گزینه‌‌ها-روی-میز است.»

البته همان‌‌قدر که درمان افراد مبتلا اهمیت دارد، باید مطمئن شد که آنها افراد بیشتری را آلوده نمی‌‌کنند.

Biofourmis، شرکت نوپای واقع در بوستون، یک پلت‌‌فرم تحلیل سلامت به نام Biovitals ارائه می‌‌دهد که با هوش مصنوعی کار کرده و از رصد کردن بیماران به‌‌منظور پیش‌‌بینی مشکلات سلامتی قبل از وقوعشان بهره می-برد. Biofourmis در پروژه‌‌ی راهکار رصد کردن قلب در خانه، دو سال با دانشگاه هونگ‌‌کونگ همکاری کرده بود که با تماسی از طرف دولت محلی و درخواستی مبنی بر این مواجه شد که آیا می‌‌توان راهکار پیش‌‌گفته را برای رصد کردن کووید-۱۹ در خانه هم به کار برد.

این مساله به این خاطر است که تأسیسات بهداشت و سلامت یکی از ناامن‌‌ترین مکان‌‌ها برای بیماران در دوران همه‌‌گیری هستند. در ماه فوریه، در ۷ مطالعه بر روی ۱۳۸ بیمار مبتلا به ویروس کرونا در ووهان چین، ۴۱ درصد مشکوک به گرفتن ویروس در بیمارستان بودند. با نگهداری ناقلین و ناقلین احتمالی در منزل، کادر درمان و بیماران آسیب‌‌پذیر بیمارستان، از قرارگیری در معرض خطر مصون می‌‌مانند.

Biofourmis تماس مذکور را اواسط ماه فوریه دریافت کرد. از راهکار او دو هفته قبل در هنگ‌‌کنگ رونمایی شد. راهکار مورد بحث به این شکل کار می‌‌کند: بیمارانی که مثبت، یا در خطر ابتلا به کووید-۱۹ هستند، به یک حسگر زیستی مجهز می‌‌شوند که روی یکی از دستان آنها قرار می‌‌گیرد، و سپس به خانه فرستاده می‌‌شوند. این حسگر، ۲۰ سیگنال متفاوت فیزیولوژیک را از طرف شخص دریافت می‌‌کند؛ ازجمله دما، ضربان قلب، و آهنگ تنفس. از سوی دیگر، بستر Biofourmis از هوش مصنوعی به‌‌منظور تجزیه و تحلیل سیگنال‌‌ها و تشخیص نیاز به تماس با پزشک استفاده می‌‌کند. مدل یادگیری ماشینی به مرور زمان شروع به فهم امضای فیزیولوژیک ویروس خواهد کرد تا در حالت آرمانی بتوان آن را زودتر شناسایی، و مؤثرتر درمان کرد.

 کولدیپ سینگ راجپوت ، مدیرعامل Biofourmis این‌‌طور می‌‌گوید: «ما همین‌‌حالا در حال جمع‌‌آوری داده‌‌های مربوط به دارو، تصویربرداری، اطلاعات بالینی و درمان هم هستیم، و می‌‌توانیم از هوش مصنوعی بهره گرفته و بیشتر درمورد این بیماری بیاموزیم، چرا که در حال حاضر اطلاعات بسیار کمی در این باره داریم. وقتی هوش مصنوعی ما را راهنمایی کرده و دقیقاً به ما بگوید کووید-۱۹ چه امضایی دارد و چطور پیشرفت می‌‌کند، به پزشکان در مدیریت بهتر بیماران کمک خواهد شد، البته شرکت‌‌ها را هم در رسیدن به راهکارهای جدید یاری خواهد کرد.»

به گفته‌‌ی راجپوت، هفته‌‌ی آینده، بستر پیش‌‌بینی Biofourmis در سه کشور دیگر هم که آمار ابتلا به کووید-۱۹ در آنها بالاست، آغاز به کار خواهد کرد. وی افشا نکرد که کدام سیستم‌‌های بیمارستانی در این برنامه شرکت خواهند کرد.

یک اسکنر ریه‌‌ی دستی و قابل‌‌ حمل

Butterfly Network یک اسکنر ریه‌‌ی دستی و قابل‌‌ حمل می‌‌سازد که تصاویر را برای تفسیر خودکار، به یک برنامه می‌فرستد.

هوش مصنوعی می‌‌تواند برای درمان، به بیمارانی با مریضی غیرمرتبط کمک کند

پزشکی از راه دور که Suki حامی آن است، و مراقبت در منزل، که Biofourmis آن را امکان‌‌پذیر می‌‌سازد، می‌توانند در اشباع نشدن سیستم‌‌های بیمارستانی از بیماران مسجّل یا مشکوک به کووید-۱۹ راهگشا باشند.

اما افراد مبتلا به ویروس کورونا تنها اشخاصی نیستند که مریض می‌‌شوند. بیماران مبتلا به دیگر امراض یا بیماری‌های مزمن -مثل بیماری قلبی، که همه ساله، علت یکی از هر چهار مرگ در آمریکاست- جهت مراجعه به متخصصین و دریافت مراقبت‌‌های مورد نیازشان، با سختی بیشتری مواجهند.

به همین خاطر است که HeartFlow، شرکت نوپای فن‌‌آوری سلامت، به‌‌هیچ‌‌وجه نیازی به تغییر و تنظیم محصولات پیشنهادی خود ندارد.

HeartFlow از هوش مصنوعی به منظور تجزیه و تحلیل سی‌‌تی‌‌اسکنِ بیماران قلبی بهره می‌‌برد. پزشکان اسکن‌‌ها را در ابر HeartFlow بارگذاری می‌‌کنند، و سپس الگوریتم‌‌های شرکت و تحلیلگران آموزش‌‌دیده، یک مدل سه-بعدی از قلب و عروق آن می‌‌سازند. HeartFlow به کمک لایه‌‌ی دیگری از شبیه‌‌سازی‌‌های جسمی، درباره‌‌ی نحوه‌‌ی تأثیر انسداد عروق بر جریان خون، به پزشکان اطلاعات می‌‌دهد.

دریافت چنین اطلاعاتی اغلب نیازمند روشی تهاجمی به نام آنژیوگرافی است. و روش‌‌های تهاجمی، به مشارکت پزشکان و تخت‌‌های بیمارستانی نیاز دارند، دو چیزی که کمبودشان در دوران همه‌‌گیری مشهود است.

به گفته‌‌ی تیم فونته ، معاون موفقیت مشتری، «بسیاری از بیمارستان‌‌ها در حال لغو کردن روش‌‌های گزینشی و کارهای غیرضروری هستند تا در مصرف امکانات و تجهیزات محافظت فردی، و همین‌‌طور وقت و فضای بیمارستان صرفه‌‌جویی کنند. آنها به کارهایی با تأثیرگذاری گسترده روی آورده‌‌اند، مثل تبدیل کردن مطب پزشکان به بخش‌های موقت مراقبت ویژه.»

HeartFlow الگوریتم‌‌ها را قادر به انجام کاری می‌‌کند که معمولاً آنژیوگرافی انجام می‌‌دهد، به‌‌این‌‌ترتیب به بیمارستان‌‌ها کمک می‌‌کند تا منابع بیشتری را به مقابله با کووید-۱۹ اختصاص دهند. تحلیلگران آن به تجهیزات ویژه‌‌ای نیاز دارند، بنابراین به کار در محل و در Bay Area و آستین ادامه می‌‌دهند، البته در قالب گروه‌‌های کوچک‌‌تر و مجزا. به گفته‌‌ی فونته، این شرکت نوپا یک گروه کاری حدوداً پنج نفره دارد که به دغدغه‌‌های مشتریان پرداخته و بهترین راه پیشرفت را با توجه به شیوع ویروس تعیین می‌‌کنند، البته تا حدّ زیادی همان شکل رایج کسب‌‌وکارها را دارد. وی در ادامه می‌‌گوید: «فعلاً لزومی برای تغییر رویکردمان نمی‌‌بینیم. در حال حاضر بیمارستان‌‌ها باید وقت خود را به چیزهای دیگری اختصاص دهند، اما معنایش این نیست که قرار است بیماران قلبی-عروقیِ نیازمند کمک، به حال خود رها شوند.»

مدل‌‌های سه‌‌بعدیِ HeartFlow از قلب

مدل‌‌های سه‌‌بعدیِ HeartFlow از قلب به واسطه‌‌ی هوش مصنوعی که به پزشکان کمک می‌‌کنند از روش‌‌های تهاجمی دوری کنند و در تخت‌‌های بیمارستانی هم صرفه‌‌جویی شود.

شرکت‌‌های خارج از حوزه‌‌ی فن‌‌آوری سلامت هم وارد میدان شده‌‌اند

برخی شرکت‌‌ها که از هوش مصنوعی برای کمک استفاده می‌‌کنند در حیطه‌‌ی فن‌‌آوری سلامت نیستند. درواقع، آنها حتی الگوریتم‌‌های خودشان را نمی‌‌سازند.

CRITICALSTART یک شرکت نوپای امنیت سایبری اهل تگزاس است. مدیر خدمات حرفه‌‌ای آن یعنی کوئنتین رودز ، به قول خودش دوست دارد در همه‌‌ی کارها بهترین –یا حداقل نزدیک به بهترین- باشد.

او می‌‌گوید: «من تقریباً در هر کاری که انجام می‌‌دهم اهل رقابتم. هیچ‌‌وقت نمی‌‌خواهم عقب بیافتم. حدس می‌‌زنم همیشه همین‌‌طور بوده‌‌ام.»

شاید به همین خاطر باشد که وقتی کاربر توییتر @TinkerSec پیامی به او فرستاد که می‌‌گفت یکی از پژوهشگران ساختارهای پروتئین کووید-۱۹ را شبیه‌‌سازی کرده، رودز همان‌‌روز با شرکت او قرارداد بست.

این پروژه Folding@Home نام داشت که اقدامی از سوی پژوهشگران دانشگاه واشنگتن در دانشکده‌‌ی پزشکی سنت لوئیس برای منبع‌‌یابی جمعی قدرت رایانشی مورد نیاز برای راه‌‌اندازی شبیه‌‌سازی‌‌های بسیار پیچیده‌‌ی اتم-های ویروس‌‌ها بود.

ویروس دارای پوشش پروتئینی متشکل از آمینو-اسیدهای فشرده‌‌ای است که از اتم تشکیل می‌‌شوند. روش‌‌های آزمایشی موجود، تصویری فوری از اتم‌‌های ویروس تهیه می‌‌کنند، اما هیچ اطلاعاتی از نحوه‌‌ی حرکت و تعامل آنها ارائه نمی‌‌دهند. شبیه‌‌سازی، روش بهتری برای شکار نقطه‌‌ضعف‌‌های ویروس است، اما انجام هر شبیه‌‌سازی، محاسبات زیادی لازم دارد –که انجام آنها بر روی یک رایانه صدها سال زمان خواهد برد.

در اینجاست که سرور رمز-شکن CRITICALSTART به نام Cthulhu وارد بازی می‌‌شود. Cthulhu ترکیبی از سخت‌‌افزار و نرم‌‌افزار است که از هشت کارت گرافیکی Nvidia Titan V استفاده می‌‌کند –که برای یادگیری عمیق و تحقیقات هوش مصنوعی ساخته شده- تا در هر ثانیه ۲۷.۸ بیلیون گذرواژه را حدس بزند. فهرست‌‌های احتمالات-گذرواژه‌‌ای آن که به‌‌صورت خودکار تهیه می‌‌شوند، حاوی کوادریلیون درایه‌‌ی منحصربه‌‌فرد هستند.

با به کار انداختن Cthulhu، CRITICALSTART بیش از ۲۴۰،۰۰۰ گروه در سرتاسر جهان را به هم پیوند داد تا تجهیزات رایانشی قدرتمند، یا حتی لپ‌‌تاپ‌‌های شخصی را وقف انجام این کار کند. به گفته‌‌ی دکتر گرگ باومن  در توییتر، در هفته‌‌ی منتهی به ۱۸ مارس، ۴۰۰،۰۰۰ نفر Folding@Home را بارگیری کردند، و حالا این پروژه ۴۷۰ پتافلاپ  قدرت در اختیار دارد یعنی بیش از دو برابر قدرت نهایی ابَررایانه‌‌ی Summit. (Summit سریع‌‌ترین رایانه‌‌ی جهان است. تا به‌‌حال با انجام شبیه‌‌سازی، ۷۷ درمان احتمالی ویروس کرونا را پیدا کرده است.)

 یک هفته بعد از راه‌‌اندازی Folding@Home، رادز کماکان رتبه‌‌بندی شرکت خود را دقیقاً دنبال می‌‌کند. وی می‌گوید «همین حالا ما در میان دو درصد برتر از شرکت‌‌کنندگان قرار داریم و این خیلی دیوانه‌‌کننده است. منظورم این است که ما هنوز در جهان تقریباً پنج‌‌هزارمین شرکت محسوب می‌‌شویم، البته هنوز.»

به گفته‌‌ی رادز، گروه CRITICALSTART شبیه‌‌سازی را فعلاً متوقف کرده تا چند مرتبه آزمایش نفوذ  انجام دهد، ولی GPUها (واحدهای پردازش گرافیکی ) عمدتاً به تولید داده پیرامون ویروس اختصاص یافته‌‌اند. در شرایط بحرانی، انجام کار مفید، حس خوبی دارد و رتبه‌‌بندی‌‌های گروه چندان اهمیتی ندارند.

رادز می‌‌گوید «این کاری برای انجام دادن به گروه ما می‌‌دهد که سودمند است. ما سعی داریم دیگر رقبای خودمان را متقاعد کنیم تا آنها هم در این کار سهیم شوند. این تا حدی قواعد بازی را وارد کار می‌‌کند و به ما اجازه می‌‌دهد نه‌‌تنها در یک هدف خوب سهیم باشیم، بلکه حق رجزخوانی را هم به دست آوریم.»

آیا هوش مصنوعی می‌‌تواند به پیش‌‌بینی همه‌‌گیری بعدی در جهان کمک کند؟

علی‌‌رغم فایده‌‌ی هوش مصنوعی برای پژوهشگران، کارکنان بهداشت و سلامت و انواع شرکت‌‌ها، این فن‌‌آوری محدودیت‌‌های خودش را هم دارد. به‌‌عبارتی، وابستگی‌‌اش به داده‌‌های گذشته، آن را به ابزاری ناکامل برای واکنش نشان دادن به یک تهدید جدید تبدیل می‌‌کند. وقتی بحث از کووید-۱۹ به میان می‌‌آید، هوش مصنوعی نمی‌‌تواند به ما بگوید که بعد از آن چه اتفاقی خواهد افتاد و واقعاً هم به ما نگفته در حال حاضر چه اتفاقی رخ می‌‌دهد.

به‌‌عنوان مثال، به گزارش Vox یک متخصص یادگیری ماشینی که از طرف مراکز کنترل و پیشگیری بیماری برای مدل‌‌سازی عفونت‌‌های فعلی مورد استفاده قرار گرفته، ترجیح داده از یادگیری ماشینی استفاده نکند. درعوض از روشی موسوم به «خرد جمعی» بهره می‌‌گیرد که در آن افراد عادی گزارش می‌‌دهند که به نظرشان همه‌‌گیری چطور در حال گسترش یافتن است، و پژوهشگران پاسخ‌‌های آنها را برای مدل‌‌سازی، گردآوری می‌‌کنند.

به گفته‌‌ی گابریل موسو، افسر ارشد علمیِ BioSymetrics که در نیویورک سیتی واقع شده، «اولین سؤالی که هر کسی خواهد پرسید این است که چطور از وقوع دوباره‌‌ی این اتفاق جلوگیری کنیم؟ به نظر من این مسئله مورد توجه زیاد و شایسته‌‌ای قرار خواهد گرفت.»

BioSymetrics یک بستر هوش مصنوعی است برای کشف دارو در مراحل ابتدایی. به گفته‌‌ی موسو شرکتش مشتریان زیادی دارد که از یادگیری ماشینی به‌‌‌‌منظور کشف داروی مربوط به کووید-۱۹ یا پروژه‌‌های دارای اولویت درمانی استفاده می‌‌کنند.

آن‌‌طور که موسو می‌‌گوید، هرچند شاید مدل‌‌های یادگیری ماشینی نتوانند جلوی شیوع ویروس بعدی در جهان را بگیرند، اما معنایش این نیست که آنها نمی‌‌توانند در آماده‌‌سازی بهتر ما نقش داشته باشند.

تشخیص تازگی ، حوزه‌‌ای از یادگیری ماشینی است که در آن مدل یاد می‌‌گیرد سیگنال‌‌ها یا داده‌‌هایی را که بخشی از یادگیری‌‌اش نبوده‌‌اند تشخیص دهد. مثلاً مدلی که برای تشخیص سیگنال‌‌های یک انسان سالم آموزش دیده، می‌تواند علائم اولیه‌‌ی بیماری را تشخیص دهد. هرچقدر که مدل بیشتر بفهمد کدام علائم به بیماری منجر می‌‌شوند، زودتر می‌‌تواند علائم هشداردهنده را تشخیص دهد. روزی می‌‌رسد که همین اتفاق درمورد همه‌‌گیری‌‌ها بیافتد.

به گفته‌‌ی موسو، «می‌‌توانیم از داده‌‌های به دست آمده در جریان کووید برای توجیه بهترِ هزینه‌‌های اقدامات پیشگیرانه‌‌ای بهره بگیریم که از شیوع بیماری‌‌ها در میان ملت‌‌ها جلوگیری می‌‌کنند، و شاید بتوانیم پیشاپیش به آن واکنش نشان دهیم.»

به این مطلب چه امتیازی می دهید ؟
[Total: ۲ Average: ۵]
نمایش بیشتر

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *