سلامتمقالات سلامتمقالات هوش مصنوعیهوش مصنوعی

تحول بهداشت و درمان با هوش مصنوعی

شرکت های نوپایی که از هوش مصنوعی برای متحول کردن بهداشت و درمان استفاده می کنند.

فن­آوری ­های دیجیتال از آنچه که در بهداشت و درمان و زیست ­شناسی امکان­ پذیر است، تعریف تازه ­ای ارائه می­دهند. بهداشت و درمان احتمالاً مهم­ترین و بزرگ ترین بخش در اقتصاد آمریکا محسوب می­شود. هر ساله در آمریکا نزدیک به ۴ تریلیون دلار برای بهداشت و درمان هزینه می­شود. بیش از هر صنعت دیگری، نیروی انسانی می­گیرد و این یعنی ۱۱% از مشاغل آمریکایی. حدوداً یک چهارم کلّ هزینه­ های دولت آمریکا صرف بهداشت و درمان می­شود.

با این­ وجود، بهداشت و درمان، ورشکسته ­ترین بخش در اقتصاد آمریکاست. هزینه­ های این بخش، طی دهه ­های اخیر، از کنترل خارج شده و از ۳۵۵ دلار به ازای هر نفر در سال ۱۹۷۰ به ۱۱,۱۷۲ دلار به ازای هر نفر در سال ۲۰۱۸ رسیده است.

hygiene

 هرچند ایالات متحده، بیشترین سرانه ­ی هزینه ­های بهداشت و درمان نسبت به هر کشور دیگری را داراست، اما از لحاظ امید به زندگی، سی ­وهشتمین کشور جهان بوده و بین لبنان و کوبا قرار دارد. دسترسی به مراقبت ­های بهداشتی در آمریکا، از هر کشور توسعه ­یافته­ ی دیگری بدتر است.

هوش مصنوعی، فرصت بی ­سابقه ­ای برای باز کردن این گره کور و شکل دادن دوباره­ ی اقدامات بهداشت و درمان را فراهم می­سازد.

هوش مصنوعی به شکل ­های بسیاری در سال­ های آتی زندگی ما را متحول خواهد کرد، از این میان، اثرگذاری­ اش بر بهداشت و درمان احتمالاً نسبت به هر حوزه ­ی دیگری، عمیق ­تر و گسترده ­تر خواهد بود.

یادگیری ماشینی و بهداشت و درمان، از جهات بسیاری، کاملاً متناسب با یکدیگرند. محوریت بیشتر مراقبت­ های بهداشتی، تشخیص الگوست.

Health care

بدن یک انسان سالم و سیستم­ های مختلف تشکیل دهنده آن، به شکل یک دست و قابل سنجش عمل می­کنند. وقتی اندام ­های انسان از دردی رنجور است، از تعادل یادشده به نحوی خارج می­شود که معمولاً در طول زمان و در جوامع قابل پیش ­بینی است.

حلقه متشکل از نقاط داده –علائم جدید جسمی، فشار خون، ترکیب ژنتیکی، ترکیب شیمیایی گردش خون، و الی آخر- را می­توان گردآوری کرده، در کنار هم گذاشت و با الگوهای جمعیتی مقایسه کرد تا نتیجه قطعی سلامت فرد بازگو شود. به همین شکل، داروهایی که ما تولید و تجویز می­کنیم، از مواد خاصی تشکیل شده ­اند که به شکلی قابل اندازه ­گیری بر روی سیستم ­های داخلی بدن عمل می­کنند.

اگر یادگیری ماشینی در یک کار تبحر داشته باشد، آن کار، شناسایی الگوها و استخراج دانش موجود پیرامون سیستم ­های پیچیده، با توجه به انبوه داده ­هاست. از این­ رو بهداشت و درمان، چالشی آرمانی پیش روی هوش مصنوعی می­گذارد.

Artificial intelligence

انتظار داریم هوش مصنوعی در کدام حوزه­ های خاصّ بهداشت و درمان، تأثیر معنادار و چشم­گیری بگذارد؟

تقسیم حوزه گسترده بهداشت و درمان به سه گروه اصلی، راه­گشاست:

بالینی (مراقبت از بیماران)، اداری (پیچ و مهره ­های عملیاتی که سیستم بهداشت و درمان را به راه می ­اندازند) و داروسازی (جستجو و توسعه داروهای پزشکی جدید).

در هر یک از این سه حوزه، همین حالا از یادگیری ماشینی به اشکال تحول­ آفرین استفاده می­شود. فقط شتاب این روند در سال­های آتی بیشتر خواهد شد.

این مقاله دو دسته اول را مرور خواهد کرد: بالینی و اداری.

machine learning

بالینی


تصویربرداری

استفاده از دید رایانه­ ای جهت شناسایی اختلالات و بیماری­ ها در تصاویر پزشکی، احتمالاً به موردی از مصرف هوش مصنوعی در بهداشت و درمان تبدیل شده که بیش از همه به آن ارجاع داده ­اند.

 فهمیدن علتش آسان است: بررسی اسکن پزشکی به منظور رسیدن به این نتیجه که آیا یک تومور، ضایعه پوستی، بیماری شبکیه یا علائم دیگری وجود دارد یا خیر، نمونه ­ای گویا از طبقه­ بندی شیء است، یعنی دقیقاً همان چیزی که یادگیری عمیق در آن تبحر دارد.

همان­طور که اسطوره هوش مصنوعی، جف هینتون در اظهارات مشهور سال ۲۰۱۶ خود اعلام کرد: «دیگر باید تربیت رادیولوژیست را متوقف کنیم. کاملاً واضح است که طی ۵ سال آینده، یادگیری ماشینی، عملکردی بهتر از رادیولوژیست ­ها خواهد داشت.»

چند شرکت نوپا طی چند سال گذشته شکل گرفته ­اند تا تجزیه و تحلیل تصاویر پزشکی را خودکار سازند. از برجسته­ ترین آنها می­توان به Caption Health، PathAI، Paige، و Zebra Medical Vision اشاره کرد.

علی­رغم صدها میلیون دلار سرمایه ­ای که به این حوزه تزریق شده، فن­آوری مذکور هنوز مورد پذیرش عام قرار نگرفته است. چالش بزرگ شرکت­های هوش مصنوعی این بوده که مراقبان بهداشتی را متقاعد کنند تا روند کار خود را تغییر داده و بتوانند این راهکارها را در مقیاس گسترده به کار بگیرند –به ­خصوص با توجه به اینکه این مورد مصرف، بسیار مستقیم پزشکان انسانی را با خطر منسوخ شدن مواجه می­کند.

Attracting and engaging the patient

جذب و متعهد کردن بیمار

حوزه ­ی دیگری که هوش مصنوعی در آن ارائه­ ی مراقبت­ها را بهبود خواهد بخشید، جذب و متعهد کردن بیمار است؛ یعنی بخش بسیار مهمی از فرآیند مراقبت­ های بهداشتی.

پیشرفت­های اخیر در پردازش زبان طبیعی، وجود رابط­ه ای کاربری تعاملی بر مبنای هوش مصنوعی را ممکن ساخته است، رابطه­ هایی که می­توانند غربالگری و مراقبت از بیمار را خودکار کنند. مثلاً، بیماران می­توانند علائم خود را اظهار کرده و از طریق پیام متنی، سؤالاتشان را بپرسند تا در پاسخ، راهنمای بالینی خودکار دریافت کنند. به همین شکل، هوش­ های مصنوعی را می­توان به شکلی توسعه داد که دائماً با بیماران در ارتباط بوده و اطمینان یابند که آنها اصول درمانی خود را رعایت کرده و به آن متعهد هستند.

استفاده از هوش مصنوعی برای خودکارسازی این تعاملات هزینه‌ها را به طرز فاحشی کاهش داده و با ارائه راهنمایی تخصصی بهداشتی، بدون نیاز به زمان گران‌قیمت پزشکان انسانی، دسترسی به مراقبت‌های بهداشتی را برای همگان ممکن خواهد ساخت.

«چت-بات»ها در سال های اخیر، انتقادات زیادی برانگیخته و به وعده‌های خود عمل نکرده‌اند. اما فن‌آوری NLP (برنامه‌ریزی عصبی-زبان‌شناختی) در حال حاضر با سرعت سرسام‌آوری در حال پیشرفت کردن است، و امکانات تازه‌ای را پیش روی هوش مصنوعی جنجال‌برانگیز قرار داده است.

بسترهای گفتگومحور، زمانی بیشترین اثرگذاری را دارند که هدف-محور بوده و برای مصرف خاصی ایجاد شوند (مثلاً متعهد کردن بیمار) و در زمان مناسب، یک انسان (مثلاً پزشک) را در جریان قرار دهند. انتظار می‌رود که رابطه ناهمگام مراقب/بیمار، طی سال‌های آتی بیش از پیش خودکار شود.

غول این عرصه، Babylon Health است که سرمایه‌ای شگفت‌انگیز به ارزش ۶۳۵ میلیون دلار، عمدتاً از صندوق سرمایه‌گذاری دولتی عربستان سعودی جذب کرده است. شرکت‌های نوپای دیگر، ساختن ابزارهایی برای خودکارسازی جذب بیمار و برقراری ارتباط روی آورده ­اند، مثل Buoy، Gyant، Curai، و Memora.

به گفته نیل خوسلا، مدیرعامل Curai، «کل انقلاب رایانشی بدون تغییر دادن نحوه ارائه و دریافت مراقبت‌های بهداشتی برای ما، رخ داده است. هوش مصنوعی و برنامه‌ریزی عصبی-زبان‌شناختی این قابلیت را دارند که دسترسی به مراقبت‌های اولیه باکیفیت را بسیار بالا برده، و آن را با هزینه‌ای کمتر در اختیار افراد بیشتری قرار دهند.

این آرمان ماست: دنیایی که تمام ۸ بیلیون ساکنش بتوانند به بهترین مراقبت‌های بهداشتی اولیه دسترسی داشته باشند.»

Telehealth

بهداشت و درمان از راه دور

کووید ۱۹ سرعت پذیرش بهداشت از راه دور را به شدت بالا برده است: ارائه خدمات بالینی به بیماران از راه دور به جای رو در رو، با استفاده از ابزارهای دیجیتال. هرچند این همه­ گیری به عنوان یک کاتالیزور/کنش­یار کوتاه-مدت عمل کرده، اما بسیاری از متخصصان بر این باورند که بهداشت و درمان از راه دور، در حال تبدیل شدن به یک ستون دائمی و مهم در ارائه مراقبت­های بهداشتی است.

مک­کینزی برآورد می­کند که در سال­های پیش رو، فقط در ایالات متحده، بالغ بر ۲۵۰ میلیون دلار از هزینه ­های مراقبت­های بهداشتی، مجازی خواهند شد.

امروزه، پزشکی از راه دور اغلب در گفتگوی تصویری با یک پزشک خلاصه می­شود. این جلسات از راه دور، ارزشمند اما ناقص و ابتدایی هستند. پزشکی از راه دور، تنها زمانی تمام قابلیت ­های خویش را تحقق می­بخشد که از پشتوانه یادگیری ماشینی و حسگرهای درست برخوردار باشد.

Eko

چندین شرکت خوش­ آتیه، روی حل کردن این چالش کار می­کنند:

Eko بستری متشکل از حسگرهای اختصاصی و الگوریتم ­های یادگیری ماشینی ساخته که می­توانند از راه دور علائم حیاتی قلبی-ریوی بیماران را رصد و بیماری­های قلبی-ریوی را زودتر تشخیص دهند. هوش مصنوعیِ Eko در شناسایی مشکلات قلبی، عملکردی بسیار دقیق­تر و صحیح­تر از پزشکان انسانی دارد که از گوشی طبی استفاده می­کنند. مثلاً، پزشکان عمومی، فیبریلاسیون دهلیزی را با صحت و دقت ۷۰-۸۰% تشخیص می­دهند، درحالی­ که الگوریتم­ های Eko  این کار را با دقت ۹۹% انجام می­دهند.

کانر لندگراف مدیرعامل Eko می­گوید «ما می­توانیم با ارائه داده ­های تحلیلی از ده ­ها هزار آزمایش بیمار در گذشته، در عرض چند ثانیه، قضاوت پزشک در تشخیص ­های قلبی-ریوی را بهبود بخشیم. این الگوریتم ­ها در هر جایی از جهان در دسترس بوده، و امکان مراقبت بهتر از بیماران را فارغ از محل سکونتشان فراهم می­سازند.»

در همین راستا، Aluna راهکاری ارائه می­دهد که با استفاده از یک دستگاه تنفس ­سنج ساده، به بیماران اجازه می­دهد خیلی راحت، از همان خانه، وضعیت سلامت ریوی خود را ارزیابی کنند. Aluna با اِعمال یادگیری ماشینی بر روی داده­ های تنفس­ سنج، آسم و فیبروز کیستیک را در زمان واقعی رصد کرده و شرایط ریوی نگران­ کننده را هشدار می­دهد.

شرکت­هایی مثل Biofourmis، Current Health، و Myia هم راهکارهای هوش مصنوعی و حسگر ارائه داده ­اند که پزشکان را قادر به بررسی وضعیت سلامتی بیمار در سطوح جزئی می­کند.

 فرقی نمی­کند که بیمار در کدام نقطه از جهان باشد؛ فن­آوری ­هایی از این دست، بیش از پیش مرز میان معاینات «بالینی» و کنترل روزانه سلامتی را محو کرده و مراقبت­ های بهداشتی با این فرآیند را مقرون­ به­ صرفه ­تر و دردسترس ­تر می ­سازند.

Hospital care

مراقبت در بیمارستان

پزشکی از راه دور هرچقدر هم که نویدبخش باشد، باز هم برای برخی اقدامات پزشکی ملاقات حضوری لازم است. هوش مصنوعی، کار پزشکان انسانی را از جهات مختلف، در بیمارستان­ ها بهبود خواهد بخشید.

به­ عنوان مثال، Gauss Surgical از دید رایانه­ ای به منظور رصد کردن خون ­ریزی طی زایمان استفاده می­کند. تخمین بصری پزشکان انسانی از شدت خون­ریزی، به شدت نادرست است.

خون­ریزی دلیل اصلی و البته قابل پیشگیری مرگ ومیر مادران باردار محسوب می­شود. در یک نظام بیمارستانی، راهکار هوش مصنوعی Gauss به ۴ برابر شدن افزایشِ تشخیص خون­ریزی و کاهش ۳۴% مداخلات دیرهنگام در جلوگیری از خون­ریزی، منجر شد.

به عنوان مثالی دیگر، می­توان به Medical Informatics اشاره کرد:

 شرکتی واقع در بوستون که از یادگیری ماشین و تجزیه و تحلیل داده­ های به ­دست­ آمده از مانیتورهای کنار تخت­ ها، ونتیلاتورها، EMR (پرونده ­های پزشکی الکترونیک) بیمار و منابع اطلاعاتی گوناگون، برای نظارت بر سلامت بیماران در تخت­ های بیمارستانی بهره می­گیرد.

حتی اگر راهکارهای هوش مصنوعی مثل این هرگز جایگزین تصمیم­ گیری بالینی انسانی نشده و تنها به عنوان ابزارهای اضافه به خدمت گرفته شوند، باز هم قابلیت بهبود فاحش نتایج درمان و نجات دادن زندگی افراد را دارند.

precision medicine

پزشکی دقیق

از یک لحاظ، پزشکی دقیق، اوج قله­ توقعاتی است که از هوش مصنوعی برای بهبود سلامت انسان می­رود. چشم ­انداز پزشکی دقیق، جاه ­طلبانه ­تر، چالش­های فنی آن پیچیده ­تر و اثرگذاری احتمالی ­اش بزرگ­تر از هر برنامه دیگری است که در اینجا بررسی شد.

به طور خلاصه، حوزه پزشکی دقیق امیدوار است بتواند درمان­ هایی ارائه دهد که براساس ژنتیک و زمینه محیطی و رفتاری خاص هر بیمار، ویژه همان فرد طراحی شده باشند.

پزشکی دقیق مفهوم تازه ­ای نیست، اما اختراع «کلان-داده» به ­خصوص داده­ های ژنتیکی، و یادگیری ماشینی مدرن، تحقق کامل قابلیت ­های آن را ممکن ساخته است. به خاطر فراوانی حسگرها، دستگاه­ های متصل به اینترنت، EHRها/ پرونده ­های سلامت الکترونیک، تعیین توالی ژنتیک در حجم زیاد، رایانش ابری، و دیگر فن­آوری ­های دیجیتال، در حال حاضر، هر روز حجم سرسام ­آوری از داده ­های بسیار جزئی پیرامون بهداشت و سلامت گردآوری می­شود. امسال چند تریلیون گیگابایت داده سلامت به دست خواهد آمد، رقمی که تا همین چند سال پیش غیرقابل تصور بود.

Genetic data

پیش ­فرض پزشکی دقیق این است که اگر یک سیستم رایانشی، کل ژنوم، مشخصات متابولیک، ترکیب میکروبیوم، تغذیه، میزان تحرک و ورزش، مقدار خواب و هزاران نقطه داده دیگر درمورد شما را بداند و بتواند مسیر یک بیماری خاص در بدن شما را تا سطح مولکولی بفهمد؛ آن­ وقت می­تواند تمام این اطلاعات را ادغام کرده و یک رژیم دارویی و یا رفتاری تهیه کند که مخصوص شما و برای بهینه ­سازی واکنش بدن شما طراحی شده باشد.

هیچ انسانی هرگز قادر به فشرده کردن چنین داده ­های کمرشکن و تشخیص الگوی پنهان در آن­ها نیست. هوش مصنوعی برای اولین بار چنین کاری را -حداقل در حد نظریه- ممکن کرده است.

برجسته ­ترین شرکتی که این چشم ­انداز عالی از پزشکی دقیق براساس هوش مصنوعی را دنبال می­کند، Tempus است. Tempus رقم درشت ۶۲۰ میلیون دلاری از سرمایه­ گذارانی مثل NEA و T. Rowe Price دریافت کرده است. این شرکت بر روی درمان سرطان متمرکز شده، هرچند اخیراً منابعی را به مبارزه علیه کووید ۱۹ اختصاص داده است.

دیگر شرکت­هایی از این دست که کمک­ های مالی خوبی دریافت کرده ­اند، Syapse و GNS Healthcare هستند.

پزشکی دقیق، دهه­ ها یک احتمال وسوسه ­انگیز اما تحقق ­نیافته بود. زمان به ما خواهد گفت که آیا هوش مصنوعی همان کلیدی است که می­ تواند قفل قابلیت ­های وسیع آن را بگشاید یا خیر.

Administrative work

کارهای اداری


شاید به کارگیری هوش مصنوعی برای جنبه اداری بهداشت و درمان، در مقایسه با موارد مصرف علوم بالینی یا زیستی، عجیب به نظر برسد. اما فرصت عظیمی برای ارزش ­آفرینی در این حوزه وجود دارد.

همان­طور که همه افرادی که با نظام بهداشت و درمان سروکار داشته ­اند می­دانند، این نظام گرفتار اسراف و ناکارآمدی است. هر سال، فقط در آمریکا بیش از ۶۰۰ بیلیون دلار صرف کارهای اداری و صدور صورت حساب می­شود. در سال­های پیش رو فقط با منطقی کردن و ساده ­سازی اقدامات صورت­ گرفته در حوزه بهداشت و درمان، بیلیون­ها دلار آزاد خواهد شد. در اینجا هوش مصنوعی می­تواند نقشی کلیدی ایفا کند.

Supply operations

عملیات تأمین

هر وقت که بیماری با یکی از مراقبین بهداشت و سلامت تعامل برقرار می­کند، دو جین فرآیند پشتیبانی در پس­ زمینه رخ می­دهد: تشکیل پرونده ­ی بیمار، احراز هویت، پردازش ادعاها، صدور صورت­حساب، تجویز دارو، مدیریت زنجیره ­ی تأمین، و موارد دیگر. امروزه این کارها به شکل دستی انجام شده و امکان بروز خطا در آنها وجود دارد.

تعداد قابل­ توجهی از شرکت­ها، یادگیری ماشینی را برای خودکارسازی بسیاری از این وظایف محوری به کار می­برند:

 شاید پرسروصداترین آن­ها Olive باشد که ۱۲۵ میلیون دلار از سرمایه­ گذارانی مثل General Catalyst و Khosla Ventures دریافت کرده است. Notable Health رقیب جدیدتری با همین مأموریت است. با بهره­ گیری از بات­های نرم ­افزاری و دید رایانه ­ای می­توان راهکارهای این شرکت­ها را به منزله خودکارسازی روباتیک فرآیند (RPA) در نظر گرفت که مخصوصاً برای موارد مصرف بهداشتی ساخته شده ­اند.

یکی از کاربرد­های اداری چالش ­برانگیز و مهم برای مراقبین بهداشتی، مدیریت چرخه درآمد (RCM) است. RCM به مجموعه فرآیندهایی اطلاق می­ شود که مراقبین برای ردگیری و دریافت پرداخت ­های انجام­ شده در ازای خدمت­ رسانی به بیماران به کار می­برند.

به علت ساختار پرداخت­ کننده شخص ثالث در آمریکا و هزارتوی نظام بازپرداخت این کشور، جریان­ های مالی در نظام بهداشت و درمان پیچیده شده ­اند. ذی­نفعان متعددی در این جریان دخیل اند: تأمین­ کنندگان، بیماران، بیمه­ گران خصوصی، نهادهای حاکمیتی، کارفرمایان. خطاهای دفتری و تأخیرهای هزینه ­زا، امری شایع است. برآورد می­شود که ۲۱.۳ بیلیون دلار فقط در سال ۲۰۱۷ در آمریکا صرف نت مبتنی بر قابلیت اطمینان (RCM) شده باشد.

Revenue cycle management

هوش مصنوعی از فرصت خوبی برای روشمند کردن و خودکارسازی مدیریت چرخه درآمد برخوردار است تا آن را سریع ­تر، ارزان­ تر، و دقیق­تر کند. یک شرکت نوپای خوش ­آتیه که بر RCM متمرکز شده، Alpha Health نام دارد.

چالش اداری مهم دیگر برای تأمین ­کنندگان، خدمت­ رسانی بیمارستان به بیمار و تخصیص منابع است. بیمارستان­ ها نظام پیچیده­ ای دارند، و بیماران و پزشکان دائماً در واحدهای خود حرکت می­کنند. حاشیه ­ی سود بسیار اندک بیمارستان­ ها به هماهنگی این جریان­ها به شکلی مؤثر بستگی دارد. هرچند آنها در حال حاضر اصلاً بهینه نیستند. بالغ بر ۲۵% از روزهای بستری بودن بیماران در ICU غیرضروری است؛ طبق برآوردها ۱۵% از کل تخت­ های اشغال­ شده بیماران، به خاطر مدیریت ناکارآمد پذیرش بیماران به هدر می­رود. این دقیقاً همان نوعی از مسئله بهینه­ سازی غنی از داده است که هوش مصنوعی در آن تبحر دارد.

Qventus شرکتی است که از هوش مصنوعی برای رسیدن به نتایج عملیاتی بهتر در بیمارستان­ ها بهره می­گیرد. این شرکت ادعا می­کند که فن­آوری­ اش، بیمارستان­ها را قادر ساخته تا ۳۰% روزهای اضافیِ سپری­ شده در بیمارستان­ها، ۲۰ درصد زمان انتظار بیمار در اورژانس تا ملاقات با پزشک و به طور میانگین ۰.۸ روز طول زمان اقامت در بیمارستان را کاهش دهند. این کارآمدی­ های عملیاتی، به معنای تجارب بهتر بیمار و بهبودی قابل­ توجهِ اصول نظام­ های سلامت است.

درنهایت، هوش مصنوعی می­تواند با خودکارسازی رعایت مقررات، سود فراوانی در پی داشته باشد. بهداشت و درمان به دلایل درستی، در میان همه­ ی صنایع، یکی از مقرراتی­ ترین­ هاست. پیگیری و اطمینان از پای­بندی به ملزومات قانونی و مقرراتی فراوانی که کادر درمان باید به آن­ها مقید باشند، چالش ­برانگیز و هزینه ­بر است.

دو مسئله مهم، حفظ حریم خصوصی بیمار و مدیریت داروهاست. در هر دو مورد، یادگیری ماشینی می­تواند نقشی کلیدی در خودکارسازی اقدامات لازم برای رعایت قانون مثل تشخیص نقض قانون و رسیدگی به آن ایفا کند – بدین­ ترتیب از بیماران محافظت کرده، هزینه ­ها را پایین می­ آورد و به پزشکان اجازه می­دهد که انرژی خود را روی مراقبت از بیماران متمرکز سازند. یکی از شرکت­هایی که در این رده قابل توجه است، Protenus نام دارد.

Data infrastructure

زیرساخت داده ­ها

یکی از چالش­های اساسی موجود بر سر راه نظام بهداشتی بهتر، داده ­های بسیار پراکنده آن است. محدودیت­های نظارتی سخت، معماری قدیمی نرم ­افزاری، و انگیزه­ های ناهماهنگ افراد ذی­نفع، همگی اشتراک­ گذاری و همکاری داده­ های ارزشمند را تضعیف می­کنند. امروزه، فراهم ساختن تصویری کامل از سلامت یک بیمار، اثربخشی یک درمان جدید یا الگوهای سلامت یک جامعه، به طرز اجتناب ­ناپذیری سخت است.

ذخایر داده در حوزه بهداشت و درمان، فقط یک بار بوروکراتیک نیستند. آن­ها جلوی پیشرفت در تحقیقات پزشکی را گرفته و مانع ارائه مراقبت­ های درست به بیماران درست در زمان درست می­شوند، که درنهایت، به بهای زندگی آن­ها تمام می­شود.

این یک چالش گسترده و چند بعدی است. تعدادی از شرکت­های بزرگ، به ابعاد مختلف این چالش پرداخته ­اند. این شرکت­ها از محصولات متنوع و راهبردهای متفاوتی برای ورود به بازار بهره می­گیرند اما در یک رویکرد جامع با هم اشتراک دارند: از بین بردن موانع داده به منظور رسیدن به پیامدهای بهداشتی بهتر.

از آنجا که یادگیری ماشینی در مجموعه داده ­های عظیم شکوفا می­شود، این راهکارها زمینه لازم برای نوآوری بی ­حد و مرز هوش مصنوعی در آینده را فراهم می­سازند. یک زیست­ بوم داده یکپارچه­ تر، امکان بروز کاربردهای جدید و بی­شمار هوش مصنوعی در مراقبت ­های بهداشتی را فراهم می­سازد که اکثر آن­ها هرگز تصور نمی­شدند.

Medical documents

مستندات پزشکی

آخرین حوزه اداری که هوش مصنوعی در آن آمادگی ارزش ­آفرینی گسترده ­ای را دارد، ثبت اسناد پزشکی است. یادداشت­ برداری از ملاقات با بیماران، بخش قابل توجهی از زندگی کاری پزشکان را به خود اختصاص می­دهد. در عصر پرونده ­های بهداشتی الکترونیک (EHRها)، این مسئله به مشکلی واقعی تبدیل شده است.

اخیراً AMA در مطالعه ­ای دریافت که یک پزشک وظیفه متوسط، روزانه ۵.۹ ساعت از وقت خود را مستقیماً صرف EHR می­کند. امروزه با وجود رایانه در هر اتاق معاینه، این نگرانی گسترده در حرفه­ پزشکی مطرح است که مبادا پزشکان حین ملاقات با بیمار آن­قدر محو صفحه کلید خود شوند که نتوانند ارتباط کاملی با او برقرار کنند.

یادگیری ماشینی می­تواند حجم زیادی از این بار را از روی دوش پزشکان برداشته و امکان وقت گذاشتن بیشتر آن­ها برای بیماران، و صرف وقت کمتر پای صفحه نمایش را فراهم سازد.

فن­آوری ­های محوریِ پردازش زبان طبیعی و تشخیص گفتار طی چند سال اخیر بهبود فاحشی داشته ­اند، هرکس که از Alexa یا Siri استفاده می­کند، این مسئله را تصدیق خواهد کرد. این فن­آوری، امکان توسعه راهکارهای صوتی را فراهم ساخته که پزشکان می­توانند به جای وارد کردن دستی EHR، به صورت شفاهی مطالب را دیکته کنند. می­توان این راهکارها را به شکلی ساخت که به طور خودکار در چارچوب­ های کاری موجود، و نرم ­افزارهای EHR مثل Epic یا Cerner ادغام شوند.

Health systems

به این شکل بازدهی به شدت بالا می­رود. Augmedix ادعا می­کند که این راهکار صوتی، روزانه ۲ تا ۳ ساعت در وقت پزشکان صرفه­ جویی می­کند. Suki، رقیب دیگری در این حوزه، می­گوید که هوش مصنوعی ­اش، یادداشت­ های ۱۰۰ درصد درستی به دست داده و پزشکان را قادر می­سازد تا ۷۶% سریع­تر یادداشت­هایشان را تکمیل کنند. در مجموع، تأثیر این فن­آوری­ ها که در کل سیستم­ های بهداشتی تکثیر شده ­اند، فوق ­العاده است.

امروزه این راهکارها هنوز برای کنترل کیفیت به حضور انسان­ها در چرخه نیاز دارند؛ فن­آوری ­های گفتاری و NLP هرچند تأثیرگذار، اما هنوز ناقص هستند. با ادامه یافتن بهبود هوش مصنوعیِ زیربنای این فن­آوری­ ها، نیاز به مداخله ­ی انسانی، کمتر و کمتر خواهد شد –و این به معنای بازدهی بیشتر و صرفه­ جویی در هزینه­ ها خواهد بود.

Health care system

نتیجه ­گیری

مراقبت بهداشتی، بخش لاینفک زندگی شخصی و خانوادگی ماست که هیچ بخش اقتصادی دیگری این­چنین نیست. از این ­رو، امروزه عدم کارایی سیستم مراقبت­ های بهداشتی بسیار نگران ­کننده شده است.

هیچ فن­آوری ­ای نمی­تواند در حکم گلوله­ ای نقره ­ای برای سیستمی به پیچیدگی نظام بهداشت و درمان مدرن باشد. البته هوش مصنوعی، بیش از هر نیروی دیگری در جهان، توانایی بازنویسی قوانین بازی را به ما می­دهد. اگر هوش مصنوعی با دقت و هوشمندانه به کار گرفته شود می ­تواند محدودیت­ ها و پیش ­فرض­ هایی که مدت­هاست درمورد نحوه کار سیستم بهداشت و درمان پذیرفته شده­اند، زیر و رو کرده و بازتعریفی از رابطه میان هزینه، دسترسی و کیفیت ارائه دهد، همان رابطه ­ای که امروزه به شدت از هم گسیخته است.

هرگز برای کارآفرین بودن در حوزه بهداشت و درمان، زمانی بهتر از این وجود نداشته است.

Healthcare

به این مطلب چه امتیازی می دهید ؟
[Total: ۳ Average: ۳.۷]
نمایش بیشتر

نوشته های مشابه

دیدگاهتان را بنویسید

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