مراقبت های بهداشتی در ایالات متحده در مراحل اولیه یک اختلال بالقوه قابل توجه به دلیل استفاده از یادگیری ماشین و هوش مصنوعی است. این تغییر بیش از یک دهه است که در حال انجام است، اما با پیشرفت های اخیر، به نظر می رسد برای تغییرات سریعتر آماده است. کارهای زیادی باقی مانده است که باید انجام شود تا امن ترین و مؤثرترین کاربردهای هوش مصنوعی در مراقبت های بهداشتی، ایجاد اعتماد در میان پزشکان در استفاده از هوش مصنوعی، و تنظیم سیستم آموزش بالینی ما برای استفاده بهتر از سیستم های مبتنی بر هوش مصنوعی انجام شود.
کاربردهای هوش مصنوعی در بهداشت و درمان
هوش مصنوعی برای دهه‌ها در مراقبت‌های بهداشتی در حال تکامل بوده است، هم در عملکردهای رو به بیمار و هم در دفتر کار. برخی از اولین و گسترده ترین کارها در استفاده از یادگیری عمیق و مدل های بینایی کامپیوتری رخ داده است.
اول، برخی از اصطلاحات. رویکردهای آماری سنتی در تحقیقات – به عنوان مثال مطالعات مشاهده‌ای و کارآزمایی‌های بالینی – از رویکردهای مدل‌سازی متمرکز بر جمعیت استفاده می‌کنند که بر مدل‌های رگرسیون متکی هستند، که در آن از متغیرهای مستقل برای پیش‌بینی نتایج استفاده می‌شود. در این رویکردها، در حالی که داده های بیشتر بهتر است، یک اثر فلات وجود دارد که در آن بالاتر از یک اندازه مجموعه داده مشخص، استنتاج بهتری از داده ها نمی توان به دست آورد.
هوش مصنوعی رویکرد جدیدی برای پیش‌بینی به ارمغان می‌آورد. ساختاری به نام پرسپترون داده‌هایی را پردازش می‌کند که در یک ردیف به جلو منتقل می‌شوند و به عنوان شبکه‌ای از لایه‌های معادلات دیفرانسیل برای اصلاح داده‌های ورودی و تولید خروجی ایجاد می‌شوند. در طول آموزش، هر ردیف از داده‌ها در حین عبور از شبکه – به نام شبکه عصبی – معادلات هر لایه شبکه را طوری تغییر می‌دهند که خروجی پیش‌بینی‌شده با خروجی واقعی مطابقت داشته باشد. همانطور که داده ها در یک مجموعه آموزشی پردازش می شوند، شبکه عصبی یاد می گیرد که چگونه نتیجه را پیش بینی کند.
چندین نوع شبکه وجود دارد. شبکه های عصبی کانولوشنالیا سی ان ان، جزو اولین مدل هایی بودند که در آنها موفقیت یافتند برنامه های کاربردی مراقبت های بهداشتی. CNN ها در یادگیری از تصاویر در فرآیندی به نام بینایی کامپیوتری بسیار خوب هستند و کاربردهایی پیدا کرده اند که داده های تصویر برجسته هستند: رادیولوژی، معاینه شبکیه، و تصاویر پوست.
یک نوع شبکه عصبی جدیدتر به نام معماری ترانسفورماتور به دلیل موفقیت باورنکردنی آن برای متن و ترکیبی از متن و تصاویر (که داده های چندوجهی نیز نامیده می شود) به یک رویکرد غالب تبدیل شده است. شبکه‌های عصبی ترانسفورماتور زمانی استثنایی هستند که مجموعه‌ای از متن برای پیش‌بینی متن بعدی به آنها داده شود. یکی از کاربردهای معماری ترانسفورماتور، مدل زبان بزرگ یا LLM است. چندین نمونه تجاری از LLMها عبارتند از Chat GPT، Anthropics Claude و Metas Llama 3.
آنچه که در مورد شبکه های عصبی مشاهده شده است، به طور کلی، این است که به سختی می توان پلاتی برای بهبود یادگیری پیدا کرد. به عبارت دیگر، با توجه به داده های بیشتر و بیشتر، شبکه های عصبی به یادگیری و بهبود ادامه می دهند. محدودیت های اصلی در مورد توانایی آنها مجموعه داده های بزرگتر و بزرگتر و قدرت محاسباتی برای آموزش مدل ها است. در مراقبت های بهداشتی، ایجاد مجموعه داده های محافظت از حریم خصوصی که به طور صادقانه مراقبت بالینی واقعی را نشان می دهد، یک اولویت کلیدی برای پیشبرد توسعه مدل است.
LLM ها ممکن است نشان دهنده یک تغییر پارادایم در کاربرد باشد هوش مصنوعی برای مراقبت های بهداشتی. به دلیل امکاناتی که در زبان و متن دارند، با سوابق الکترونیکی که تقریباً همه داده‌ها در آنها متن هستند، همخوانی خوبی دارند. آنها همچنین به داده های بسیار حاشیه نویسی برای آموزش نیاز ندارند اما می توانند از مجموعه داده های موجود استفاده کنند. دو عیب اصلی این مدل‌ها این است که 1) آنها مدل جهانی یا درک درستی از داده‌های مورد تجزیه و تحلیل ندارند (آنها را تکمیل خودکار فانتزی نامیده‌اند) و 2) آنها می‌توانند توهم ایجاد کنند یا مخدوش کنند، متنی بسازند یا تصاویری که دقیق به نظر می رسند اما اطلاعات ارائه شده به عنوان واقعیت را ایجاد می کنند.
موارد استفاده در حال بررسی برای هوش مصنوعی شامل اتوماسیون و تقویت برای خواندن تصاویر رادیولوژی، تصاویر شبکیه و سایر داده های تصویری است. کاهش تلاش و بهبود دقت مستندات بالینی، منبع اصلی فرسودگی شغلی پزشکان؛ ارتباط بهتر، همدلانه تر و صبورانه. و بهبود کارایی عملکردهای پشتیبان مانند چرخه درآمد، عملیات و صورتحساب.
نمونه های دنیای واقعی
هوش مصنوعی به طور کلی در مراقبت های بالینی معرفی شده است. به طور معمول، استفاده موفقیت‌آمیز از هوش مصنوعی به دنبال کارآزمایی‌های عملکردی بررسی‌شده انجام می‌شود که موفقیت و در برخی موارد تأیید FDA برای استفاده را نشان داده است.
در میان اولین موارد استفاده که در آن هوش مصنوعی عملکرد خوبی دارد، تشخیص بیماری توسط هوش مصنوعی در تصاویر معاینه شبکیه و رادیولوژی است. برای معاینه شبکیه، ادبیات منتشر شده در مورد عملکرد این مدل‌ها با استفاده از فوندوسکوپی خودکار برای تشخیص بیماری شبکیه در محیط‌های سرپایی دنبال شده است. مطالعات تقسیم‌بندی تصویر، با موفقیت‌های فراوان منتشر شده، منجر به راه‌حل‌های نرم‌افزاری متعددی شده است که پشتیبانی تصمیم‌گیری را برای رادیولوژیست‌ها، کاهش خطاها و تشخیص ناهنجاری ها برای کارآمدتر کردن گردش کار رادیولوژیست.
مدل های جدیدتر زبان بزرگ برای کمک به گردش کار بالینی در حال بررسی هستند. صدای محیط برای افزایش استفاده از پرونده الکترونیک سلامت (EHR) استفاده می شود. در حال حاضر، نویسندگان هوش مصنوعی برای کمک به اسناد پزشکی در حال اجرا هستند. این به پزشکان اجازه می دهد تا روی بیماران تمرکز کنند در حالی که هوش مصنوعی از فرآیند مستندسازی مراقبت می کند و کارایی و دقت را بهبود می بخشد.
علاوه بر این، بیمارستان‌ها و سیستم‌های بهداشتی می‌توانند از قابلیت‌های مدل‌سازی پیش‌بینی‌کننده هوش مصنوعی برای طبقه‌بندی ریسک بیماران، شناسایی بیمارانی که در معرض خطر بالا یا در حال افزایش هستند و تعیین بهترین اقدام استفاده کنند. در واقع، قابلیت‌های تشخیص خوشه‌ای هوش مصنوعی به طور فزاینده‌ای در تحقیقات و مراقبت‌های بالینی برای شناسایی بیماران با ویژگی‌های مشابه و تعیین دوره معمول اقدامات بالینی برای آنها استفاده می‌شود. این نیز می تواند فعال شود آزمایشات بالینی مجازی یا شبیه سازی شده برای تعیین موثرترین دوره های درمانی و اندازه گیری اثربخشی آنها.
یک مورد استفاده در آینده ممکن است استفاده از مدل‌های زبان مبتنی بر هوش مصنوعی در ارتباط پزشک و بیمار باشد. این مدل‌ها پاسخ‌های معتبری برای بیمارانی دارند که مکالمات همدلانه را شبیه‌سازی می‌کنند و مدیریت تعاملات دشوار را آسان‌تر می‌کنند. این کاربرد هوش مصنوعی می‌تواند مراقبت از بیمار را با ارائه تریاژ سریعتر و کارآمدتر پیام‌های بیمار بر اساس شدت وضعیت و پیام آنها، بهبود بخشد.
چالش ها و ملاحظات اخلاقی
یکی از چالش‌های پیاده‌سازی هوش مصنوعی در مراقبت‌های بهداشتی، تضمین انطباق با مقررات، ایمنی بیمار و کارایی بالینی هنگام استفاده از ابزارهای هوش مصنوعی است. در حالی که آزمایش‌های بالینی استاندارد برای درمان‌های جدید هستند، بحث در مورد اینکه آیا ابزارهای هوش مصنوعی باید از همین رویکرد پیروی کنند یا خیر وجود دارد. نگرانی دیگر خطر نقض داده ها و به خطر افتادن حریم خصوصی بیمار است. مدل‌های زبان بزرگی که بر روی داده‌های محافظت‌شده آموزش دیده‌اند، می‌توانند به طور بالقوه داده‌های منبع را افشا کنند، که تهدیدی مهم برای حریم خصوصی بیمار است. سازمان های مراقبت های بهداشتی برای حفظ اعتماد و محرمانه بودن باید راه هایی برای محافظت از داده های بیمار و جلوگیری از نقض آن بیابند. سوگیری در داده های آموزشی نیز چالشی حیاتی است که باید به آن پرداخته شود. برای اجتناب از مدل‌های سوگیری، باید روش‌های بهتری برای جلوگیری از سوگیری در داده‌های آموزشی معرفی شود. توسعه رویکردهای آموزشی و آکادمیک که آموزش الگوی بهتری را امکان‌پذیر می‌سازد و عدالت را در همه جنبه‌های مراقبت‌های بهداشتی به کار می‌گیرد، برای جلوگیری از سوگیری بسیار مهم است.
استفاده از هوش مصنوعی تعدادی نگرانی و مرزهای جدید را برای نوآوری باز کرده است. مطالعه بیشتر در مورد جایی که ممکن است مزایای بالینی واقعی در استفاده از هوش مصنوعی یافت شود، مورد نیاز است. برای رسیدگی به این چالش‌ها و نگرانی‌های اخلاقی، سازمان‌های ارائه‌دهنده مراقبت‌های بهداشتی و شرکت‌های نرم‌افزاری باید روی توسعه مجموعه‌های داده‌ای تمرکز کنند که به‌طور دقیق داده‌های مراقبت‌های بهداشتی را مدل‌سازی می‌کنند و در عین حال ناشناس بودن و حفظ حریم خصوصی را تضمین می‌کنند. علاوه بر این، مشارکت بین ارائه‌دهندگان مراقبت‌های بهداشتی، سیستم‌ها و شرکت‌های فناوری/نرم‌افزار باید ایجاد شود تا ابزارهای هوش مصنوعی به شیوه‌ای ایمن و متفکرانه عملی شود. با پرداختن به این چالش‌ها، سازمان‌های مراقبت‌های بهداشتی می‌توانند از پتانسیل هوش مصنوعی بهره ببرند و در عین حال از ایمنی، حریم خصوصی و انصاف بیمار حمایت کنند.
