هوش مصنوعی در سلامت ؛ تحول تدریجی اما حیاتی برای بیماران

تصور کنید وارد مطب پزشک می‌شوید و احساس ناخوشی دارید. به‌جای ورق زدن صفحات پرونده پزشکی یا انجام آزمایش‌هایی که روزها زمان می‌برد، پزشکتان در همان لحظه با کمک داده‌هایی از سوابق پزشکی، پروفایل ژنتیکی و دستگاه‌های پوشیدنی، علت بیماری را شناسایی می‌کند. این نوع تشخیص سریع و دقیق، یکی از بزرگ‌ترین وعده‌های هوش مصنوعی در سلامت است. طرفداران این فناوری بر این باورند که در دهه‌های آینده، هوش مصنوعی می‌تواند جان صدها هزار، یا حتی میلیون‌ها نفر را نجات دهد.

علاوه بر نجات جان انسان‌ها، بررسی‌های انجام‌شده نیز نشان می‌دهد که هوش مصنوعی مزایای اقتصادی چشمگیری دارد. طبق مطالعه‌ای در سال ۲۰۲۳، اگر صنعت مراقبت‌های بهداشتی به‌طور گسترده‌تری از هوش مصنوعی بهره‌برداری کند، سالانه تا ۳۶۰ میلیارد دلار صرفه‌جویی مالی ممکن خواهد بود.

در ادامه این مقاله، به بررسی ابعاد مختلف هوش مصنوعی در سلامت، مزایا، چالش‌ها و آینده‌ی آن در سیستم‌های درمانی جهان خواهیم پرداخت.

 چرا هوش مصنوعی در حوزه سلامت هنوز به نقطه اوج نرسیده است؟

با اینکه هوش مصنوعی تقریباً در همه‌جا دیده می‌شود، از گوشی‌های هوشمند گرفته تا چت‌بات‌ها و خودروهای خودران، اما تأثیر هوش مصنوعی در سلامت تا امروز نسبتاً محدود بوده است.

بر اساس نظرسنجی انجمن پزشکی آمریکا در سال ۲۰۲۴، حدود ۶۶ درصد از پزشکان آمریکایی به نوعی از ابزارهای هوش مصنوعی استفاده کرده‌اند. این رقم نسبت به ۳۸ درصد در سال ۲۰۲۳ افزایش چشمگیری داشته است. با این حال، بیشتر این استفاده‌ها در زمینه‌های اداری یا پشتیبانی‌های کم‌ریسک بوده‌اند.

همچنین، ۴۳ درصد از سازمان‌های سلامت در آمریکا در سال ۲۰۲۴ یا از هوش مصنوعی استفاده کرده‌اند یا آن را گسترش داده‌اند. با این حال، بسیاری از این پیاده‌سازی‌ها همچنان در مرحله آزمایشی هستند، به‌ویژه وقتی صحبت از تصمیم‌گیری‌های پزشکی و تشخیص بیماری‌ها می‌شود.

در ادامه این مقاله، تلاش می‌کنیم توضیح دهیم که چرا رشد هوش مصنوعی در سلامت به‌تدریج اتفاق خواهد افتاد، و چه موانع فنی و دغدغه‌های اخلاقی مانع از گسترش سریع آن در صنعت پزشکی شده‌اند.

وعده‌های هوش مصنوعی در سلامت

هوش مصنوعی در شناسایی الگوها در مجموعه‌های بزرگ داده عملکردی فوق‌العاده دارد. در پزشکی، این الگوها می‌توانند نشانه‌های اولیه بیماری‌هایی را نمایان کنند که ممکن است از دید پزشک انسانی پنهان بماند. همچنین بر اساس واکنش سایر بیماران، با علائم و پیش‌زمینه مشابه، بهترین گزینه درمانی را پیشنهاد دهند. در نهایت، این فرآیند منجر به تشخیص‌های سریع‌تر، دقیق‌تر، و مراقبت‌های شخصی‌سازی‌شده‌تر می‌شود.

علاوه بر این، هوش مصنوعی می‌تواند به بهبود بهره‌وری بیمارستان‌ها کمک کند. از تحلیل فرآیندها و پیش‌بینی نیازهای پرسنل گرفته تا زمان‌بندی بهینه جراحی‌ها برای استفاده مؤثرتر از منابعی چون اتاق عمل. با حذف یا کاهش وظایفی که ساعت‌ها زمان نیروی انسانی را می‌گیرند، هوش مصنوعی در سلامت به کادر درمان فرصت می‌دهد تا تمرکز بیشتری بر مراقبت مستقیم از بیماران داشته باشند.

با وجود همه این توانایی‌ها، هوش مصنوعی بی‌خطا نیست. اگرچه این سیستم‌ها با داده‌های واقعی بیماران آموزش دیده‌اند، اما هنگام مواجهه با شرایط نادر یا داده‌هایی که دقیقاً با وضعیت بیمار فعلی منطبق نیست، ممکن است دچار اشتباه شوند.

در نتیجه، هوش مصنوعی همیشه تشخیص دقیقی ارائه نمی‌دهد. این مشکل به نام «انحراف الگوریتمی» (algorithmic drift) شناخته می‌شود. یعنی زمانی که عملکرد هوش مصنوعی در محیط‌های کنترل‌شده خوب است، اما در شرایط واقعی دچار افت دقت می‌شود.

چالش‌های دقت و تبعیض نژادی هوش مصنوعی 

موضوع نگران‌کننده دیگر، تبعیض نژادی و قومی در داده‌هاست. اگر داده‌های آموزشی هوش مصنوعی شامل تعداد کافی از بیماران از گروه‌های نژادی یا قومی خاص نباشد، ممکن است این سیستم‌ها پیشنهادهای نادرستی برای آن بیماران ارائه دهند و منجر به تشخیص‌های اشتباه شوند. شواهدی وجود دارد که نشان می‌دهد این مشکل، در مواردی واقعاً رخ داده است.

پیچیدگی‌ها و چالش‌های شفافیت در هوش مصنوعی در سلامت

سیستم‌های درمانی، به‌طور ذاتی بسیار پیچیده و چندلایه هستند. در چنین شرایطی، ادغام هوش مصنوعی  با فرآیندهای موجود، کاری دشوار و زمان‌بر است. معرفی فناوری‌های جدید مانند هوش مصنوعی می‌تواند روال روزمره را مختل کرده و نیاز به آموزش‌های اضافه برای کارکنان ایجاد کند. بسیاری از بیمارستان‌ها، درمانگاه‌ها و مطب‌ها نه زمان کافی برای اجرای چنین تغییراتی دارند، نه نیروی انسانی یا منابع مالی لازم، و نه تمایل کافی برای پذیرش فناوری‌های جدید.

از سوی دیگر، بسیاری از سیستم‌های پیشرفته هوش مصنوعی در سلامت مانند جعبه‌های سیاه (black box) عمل می‌کنند. این سیستم‌ها پیشنهادهایی ارائه می‌دهند که حتی توسعه‌دهندگانشان گاهی نمی‌توانند به‌طور کامل توضیح دهند چگونه به آن نتایج رسیده‌اند. این عدم شفافیت با دنیای پزشکی که نیازمند تصمیمات مستدل و قابل دفاع است، در تضاد قرار دارد.

با این حال، توسعه‌دهندگان اغلب از افشای الگوریتم‌های اختصاصی یا منابع داده خودداری می‌کنند. هم برای محافظت از مالکیت فکری، و هم به دلیل پیچیدگی بالای سیستم‌ها که توضیح آن برای دیگران دشوار است. این نبود شفافیت باعث تردید پزشکان، تأخیر در تأییدهای قانونی و کاهش اعتماد به نتایج هوش مصنوعی در حوزه سلامت می‌شود. بسیاری از کارشناسان معتقدند شفافیت نه تنها یک اصل اخلاقی، بلکه یک الزام عملی برای پذیرش هوش مصنوعی در حوزه سلامت است.

نگرانی‌های حریم خصوصی و مدیریت داده‌ها در هوش مصنوعی در سلامت

یکی دیگر از چالش‌های مهم، نگرانی‌های مربوط به حریم خصوصی بیماران است. سیستم‌های هوش مصنوعی برای آموزش و پیش‌بینی نیاز به حجم زیادی از داده‌های پزشکی دارند. در صورت عدم مدیریت مناسب، این داده‌ها ممکن است در معرض خطر افشای اطلاعات حساس قرار گیرند؛ چه از طریق حملات سایبری و چه استفاده‌های ناخواسته از سوابق بیماران.

برای مثال، اگر یک پزشک از دستیار هوش مصنوعی مبتنی بر فضای ابری برای نوشتن یادداشت استفاده کند، باید اطمینان حاصل کند که هیچ شخص غیرمجاز به داده‌های بیمار دسترسی نخواهد داشت. در آمریکا، قوانینی مانند HIPAA الزاماتی سخت‌گیرانه درباره اشتراک‌گذاری داده‌های سلامت وضع کرده‌اند. به همین دلیل، توسعه‌دهندگان هوش مصنوعی در سلامت باید از سازوکارهای امنیتی بسیار قوی استفاده کنند.

این نگرانی‌های مربوط به حریم خصوصی، بر اعتماد بیماران نیز اثر می‌گذارد. اگر بیماران احساس کنند داده‌های پزشکی‌شان ممکن است مورد سوءاستفاده الگوریتم‌ها قرار گیرد، ممکن است از دادن اطلاعات دقیق خودداری کنند یا حتی از دریافت خدمات مبتنی بر هوش مصنوعی سر باز زنند.

انتظارات غیرواقع‌بینانه و روند پیچیده توسعه هوش مصنوعی در سلامت

از سوی دیگر، تبلیغات اغراق‌آمیز درباره هوش مصنوعی در سلامت خود یک مانع جدی است. انتظارات بسیار بالاست. هوش مصنوعی اغلب به‌عنوان ابزاری جادویی معرفی می‌شود که می‌تواند هر بیماری را تشخیص دهد و یک‌شبه دنیای درمان را متحول کند. چنین فرضیات غیرواقع‌بینانه‌ای در نهایت به ناامیدی ختم می‌شود. در واقع، ممکن است هوش مصنوعی در سلامت نتواند بلافاصله به تمام وعده‌های خود عمل کند.

در نهایت، توسعه یک سیستم هوش مصنوعی که عملکردی دقیق و ایمن داشته باشد، نیازمند آزمایش‌ها و اصلاحات مکرر است. این روند ممکن است سال‌ها طول بکشد و حتی پس از تأیید نهایی نیز نیاز به تنظیمات بیشتر وجود داشته باشد، به‌ویژه زمانی که سیستم با داده‌های جدید و شرایط واقعی روبه‌رو می‌شود.

مسیر تدریجی هوش مصنوعی در سلامت ؛ آینده‌ای که آرام ولی مطمئن پیش می‌رود

امروزه، بیمارستان‌ها به‌سرعت در حال استفاده از دستیارهای هوش مصنوعی هستند که در حین ویزیت بیماران به صحبت‌ها گوش می‌دهند و به‌صورت خودکار یادداشت‌های بالینی تهیه می‌کنند. این ابزارها حجم بالای کارهای کاغذی را کاهش داده و به پزشکان این امکان را می‌دهند تا زمان بیشتری را صرف ارتباط مستقیم با بیماران کنند. بررسی‌ها نشان می‌دهد که بیش از ۲۰ درصد از پزشکان در حال حاضر از هوش مصنوعی برای نگارش یادداشت‌های پیشرفت درمان یا خلاصه ترخیص استفاده می‌کنند.

هوش مصنوعی همچنین به نیرویی بی‌صدا اما مؤثر در امور اداری تبدیل شده است. بسیاری از بیمارستان‌ها از چت‌بات‌های هوش مصنوعی برای برنامه‌ریزی نوبت‌ها، پاسخ‌گویی اولیه به سوالات رایج بیماران و حتی ترجمه زنده زبان‌ها بهره می‌برند.

با وجود این پیشرفت‌ها، کاربردهای بالینی هوش مصنوعی در سلامت همچنان محدودتر هستند. در برخی بیمارستان‌ها، هوش مصنوعی به‌عنوان “چشم دوم” به رادیولوژیست‌ها کمک می‌کند تا علائم اولیه بیماری را در تصاویر تشخیصی تشخیص دهند. اما هنوز بسیاری از پزشکان تمایلی ندارند که تصمیم‌گیری‌های بالینی را به سیستم‌های ماشینی بسپارند؛ به‌طوری که در حال حاضر تنها حدود ۱۲ درصد از پزشکان به‌طور جدی از هوش مصنوعی  برای تشخیص پزشکی کمک می‌گیرند.

سخن پایانی

هوش مصنوعی در حوزه سلامت، با تمام چالش‌ها و محدودیت‌های فعلی، یک انقلاب تدریجی اما حتمی در حوزه پزشکی و مراقبت‌های بهداشتی به شمار می‌آید. از تشخیص‌های سریع‌تر و دقیق‌تر گرفته تا بهبود مدیریت بیمارستان‌ها و کاهش هزینه‌های گزاف درمان، این فناوری ظرفیت شگفت‌انگیزی برای نجات جان میلیون‌ها نفر و صرفه‌جویی میلیاردها دلار دارد.

با این حال، مسیر پیش‌رو نیازمند شفافیت بیشتر، رفع تبعیض‌های نژادی و قومی، حفظ حریم خصوصی بیماران، و آموزش گسترده‌تر کادر درمان است. همچنین، باید انتظارات واقع‌بینانه‌ای نسبت به این فناوری داشت و پذیرفت که پیشرفت‌های بزرگ زمان‌بر بوده و نیازمند آزمون و خطا و به‌روزرسانی‌های مستمر هستند.

به‌طور خلاصه، گذار دنیای درمان به سمت هوش مصنوعی در سلامت تدریجی خواهد بود. فناوری‌های نوظهور نیاز به زمان دارند تا به بلوغ برسند، و نیازهای فوری و روزمره‌ی سیستم درمانی همچنان بر منافع بلندمدت غلبه دارد. با این حال، پتانسیل عظیم هوش مصنوعی در سلامت برای درمان میلیون‌ها انسان و صرفه‌جویی هزاران میلیارد دلاری، همچنان در انتظار تحقق است.