هوش مصنوعی در آزمایشگاه ‌های بالینی چه کاربردی دارد؟

امروزه استانداردسازی گزارش‌های الکترونیکی یک تکامل بزرگ برای حفظ اکوسیستم محسوب می‌شود. از همین رو در سراسر جهان،  استفاده از هوش مصنوعی (AI) بسیار مورد توجه قرار گرفته است. آزمایشگاه‌های بالینی نیز از این قاعده مستثنی نیستند. با این وجود، استفاده از هوش مصنوعی در آزمایشگاه ‌های بالینی ممکن است چالش برانگیز باشد.

برای پیاده سازی هوش مصنوعی و تبدیل شدن به بخشی از یک شبکه مراقبت بهداشتی متصل جهانی، جامعه آزمایشگاهی، به آموزش‌هایی در سطوح مختلف نیاز دارد.

در ادامه‌ی این مطلب قصد داریم به بررسی موضوع استفاده از هوش مصنوعی در آزمایشگا‌ه های بالینی بپردازیم. احتمالا با پیشرفت روزافزون تکنولوژی، شما هم به این زمینه علاقه‌مند هستید. پس در ادامه با ما همراه باشید.

ظهور ماشین‌ها هوش مصنوعی در آزمایشگاه ‌های بالینی

امروزه هوش مصنوعی (AI) به سرعت در حال توسعه و پیاده سازی در سیستم‌های مراقبت‌های بهداشتی است. به طوریکه پیش‌بینی می‌شود در آینده‌ای نه چندان دور،  هوش مصنوعی به بخشی ضروری از این سیستم‌ها تبدیل شود. اما هوش مصنوعی چیست؟

هوش مصنوعی به طور کلی به عنوان رایانه‌هایی تعریف می‌شود که از تفکر انسان تقلید می‌کنند.

هوش مصنوعی را می‌توان به ۳ دسته‌ی کلی تقسیم کرد:

• هوش عمومی مصنوعی (rtificial General Intelligence)
• هوش مصنوعی محدود (Artificial Narrow Intelligence)
• ابرهوش مصنوعی (Artificial Superintelligence)

هوش عمومی مصنوعی (AGI) به معنی تقلید کامل رایانه از استدلال، یادگیری و تصمیم گیری انسان است.

ابرهوش مصنوعی (ASI) یک ورژن پیشرفته‌تر از  AGI است. در این ورژن، رایانه‌ها می‌توانند استدلال و فکر کنند و سرعت و پیچیدگی بیشتری نسبت به انسان‌ها دارند. ASI پایه و اساس بسیاری از رمان‌های علمی-تخیلی است.

هوش مصنوعی باریک (ANI) به حل مسائل هدفمند خاص اشاره دارد.  در ANI پیشرفت قابل توجهی در جذب و استفاده از برنامه‌های کاربردی عملی صورت گرفته است.

کاربرد هوش مصنوعی در آزمایشگاه های بالینی

شاید برایتان سوال باشد که هوش مصنوعی در پزشکی آزمایشگاهی چگونه مورد استفاده قرار می‌گیرد.

هوش مصنوعی در آزمایشگاه های بالینی می‌تواند برای تصمیم‌گیری عملیاتی و خودکارسازی گردش‌های کاری مبتنی بر انسان استفاده شود. از مهم‌ترین کاربردهای هوش مصنوعی در آزمایشگاه می‌توان به موارد زیر اشاره نمود:

• انجام برخی تست (اتوماسیون)
• بررسی خودکار نتایج
• تفسیر تست
• آزمایش ژنوميک
• تجزیه و تحلیل تصویر میکروسکوپی

هوش مصنوعی: روندی جدید در حوزه مراقبت‌های بهداشتی

یکی از مهم‌ترین موارد حین انجام یک آزمایش، تکرارپذیری نتایج یا ارائه‌‌ی داده‌های به هم پیوسته (interconnected data) است. به این معنی که یک آزمایش در آزمایشگاه‌های نقاط مختلف جهان، نتایج تقریبا مشابهی داشته باشد.

از طرف دیگر، نتایج آزمایشگاهی، اهمیت بسیار بالایی در تصمیمات بالینی دارد. به گونه‌ای که ممکن است جان بیمار در گرو نتایج باشد. به همین دلیل دقت انجام آزمایش‌های بالینی بسیار مهم است.

هوش مصنوعی در آزمایشگاه ‌های بالینی می‌تواند به بهبود این دو فاکتور مهم کمک کند.

استفاده از هوش مصنوعی نه تنها تشخیص دقیق‌تری ارائه می‌دهد، بلکه گردش کار آزمایشگاه را نیز بهبود داده و سبب افزایش راندمان می‌گردد. در بسیاری از موارد، هوش مصنوعی به جای استفاده از الگوریتم‌ های پیچیده ، صرفاً اطلاعات مناسب را در زمان مناسب در اختیار آزمایشگاه و پزشک قرار می‌دهد. به این ترتیب می‌توان فرایند مراقبت از بیمار را به کمک هوش مصنوعی به مراتب بهتر نمود.

مصاحبه اخیری که با مسئولین آزمایشگاه‌ها انجام شده است نشان می‌دهد که در حال حاضر ۱۵/۶ درصد از سازمان‌ها در آزمایشگاه‌های خود از هوش مصنوعی استفاده می‌کنند. ۶۶/۴ درصد افراد نیز بر این باورند که ممکن است در آینده از هوش مصنوعی استفاده نمایند.

اما مشکل اصلی آزمایشگاه ها این است که نمی‌دانند برای استفاده از هوش مصنوعی در فضای تشخیصی، دقیقا به چه نوع زیرساخت‌هایی نیاز دارند.  

پیاده سازی هوش مصنوعی در آزمایشگاه‌ های بالینی نیاز به یک زیرساخت بهم پیوسته با داده‌های دقیق دارد که هرکسی به راحتی بتواند از آن استفاده کند. توانایی به اشتراک گذاری الکترونیکی داده‌ها بین دو یا چند سازمان نیز بسیار حائز اهمیت است.

در ادامه نکاتی کاربردی در مورد چگونگی ایجاد تغییرات فنی، محتوایی و سازمانی لازم برای استفاده از هوش مصنوعی در آزمایشگاه ‎های بالینی را مورد بررسی قرار خواهیم داد.

استفاده از هوش مصنوعی در آزمایشگاه‌ های بالینی به چه چیزی نیاز دارد؟

۱. استانداردسازی اصطلاحات در سطح بین المللی و امکان تبادل اطلاعات بدون ابهام

حتی در داخل یک کشور، تست‌های آزمایشگاهی معمولاً نام‌های متفاوتی دارند. به عنوان مثال ویتامین دی با نام‌های زیر نیز شناخته می‌شود:

• ۲۵-OH-vitamin D
• Vitamin D3
• calciol
• ۲۵-hydroxycholecalciferol
• Calcidiol
• cholecalciferol

همچنین این ویتامین، معمولا در دو واحد مختلف، ug/L و mmol/L گزارش می‌شود.

برای استفاده از قدرت هوش مصنوعی، آزمایشگاه‌ها باید اصطلاحات استاندارد بین‌المللی را استفاده نمایند. این امر هرگونه سردرگمی در مورد نام آنالیت‌های مورد آزمایش را از بین می‌برد و رایانه‌ها را قادر می‌سازد تا به راحتی داده‌ها را شناسایی، پردازش و مبادله کنند.

۲. قابلیت ردیابی نتایج برای مقایسه

همانطور که گفته شد، تکرارپذیری یک آزمایش از اهمیت بسیار بالایی برخوردار است.

در آزمایشگاه‌‌های بالینی، عوامل مختلفی می‌توانند بر تکرارپذیری داده تاثیر بگذراند. به عنوان مثال، روش انجام آزمایش منبعی از عدم قطعیت محسوب می‌شود. این امر می‌تواند بر ایمنی بیمار و نتایج بالینی تأثیر بگذارد.

منظور از قابلیت ردیابی، در اصل استانداردسازی یک روش و کاهش تنوع است.

واژگان بین المللی مترولوژی، قابلیت ردیابی (Traceability) را به عنوان یک استاندارد تعریف می‌کند که به موجب آن می‌توان از طریق یک زنجیره ناگسستنی از استانداردهای ملی یا بین المللی، به نتیجه‌ی تقریبا یکسان دست پیدا کرد.  

ISO 15189  استانداردی است که روش دست‌یابی به قابلیت ردیابی نتایج در آزمایشگاه را توضیح می‌دهد.

به همین دلیل برای استفاده از هوش مصنوعی در آزمایشگاه ‌های بالینی لازم است تا آزمایشگاه از استانداردهای قابلیت ردیابی داده‌ها پیروی نماید.

۳.  نظرات تفسیری به عنوان بخش مهمی از گزارش‌های آزمایشگاهی الکترونیکی

در ارائه نتایج آزمایشگاهی، تنها نتیجه نهایی مهم نیست. بلکه گزارشات تفسیری نیز بخش مهمی از گزارش یک آزمایش را تشکیل می‌دهند. به عنوان مثال نمونه کمتر میزان ایده‌آل یا درمان‌های بالینی می‌توانند بر نتایج آزمایش تاثیر بگذارند. این موارد حتما باید در تفسیر آزمایش‌ها ذکر شوند. این نظرات برای تفسیر صحیح نتایج آزمایشگاهی، چه توسط متخصصان بالینی یا هوش مصنوعی، بسیار مهم است و باید در گزارش الکترونیکی ادغام شود.

با این وجود، هیچ استانداردی برای ذخیره و انتقال این اطلاعات ایجاد نشده است.

با ایجاد یک زیرساخت به هم پیوسته می‌توان اطلاعات بیمار، از جمله سوابق الکترونیکی، تصویربرداری پزشکی و نتایج آزمایشات را در یک پایگاه داده ثبت نمود. به این ترتیب نظارت بر سلامت بیمار نه تنها برای پزشک و کارکنان آزمایشگاه آسان‌تر می‌شود، بلکه از طریق هوش مصنوعی نیز بسیار راحت‌تر صورت می‌گیرد.

۴. امکان فیلتر کردن اطلاعات

یکی از نکات مهم در پیاده سازی هوش مصنوعی در آزمایشگاه ‌های بالینی ، توجه به میزان اطلاعات است. در سیستم یک آزمایشگاه ممکن است تعداد بسیار بالایی از گزارشات آزمایشگاهی برای یک بیمار ثبت شده باشد. اما برای بررسی یک بیماری خاص مانند آسیب کلیوی، ممکن است فقط لازم باشد میزان کراتینین در آزمایشات بررسی شود.

به همین دلیل در حالت ایده‌آل، یک گزارش الکترونیکی باید قابلیت فیلتر کردن داشته باشد. یعنی قادر باشد نتایج را در پیام‌های کوچکتر و استراتژیک‌تر سازماندهی کند.

۵. توجه به  تمام ذینفعان حین استفاده از هوش مصنوعی در آزمایشگاه‌ های بالینی

درگیر کردن ذینفعان و کارشناسان مختلف برای همکاری موفق در حوزه‌ی مراقبت های سلامتی ضروری است. ذی نفعان یک آزمایش، شامل آزمایشگاه، پزشک و بیمار می‌شوند. بنابراین آزمایشگاه‌ها باید ارتباط نزدیک خود را با پزشک معالج و بیمار حفظ کنند.

برای ارائه نظرات تفسیری با کیفیت بالا، آزمایشگاه ها نیاز به حفظ و توسعه تخصص لازم و بهبود مهارت‌های مرتبط با فناوری اطلاعات برای استخراج و پردازش داده‌های بالینی دارند. با اشتراک‌گذاری سریع و آسان داده‌ها، پزشکان و برنامه‌های هوش مصنوعی می‌توانند با چالش ترافیک انبوه داده‌ها به راحتی مواجه شوند. به این ترتیب خطر سوءتعبیر نتایج آزمایشگاهی کاهش خواهد یافت.

به همین دلیل حین پیاده‌سازی هوش مصنوعی در آزمایشگاه ‌های بالینی حتما باید به چنین موردی توجه شود.

سخن پایانی

همانطور که در قسمت مقدمه نیز گفته شد، امروزه با توجه به پشرفت تکونولوژی، بسیاری از آزمایشگاه‌ها نیز به هوش مصنوعی علاقه مند شده‌اند. هوش مصنوعی، علاوه بر بهبود مراقبت از بیمار، می‌تواند فرآیند نظارت بر سلامت عمومی را افزایش داده و پیشرفت علمی را نیز تسریع بخشد.

پیاده سازی چنین سیستمی ممکن است ساده به نظر برسد و در وهله اول تنها به یک پشتیبانی سخت افزاری و نرم افزاری نیاز داشته باشد. اما استفاده از هوش مصنوعی در آزمایشگاه های بالینی پیچیده‌تر از چیزی است که تصور می‌شود.

داده‌های طبقه‌بندی نشده، غیر استاندارد و ناقص از مهم‌ترین مشکلات پیاده سازی چنین سیستمی در یک آزمایشگاه هستند. غلبه بر این چالش‌ها مستلزم ایجاد پیش نیازهایی برای تبادل، ترکیب و تجزیه و تحلیل داده‌ها در قالب‌های قابل درک توسط کامپیوتر است.

آیا شما نیز علاقه‌مند هستید آزمایشات خود را از طریق هوش مصنوعی تفسیر کنید؟ آیا تا به حال قدمی برای دست‌یابی به این سیستم در آزمایشگاه خود برداشته‌اید؟

خوشحال می‌شویم نظرات و تجربیات خود را در این زمینه با ما و دیگر خوانندگان، به صورت دیدگاه به اشتراک بگذارید.