وقتی همه پزشک می‌شوند؛

صنعت درمان و بهداشت روی سرپنجه هوش مصنوعی/ با تلفن همراه، سلامتی خود را کنترل کنید

با ورود هوش مصنوعی به عرصه‌های مختلف زندگی ازجمله پزشکی، محققان به این نتیجه رسیده‌اند که در چند سال آینده، تشخیص و درمان بسیاری از بیماری‌ها تحت تاثیر هوش مصنوعی به راحتی انجام خواهد گرفت.

به گزارش خبرگزاری علم و فناوری؛ اصطلاح هوش مصنوعی اول بار در سال 1956 توسط جان مک کارتی از دانشگاه استانفورد آمریکا بکار برده شد. این رشته جدید می‌خواهد بر محدودیت‌های موجود در برخی زمینه‌ها فائق آید و عملکرد کامپیوترها را بهبود بخشد و گسترش دهد. هدف این رشته نه تقلید هوش انسانی بلکه رقابت با آن است، زیرا مبنایی برای رد کردن این امکان وجود ندارد که برخی تجلیات هوش انسانی مثلا حل کردن مسائل، می‌تواند از طریق اتخاذ رویکردهایی روش شناختی که الزاما انسان‌وار نیز نیستند، حاصل شود.

حال در عمل، نتایج پژوهش هوش مصنوعی بخشی از زندگی روزمره ما شده است. سیستم‌های هوش مصنوعی به عنوان مشاور و متخصص در زمینه‌هایی نظیر تحلیل واژگان، نشانه شناسی پزشکی و مهندسی ژنتیک کار می‌کنند. به همین منظور هر دو سال یکبار متخصصان این رشته به منظور تبادل اطلاعات در "کنفرانس مشترک بین‌المللی هوش مصنوعی" که معمولا در یکی از مراکز مهم جهان برگزار می‌شود، شرکت می‌کنند. اولین کنفرانس در این زمینه در سال 1969 در واشنگتن دی سی تشکیل شد و از آن زمان به بعد کنفرانس‌هایی در لندن، استانفورد، تفلیس، کمبریج، توکیو و دیگر شهرها برگزار شده است.

در ابتداي ظهور هوش مصنوعي، پزشكي يكي از اولين حوزه‌هايي بود كه استفاده از سيستم‌هاي هوشمند در آن مطرح شد از سال 1970تا به امروز دانشمندان و پزشكان بسياري تلاش كرده‌اند تا از پيشرفت‌هاي علوم كامپيوتر براي ايجاد سيستم‌هاي خبره و هوش مصنوعي در امر تشخيص بيماري و تصميم‌گيري پزشكي بهره ببرند. با استناد به پژوهش الهه سروش و علیرضا منجمی که در اواخر سال 1396 انجام شد، می‌توان گفت سيستم‌هاي خبره(Expert System) برنامه‌هايي كامپيوتري هستند كه قضاوت و رفتار يك متخصص را شبيه‌سازي مي‌نمايند. جهتگيري تلاش‌ها براي توسعه هوش مصنوعي و سيستم خبره در حوزه پزشكي به اين سمت و سو بوده كه تلاش شود دانش و تجربيات باليني پزشكان خبره را به نحوي در سيستم خبره يكپارچه كرد كه فرد غير متخصص و در بعضي موارد خود بيمار بتواند با آن تعامل كند و سيستم خبره با استفاده از دانشي كه به آن دسترسي دارد، بيماري را تشخيص داده و توصيه‌هايي را ارائه نمايد.

به نقل از فوربز، شاید یکی از بزرگترین فرصت‌های هوش مصنوعی، صنعت سلامت و بهداشت باشد. پیش‌بینی می‌شود سرمایه‌گذاری و هزینه روی این حوزه تا سال ۲۰۲۵ از ۲.۱ میلیارد دلار به ۳۶.۱ میلیارد دلار برسد. این حکایت از نرخ رشد سالیانه ۵۰.۲ درصد دارد. طبق تجزیه‌وتحلیل‌های موسسه Accenture، برنامه‌های کاربردی اصلی بالینی در بخش سلامت که با هوش مصنوعی کار می‌کنند تا سال ۲۰۲۶ می‌توانند سالانه ۱۵۰ میلیارد دلار صرفه اقتصادی در بخش مراقبت‌های پزشکی را باعث خواهد شد. انتظار می‌رود رشد بازار پزشکی هوش مصنوعی در سال ۲۰۲۱ به ۶/۶ میلیارد دلار برسد و در پنج سال بعد آن، این بازار بیش از ده برابر (۱۰x) رشد خواهد کرد.

بنابراین خدمات هوش مصنوعی به مراقبت‌های بهداشتی چه می‌تواند باشد؟ مجله فوربز برای پاسخ به این سؤال به سراغ متخصصان مختلف رفته است.

بیشتر بخوانید:

هوش مصنوعی خطر مرگ ناشی از بیماری قلبی را تخمین می زند

جدال هوش مصنوعی و پزشکان/ برای تشخیص وضعیت بیماری به کدام مراجعه کنیم؟

تشخیص پزشکی هوش مصنوعی به اندازه پزشکان دقیق است.

 

کمک بعدی هوش مصنوعی به پزشکان چیست؟

"اوری گوا" مدیرعامل شرکت "Medial EarlySign" می‌گوید: یکی از گرایش‌های مهم استفاده از هوش مصنوعی در حوزه بهداشت، انتقال پزشکی از مراقبت‌های واکنشی به مراقبت‌های فعال است. به این معنی که برنامه‌های مبتنی بر یادگیری ماشینی به جای اینکه فقط به علائم واکنش نشان دهند، از ابتلا به بیماری پیشگیری و جلوگیری می‌کنند.

وی افزود: پزشکان و فعالان حوزه سلامت و مردم بهتر می‌توانند با ابزارهایی برای به تأخیر انداختن یا جلوگیری از شروع شرایط تهدید کننده سلامت و رفع نیازهای بیماران خود استفاده کنند. در نهایت نیز بیماران با درمان به موقع و شخصی از بهبود نتایج درمانی و افزایش بالقوه میزان بقا و افزایش طول عمر بهره‌مند می‌شوند.

دکتر "گیدی استاین" مدیرعامل شرکت "MedAware" نیز می‌گوید: در پنج سال آینده، مردم از طریق سوابق پزشکی و نظارت الکترونیکی سلامت روی تلفن همراه(EMR) و گجت‌های پوشیدنی هوشمند به اطلاعات سلامت و بهداشتی خود بیش از گذشته دسترسی خواهند یافت. هوش مصنوعی، تبدیل این کوه از داده‌ها به بینش‌ها و پیش‌بینی‌های مرتبط با سلامتی، بهبود سلامت شخصی و عمومی و بهینه سازی مراقبت بهداشتی را تسهیل خواهد کرد. این امر باعث می‌شود تا بیماران بتوانند از چرخه سلامتی مطلع و بر آن مسلط شوند، ارتباط بهتری بین بیمار و پزشک ایجاد شود و مراقبت‌های بهداشتی مرغوب به مناطق جغرافیایی خاص برسد.

"تیم اومالی" رئیس شرکت "EarlySense" گفت: امروزه میلیون‌ها پارامتر فیزیولوژیکی وجود دارد که از بیمار استخراج می‌شوند. من معتقدم که پیشرفت بعدی این خواهد بود که از این داده‌هایی که هوش مصنوعی به دست می‌آورد برای پیش‌بینی دقیق بیماری و جلوگیری از بروز عوارض جانبی استفاده می‌شود. در مجموع این داده‌ها برای تدوین تجزیه و تحلیل‌های پیش‌بینی مورد استفاده قرار می‌گیرند و در بین جمعیت‌های مختلف بیماران در همه مراقبت‌های بهداشتی مورد استفاده قرار می‌گیرند و دارویی که واقعاً شخصی سازی شده را ارائه می‌دهند.

"آندره فیومیچلی" معاون رئیس و مدیرکل بهداشت و درمان و علوم زندگی در شرکت بزرگ "DXC Technology" می‌گوید: در نهایت هوش مصنوعی و تجزیه و تحلیل داده‌ها می‌توانند عامل برخورداری از برخی از دشوارترین شرایط درمانی امروزی باشند. با ترکیب اطلاعات ژنومیک با داده‌های شخصی بیمار و سوابق الکترونیکی سلامت وی حاصل از اطلاعات ثبت شده در پوشیدنی‌های هوشمند، ارائه دهندگان خدمات بهداشتی می‌توانند از داروهای دقیق برای تعیین مؤثرترین روش‌ها برای درمان بیماران استفاده کنند.

وی افزود: این نوید یک پتانسیل فوق العاده را برای درمان شرایط پیچیده مانند افسردگی می‌دهد. هوش مصنوعی می‌تواند با استفاده از اطلاعاتی چون سن بیمار، جنسیت، سوابق بیماری، ژنومیک، سبک زندگی، محیط زندگی و غیره به تعیین احتمال ابتلا به افسردگی بپردازد و می‌تواند اطلاعاتی در مورد اقدامات و واکنش‌های احتمالی قبل از وقوع ارائه دهد. بنابراین پزشکان را قادر می‌سازد یک درمان موثرتر ارائه دهند.

"روتی داوی" معاون علوم داده در شرکت "Acorn AI" می‌گوید: یکی از پیشرفت‌های کلیدی که نباید آن را نادیده گرفت استفاده از مجموعه داده‌های با دقت مدیریت شده برای تشکیل بازوهای کنترل مصنوعی به عنوان جایگزینی برای دارونما در کارآزمایی‌های بالینی است. داوطلب شدن بیماران برای کارآزمایی‌های کنترل تصادفی به خصوص در بیماری‌های کم جمعیت می‌تواند چالش برانگیز باشد. از دید بیمار، در حالی که یک داروی تحقیقاتی می‌تواند با فراهم کردن یک گزینه درمانی جدید امیدبخش باشد، قرار گرفتن در گروه کنترل می‌تواند یک نکته ناامید کننده باشد. علاوه بر این، اگر بیماران تشخیص دهند که در گروه کنترل قرار دارند، ممکن است آن را ترک کرده و اعتبار و تکمیل کل آزمایش تهدید شود.

وی افزود: با این حال، به لطف پیشرفت در تجزیه و تحلیل پیشرفته و تعداد زیادی از داده‌های موجود، ما معتقدیم یک فرصت واقعی برای تغییر روند کارآزمایی بالینی وجود دارد. با استفاده از داده‌های فراوان بیمار می‌توانیم یک بازوی کنترل مصنوعی(SCA) ایجاد کنیم که دقیقاً نتایج یک آزمایش کنترلی تصادفی سنتی را تقلید کند. این یک تلاش برای تغییر بازی است که تجربه کارآزمایی بالینی را برای بیماران تقویت می‌کند و درمان‌های نسل بعدی را از طریق پیشرفت بالینی تسریع می‌نماید.

 

به قلم: مجتبی صفاری

زمان انتشار: دوشنبه ۲۹ مهر ۱۳۹۸ - ۰۸:۰۰:۰۰

شناسه خبر: 82845

دیدگاه ها و نظرات :
نام کامل وارد شود
دقیق و صحیح وارد شود
لطفا فارسی و خوانا باشد
captcha
ارسال
اشتراک گذاری مطالب