استفاده از فناوری های جدید چگونه به سلامت انسان کمک می کند؟



متخصص قلب به او گفت که این باعث سکته کوچک رابرت شده است و او برای بستن سوراخ قلبش نیاز به جراحی دارد، اما رابرت مطمئن نبود.
رابرت پس از ملاقات با اولین متخصص قلب، به اریک توپول که او نیز متخصص قلب بود رفت. توپولا از اولین ارزیابی شوکه شد. از هر پنج بزرگسال یک نفر PFO دارد و ارتباطی با سکته ندارد. بنابراین او و رابرت متوجه شدند که بیماری او فیبریلاسیون دهلیزی است که می‌توان آن را با یک رقیق‌کننده خون ساده درمان کرد.
وضعیت رابرت نمونه ای از چیزی است که توپول آن را طب سطحی می نامد، که در آن پزشکان خسته و غرق وقت نمی گذارند تا واقعاً با بیماران خود ارتباط برقرار کنند و معاینات جامع انجام دهند.
به عنوان مثال، میانگین بازدید از یک کلینیک در ایالات متحده تنها هفت دقیقه طول می کشد. شاید در نتیجه سالانه حدود 12 میلیون تشخیص نادرست جدی در سراسر کشور انجام شود و تا یک سوم اقدامات پزشکی انجام شده غیرضروری باشد.
بیماران رنج می برند، اما افرادی که آنها را درمان می کنند نیز رنج می برند. از هر چهار پزشک جوان یک نفر افسردگی را تجربه می کند و تقریبا نیمی از پزشکان آمریکایی علائم فرسودگی شغلی را دارند. چنین وضعیتی به طور قابل توجهی خطر خطاهای پزشکی را افزایش می دهد و حتی منجر به خودکشی پزشک می شود.
هوش مصنوعی می تواند تا حد زیادی به مراقبت های بهداشتی کمک کند، اما محدودیت هایی دارد. هوش مصنوعی در پزشکی ممکن است بخشی از آینده دور به نظر برسد. اما در واقع، در حال حاضر برای نجات جان افراد استفاده می شود.
در یک مورد، یک پسر سالم سه روز پس از تولد به خانه برده شد. پنج روز بعد، مادرش او را به اورژانس بیمارستان کودکان Reidy در سن دیگو برد. نوزاد تازه متولد شده تشنج های مداوم داشت که فقط بدتر می شد.
از آنجایی که اوضاع بسیار بد به نظر می رسید، نمونه ای از خون پسر برای توالی یابی سریع کل ژنوم به آزمایشگاه فرستاده شد. تنها در 20 ثانیه، هوش مصنوعی کل پرونده پزشکی پسر را پردازش کرد. سپس الگوریتم‌های یادگیری ماشینی داده‌ها را مرتب کردند و در نهایت یک نوع ژنتیکی نادر را شناسایی کردند که می‌تواند باعث تشنج پسر شود. درمان او با ویتامین B6 و مکمل های آرژنین ممکن است اثرات این ژن را خنثی کند.
به لطف این درمان و کار سریع هوش مصنوعی، تشنج نوزاد متوقف شد. این مورد نشان می دهد که هوش مصنوعی پتانسیل نجات جان انسان ها را دارد. اما قبل از اینکه بیش از حد در مورد امکانات هوش مصنوعی صحبت کنیم، لازم است محدودیت های آن را در نظر بگیریم.
اول از همه، هوش مصنوعی کاملاً به کیفیت داده های آن وابسته است. هوش مصنوعی با داده های استاندارد و قابل جستجو کار می کند. با این حال، داده های پزشکی اغلب بدون ساختار هستند و این وضعیت می تواند خروجی الگوریتم را مخدوش کند.
همچنین هوش مصنوعی خلاقانه نیست. او نمی تواند راه حل های جدیدی برای مشکلات ارائه دهد. یک بار توپول پیرمرد 70 ساله ای را که از خستگی شدید رنج می برد درمان کرد. سی تی اسکن نشان داد که شریان کرونر راست او 80 درصد تنگ شده است. صنوبر گیج شد، زیرا این معمولا باعث خستگی شدید نمی شود.
او وضعیت را توضیح داد و پیشنهاد گذاشت استنت در رگ مسدود شده را پیشنهاد داد که بیمار با آن موافقت کرد. در همان شب عمل، بیمار می توانست چندین بلوک را بدون احساس خستگی راه برود. او گزارش داد که احساس قوی تر و بهتری از همیشه می کند. یک الگوریتم کامپیوتری هرگز نمی تواند چنین رویه ای را توصیه کند زیرا هیچ سابقه ای برای موقعیت خاص این شخص وجود ندارد.
هوش مصنوعی مدرن محدودیت های قابل توجهی دارد که هرگز به آن اجازه نمی دهد به طور کامل جایگزین پزشکان انسانی شود. اما همچنان می تواند برای پزشکی مفید باشد. پزشکان می توانند از هوش مصنوعی برای بهبود تشخیص استفاده کنند.
سوگیری ها می توانند باعث شوند که پزشک یک بیماری را برای بیماری دیگر تشخیص دهد، به خصوص اگر او همه علائم بیمار را به دقت بررسی نکند. شاید حتی تعصب بیش از حد و اعتماد به نفس بیش از حد باعث شود که پزشکان بیش از آنچه که واقعا توانایی دارند به تشخیص های خود اعتماد کنند.
همه این سوگیری ها زمانی به وجود می آیند که مردم از شهود برای تصمیم گیری سریع استفاده می کنند، همانطور که پزشکان اغلب هنگام تشخیص بیماران انجام می دهند. کاهش تاثیر این سوگیری ها با هوش مصنوعی یکی از راه هایی است که می توان از این ابزار استفاده کرد. پزشکان می توانند از هوش مصنوعی برای بهبود تشخیص استفاده کنند.
در حال حاضر، تشخیص پیچیده ماشین ها دشوار است. اما آنها در تشخیص برخی از انواع بیماری ها به خوبی عمل می کنند. می‌توان به اپلیکیشن Face2Gene اشاره کرد که می‌تواند به تشخیص بیش از 4000 بیماری ژنتیکی مختلف با شناسایی ویژگی‌های مشخصه صورت مرتبط با آنها کمک کند. اکنون 60 درصد متخصصان ژنتیک پزشکی و مشاوران ژنتیک از این برنامه استفاده می کنند.
برای استفاده گسترده از هوش مصنوعی برای تشخیص پزشکی، باید آن را به یک علم داده محور تبدیل کنیم. این مستلزم جمع آوری مقادیر زیادی از اطلاعات در مورد هر فرد است که در حالت ایده آل از بدو تولد شروع می شود و در طول زندگی ما ادامه می یابد.
البته جمع آوری داده ها در مقیاس بزرگ چالش های زیادی را به همراه دارد. اگر شرکت‌های بیمه به اطلاعات دقیق بیماران دسترسی داشتند، می‌توانستند از تجزیه و تحلیل هوش مصنوعی برای تقسیم‌بندی افراد بر اساس خطرات سلامتی‌شان استفاده کنند و تفاوت‌های فاحشی در سطح پوشش بیماران در معرض خطر ایجاد کنند.
بدون شک، مقررات دولتی برای جلوگیری از سوء استفاده از داده های بیماران ضروری خواهد بود. اما ما نباید اجازه دهیم که نگرانی ها بیشتر از سهم بالقوه هوش مصنوعی باشد.
آیا تا به حال پیش دکتری رفته اید که در حین ویزیت حتی به شما نگاه نکرده باشد؟ در این صورت، او احتمالاً پرونده الکترونیک سلامت شما را به روز می کند. مدارک الکترونیکی پزشکی به مانعی برای ارتباط پزشک و بیمار تبدیل شده است.
هوش مصنوعی در اینجا نیز می تواند کمک کند. یک نوع یادگیری ماشینی به نام پردازش زبان طبیعی می تواند برای رونویسی تمام کلمات رد و بدل شده در طول قرار ملاقات با پزشک استفاده شود. این باعث می شود پزشکان وقت خود را برای تمرکز روی فردی که در مقابلشان نشسته است، آزاد کنند، نه روی پرونده های پزشکی الکترونیکی.
پردازش حجم عظیمی از داده ها استعداد بزرگ هوش مصنوعی است و پزشکان متخصص واقعاً می توانند از آن بهره ببرند.
سالانه دو میلیارد عکس رادیوگرافی قفسه سینه در جهان انجام می شود. خواندن این اسکن ها ممکن است دشوار باشد زیرا زخم یا از دست دادن بافت ریه می تواند سایر مشکلات را پنهان کند. اما هوش مصنوعی که قادر به پردازش و تفسیر سریع داده های تصویر است، می تواند این اسکن ها را با دقت بالایی بخواند.
یک مطالعه الگوریتم یادگیری ماشینی را آموزش داد تا بیش از 50000 رادیوگرافی قفسه سینه را به عنوان طبیعی یا غیر طبیعی طبقه بندی کند. فقط این الگوریتم پرکاربرد می‌تواند به رادیولوژیست‌ها کمک کند تا مشخص کنند کدام اسکن باید دقیق بررسی شود و کدام نه. رادیولوژیست ها با صرفه جویی در زمان می توانند کارهای ارزشمند دیگری مانند ارتباط مستقیم با بیماران انجام دهند که در شرایط فعلی بسیار نادر است.
هنگامی که الگوریتم ها همراه با رادیولوژیست ها به کار می روند، می توانند به دستیابی به دقت تشخیصی بیشتر کمک کنند. این در مورد آسیب شناسی نیز صدق می کند.
آسیب شناسانی که نمونه های بافت انسانی را برای تشخیص بیماری تفسیر می کنند، می توانند از PathAI، یک ابزار تجزیه و تحلیل اسلاید استفاده کنند. این ابزار به تنهایی دارای ضریب خطای 9.2% است، اما در صورت استفاده همراه با عامل انسانی، میزان خطا به 0.5% کاهش می یابد.
در بیماری های پوستی مشکل کمی متفاوت است. متخصصان پوست در ایالات متحده اندکی وجود دارد، بنابراین حدود دو سوم تمام بیماری های پوستی توسط پزشکان مراقبت های اولیه تشخیص داده می شود. در نتیجه میزان خطا به طرز شگفت آوری بالاست. در اینجا می توان از دستگاه ها برای تشخیص بیماری های پوستی خاص استفاده کرد. در واقع، مقاله ای در سال 2017 قبلاً توضیح داده بود که این الگوریتم می تواند در طبقه بندی سرطان و تشخیص ملانوم از متخصصان پوست بهتر عمل کند.
انواع مختلفی از پزشکان وجود دارند که از هوش مصنوعی سود می برند. اما در حال حاضر، اجازه دهید فقط به متخصصان قلب و عروق نگاه کنیم. اخیراً یک شبکه عصبی هوش مصنوعی نشان داده شده است که حملات قلبی را با دقت 90 درصد تشخیص می دهد. سایر فناوری ها نیز برای اندازه گیری ضربان قلب مفید هستند. یکی از دستگاه ها، iRhythm Zio، یک دستگاه پچ مانند است که روی قفسه سینه قرار می گیرد. در داخل تراشه ای وجود دارد که اطلاعات ضربان قلب هر کاربر را برای 10-14 روز ثبت می کند. با این اطلاعات، متخصصان قلب می توانند به راحتی اختلالات ریتم قلب و سایر مشکلات را ارزیابی کنند. انجام همین کار برای وضعیت روانی یک فرد بسیار دشوارتر است. با این حال، هوش مصنوعی می تواند برای کمک به متخصصان سلامت روان و افراد مبتلا به اختلالات سلامت روان نیز استفاده شود.
عوامل زیادی از جمله هزینه و کمبود روانپزشک، افراد را از مراجعه به کمک روانپزشکی باز می دارد. با این حال، چت ربات های سلامت روان می توانند جایگزین خوبی برای درمان در چنین مواردی باشند. این چت بات ها اغلب از درمان شناختی رفتاری یا CBT استفاده می کنند. برخی از مطالعات نشان داده است که مردم حتی ترجیح می دهند در مورد مسائل حساس و شخصی با چت بات ها صحبت کنند تا با افراد واقعی!
علاوه بر چت بات ها، از هوش مصنوعی می توان برای تشخیص بیماری های روانی مانند افسردگی که بیش از 10 درصد از مردم در سراسر جهان را مبتلا می کند، استفاده کرد. به عنوان مثال، الگوریتمی به نام DeepMood به سادگی با مطالعه الگوهای صفحه کلید گوشی هوشمند افراد، قادر به پیش بینی افسردگی با دقت بالا بود.

منبع: اپلیکیشن روزنامه جام جم کلیک کنید