ندا اظهری، مترجم: هوش مصنوعی به ویژه در سالهای اخیر رونق زیادی پیدا کرده و بسیاری از حوزهها و صنایع از آن بهرهمند شدهاند اما به جرات میتوان گفت که بخش پزشکی و مراقبتهای بهداشتی بیشترین اثربخشی را از این فناوری دریافت کرده است. جلد و سرمقاله مجله اکونومیست که به تازگی در 30 مارس منتشر شده، به تاثیر هوش مصنوعی در حوزه مراقبتهای بهداشتی و دنیای پزشکی اختصاص یافته است. از گوشیهای طبی هوشمند و رباتهای جراح گرفته تا قدرت تحلیل مجموعه دادههای بزرگ یا توانایی چت کردن با هوش مصنوعی پزشکی با یک چهره انسانی، فرصتهایی است که این فناوری در اختیار بشر قرار میدهد. از نگاه این مجله، به رغم اینکه هوش مصنوعی در بسیاری از حوزهها تغییر ایجاد کرده، اما در زمینه مراقبتهای بهداشتی، با تشخیص بهتر، پشتیبانی شخصی برای بیماران، کشف سریعتر داروها و افزایش کارایی آنها، مراقبتهای بهداشتی قابلیت ایجاد تحول را پیدا کردهاند. یکی از حوزههایی که امروزه در فناوری هوش مصنوعی مشاهده میشود، تاثیر آن بر بالا بردن دقت تشخیص پزشکی است به گونهای که با نسخهبرداری پزشکی و نظارت بر بیماران و کارآمدسازی مدیریتی، افزایش داشته و کاهش زمان برای رسیدن داروهای جدید به آزمایشهای بالینی، کارایی بیمارستانها و مراکز درمانی را به طور قابل توجهی افزایش دهند. حتی استفاده از ابزارهای جدیدی چون هوش مصنوعی مولد قادر است این توانمندیها را تقویت کند. بهبود دقت و کاهش خطا در ابزارهای هوش مصنوعی مستلزم آن است که روی مجموعه دادههای بزرگی آموزش ببینند. یافتن راههای امن برای انتقال آزادانهتر دادههای پزشکی نیز کمک کننده خواهد بود که در نهایت به نفع بیماران تمام میشود به طوری که بیماران حق دسترسی به سوابق خود را در قابل دادههای دیجیتالی قابل انتقال پیدا میکنند. شرکتهای سلامت مصرفکننده در حال حاضر از دادههای گجتهای پوشیدنی بهره میبرند. سوابق قابل انتقال به افراد، این امکان را فراهم میکند که از دادهها استفاده کاملتری داشته باشند.
کمک به کمبود 10 میلیونی کارکنان مراقبت بهداشتی
یکی از چالشهایی که در رابطه با هوش مصنوعی مطرح میشود، مدیریت و قاعدهمندسازی آن است؛ از این رو، بسیاری از کشورها به برقراری حکمرانی هوش مصنوعی در حوزه سلامت پرداختهاند تا با سرعت بالای نوآوری هماهنگ شود. از آنجایی که شاید برخی مقامات نظارتی سرعت کندتری را در پیش بگیرند، دولتها باید نهادهای ناظر را برای ارزیابی ابزارهای جدید هوش مصنوعی مجهز کنند. کارشناسان، راهحل این چالش را، مشارکت کشورها و آموختن از یکدیگر و ایجاد استانداردهای جهاتی عنوان کردهاند. سیستمهای نظارتی بینالملل با پیچیدگیهای کمتر به ایجاد بازاری کمک میکنند که شرکتهای کوچک بتوانند در خلق آن نوآوری نقش داشته باشند. کشورهای فقیرتر با زیرساختهای بهداشتی کمترتوسعهیافته، از معرفی ابزارهای جدیدی چون دستگاههای سونوگرافی قابل حمل برای زایمان بهرهمند خواهند شد. هوش مصنوعی با کمک یا جایگزینی کارکنان، بهبود بهرهوری، کاهش خطاها و کاهش هزینهها، هزینههای پزشکی را کاهش داده و مراقبتهای پزشکی را نیز بهبود میبخشد. شواهد بیانگر آن است که دنیا ممکن است تا 2030 با 10 میلیون کمبود در کارکنان بخش مراقبتهای بهداشتی مواجه شود که 15 درصد از نیروی کار امروزی را شامل خواهند شد. درست است که هوش مصنوعی شاید نتواند این مشکل را حل کند اما میتواند به این روند کمک کند.
کاهش 360 میلیارد دلاری هزینههای مراقبت پزشکی با هوش مصنوعی
فناوری جدید حدود نیمی از رشد سالانه هزینههای سلامت را به خود اختصاص میدهد. بسیاری از سیستمهای بهداشتی مانند آمریکا به حجم کار پاداش میدهند. حتی سیستمهای مراقبت بهداشتی که به طور عمومی مدیریت میشوند، ممکن است انگیزهای برای استفاده از فناوریهایی نداشته باشند که به جای بهبود نتایج، هزینهها را کاهش میدهند. از این رو، صرفهجویی در پول ممکن است منجر به اختصاص بودجه کمتر شود. کارشناسان و تحلیلگران در گمانهزنیهای خود عنوان کردهاند که توسعه هوش مصنوعی در اروپا میتواند سالانه صدها نفر را از خطر مرگ نجات دهد و حتی در هزینههای پزشکی در آمریکا نیز صرفهجویی کرده است به گونهای که طبق برآوردها، سالانه 200 تا 360 میلیارد دلار از کل هزینههای پزشکی را کاهش داده که در حال حاضر 4 هزار و 500 میلیارد دلار معادل 17 درصد تولید ناخالص داخلی را به خود اختصاص داده است.
هوش مصنوعی قابلیت آن را دارد که رشد و تقویت هر صنعتی را ایجاد کند و در این میان، حتی صنعت جهانی 9 هزار میلیارد دلاری نیز از این امر مستثنی نیست. از خودکار شدن کشف داروها گرفته تا تسریع در اتخاذ تصمیمات بالینی با این نوآوری امکانپذیر میشود. حدود یکچهارم هزینههای مراقبت بهداشتی آمریکا در بخش مدیریتی صرف میشود. پذیرش گسترده استفاده از این فناوری شامل بهرهمندی از آن برای نوبتدهی تا مشارکت در تعامل، میتواند صنعت مراقبتهای بهداشتی را سالانه 5 تا 10 درصد رشد دهد که در سال 2019 چیزی معادل 360 میلیارد دلار بوده است.
از سوی دیگر، در ژوئن 2023، لایحهای به کنگره آمریکا ارائه شد که براساس آن، کمیسیونی ملی شکل گرفت که رویکرد فعلی این کشور را برای وضع قوانین هوش مصنوعی تسهیل میکند. همچنین جو بایدن، رئیسجمهور آمریکا نیز در اکتبر 2023، اجرای این قانون را با استانداردهای جدید برای ایمنی و امنیت هوش مصنوعی برقرار کرد. از دیگر جنبههای هوش مصنوعی میتوان به تاثیر روی بخش دارویی مراکز درمانی اشاره کرد. به طور متوسط، فرآیند تایید داروها در آمریکا بیش از 2 میلیارد دلار هزینه به دنبال دارد که بیش از 10 سال زمان میبرد و بیش از 90 درصد از کاربردهای دارویی با شکست مواجه میشوند. فرصتهای خوبی برای استفاده از هوش مصنوعی و یادگیری ماشینی برای کمک به کشف داروها و نیز پژوهشهای بالینی و غیربالینی، نظارتهای بازار و تولید پیشرفته دارویی وجود دارد.
رونق گرفتن رباتهای جراح و هوشمند
یکی از راههایی که هوش مصنوعی میتواند در مراقبتهای بهداشتی مورداستفاده قرار گیرد، این است که به پزشکان در ابداع مولکولها کمک میکند تا ویرایشهای ژنی را دقیقتر انجام دهند، هدفگذاریهای بهتری برای توسعه داروها داشته باشند و به ابداع مولکولهای دارویی بزرگ و کوچک نیز کمک میکند. همچنین محققان با کمک این فناوری در نظر دارند یک سلول مجازی برپایه هوش مصنوعی بسازند که امیدوارند با کمک آن بتوانند تمام رفتارهای پژوهشهای بیوزیستی را متحول کنند. این اثرات تنها محدود به آزمایشگاه نمیشود. بخشهای مختلف تشخیصی به دنبال استفاده از هوش مصنوعی این تغییر را احساس میکنند. با کمک هوش مصنوعی، نقش رباتهای جراح در عملهای جراحی پررنگتر میشود. با هوش مصنوعی، روش دسترسی بیماران به اطلاعات بهداشتی و سلامت و دنبال کردن فرآیندهای درمانی متحول میشوند و به این ترتیب بیماران یاد میگیرند که از چتباتها و مانیتورهای هوشمند سلامت استفاده کنند. به نظر میرسد که کشورهای فقیرتر بیشترین بهرهمندی را از این فناوری خواهند داشت و ابتداییترین نسل هوش مصنوعی در این قبیل کشورها در بخش مراقبتهای بهداشتی مورد استفاده قرار میگیرند که به مجهزتر شدن تجهیزات کمک میکند. گوشیهای پزشکی هوشمند به دریافت جزئیات دقیقتر کمک کرده و گوشیهای تلفن قابلیت تبدیل شدن به دستگاههای سهکاره را نیز پیدا میکنند که قادر است ضربان قلب، دما، تنفس و اکسیژن خون را به طور همزمان اندازهگیری کند. حتی کافهای فشار خون و دماسنجهای هوشمند نیز میتوانند دقیقتر اطلاعات را در اختیار پزشکان قرار دهند. گسترش استفاده از این ابزارهای هوشمند قادر است جان صدها میلیون و حتی میلیاردها نفر را از مرگ نجات دهد.
هزینه 47 میلیارد دلاری در 2028 روی فناوریهای هوش مصنوعی
هیچ یک از این ابزارهای هوشمند، بازار تولیدات و خدمات هوش مصنوعی در مراقبتهای بهداشتی را متوقف نمیکند. شرکتهای بزرگ هوش مصنوعی تمایل به استخدام نیروهای متخصص مراقبت بهداشتی پیدا کرده و شرکتهای مراقبت بهداشتی نیز به خرید ابزارهای هوش مصنوعی گرایش یافتهاند. تحلیلگران معتقدند که در سال 2023، دنیای مراقبتهای بهداشتی حدود 13 میلیارد دلار روی سختافزارهای مرتبط با هوش مصنوعی هزینه کرده است که شامل پردازش تخصصی تراشهها و دستگاههای مرتبط و ارائه نرمافزارهای تشخیصی، تحلیل تصاویر، و کنترل از راه دور بیماران میشود؛ انتظار میرود این رقم هزینهها تا 2028 به رقمی بالغ بر 47 میلیارد دلار برسد. اما به نظر میرسد دیجیتالی شدن بخش مراقبتهای بهداشتی، سهم بیماران را در پرداخت هزینههای ویزیت پزشکان منصفانهتر کرده و مدیریت زمان برای بیماران و ارائه دادهها را تسهیل میکند.
تشخیص دقیقتر بیماریها با هوش مصنوعی
دولت انگلیس عنوان کرده است که تحلیل اسکنهای مغزی با استفاده از سیستم e-Stroke که از سوی استارتاپ «برینومیکس» دانشگاه آکسفورد ابداع شده، توانسته زمان بین پذیرش بیمار در بیمارستان و درمان بیماران مبتلا به سکته را کاهش داده است. این روش با کمک هوش مصنوعی توانسته بهبودی بیماران سکتهای و دستیابی به استقلال در انجام کارهای روزمره خود را سه برابر کند به طوری که از 16 درصد به 48 درصد رسیده است. در فرآیند تشخیص بیماریها، از الگوهای تشخیصی هوش مصنوعی استفاده میشود. یکی از تحولاتی که با هوش مصنوعی در فرآیند تشخیص بیماریها ایجاد شده، در بخش رادیولوژی بوده که از تصویربرداری پزشکی به رادیولوژی کاملا دیجیتال رسیده است که همین فرآیند، ذخیرهسازی تصاویر و اشتراکگذاری سادهتری را به ارمغان میآورد؛ علاوه بر آن، تصاویر تولیدشده راحتتر توسط دستگاه خوانده و پردازش میشوند. شبکههای عصبی که براساس قشر بصری مغز پردازش شدهاند. در شبکههای عصبی اولیه، تمام نورونها در یک لایه به تمام نورونها در لایه بعدی مرتبط میشوند. نخستین شبکه عصبی تولیدشده در سال 2012 موسوم به AlexNet بود که با توجه به قابلیت رادیولوژی، درماتولوژی و چشمپزشکی خودکار، علم دید کامپیوتری را متحول کرد. سیستمهای سونوگرافی هم از دیگر بخشهایی هستند که از هوش مصنوعی بهرهمند شدهاند.
یک شرکت آمریکایی نوعی سیستم دستی سونوگرافی تولید کرده است که برپایه هوش مصنوعی ساخته شده و از آن در تشخیص بارداریهای پرخطر و زمان تخمینی زایمان، وزن جنین و میزان مایع آمنیوتیک رحم استفاده میشود. برخی گوشیهای پزشکی هوشمند نیز در تشخیص بیماریهای قلبی به کار میآیند. اسپیرومترهای هوش مصنوعی نیز قادر است عملکرد ریه را دقیقتر بررسی و مشکلات ریوی را شناسایی کند. دستگاه MRI مبتنی بر هوش مصنوعی موسوم به Swoop نیز با قابلیت هوش مصنوعی که دارد و با کمک میدان مغناطیسی ضعیفی که ایجاد میسازد، دادهها را جمعآوری میکند. تولید میدانهای ضعیفتر آسانتر بوده و دستگاه به کنار بیمار منتقل میشود. همچنین یک شرکت نیویورکی، دستگاهی مبتنیبر هوش مصنوعی ابداع کردهاند که هزینه استفاده از دستگاه MRI تمام بدن را کاهش داده و از این ابزار برای غربالگری سرطان استفاده میشود که هم در هزینه و هم در زمان صرفهجویی میکند به طوری که این اسکن تنها در 30 دقیقه و با هزینه 1350 دلاری انجام میشود.
چتباتهای تشخیصی
بخش دیگری از فناوری هوش مصنوعی در بخش مراقبتهای پزشکی منجربه تولید چتباتهای سفارشی شد که به منظور آموزش موضوعات بهداشت عمومی به بیماران و کمک به آنها در شناسایی علائم بیماریها ساخته شده است. به عنوان مثال، چتبات «فلورنس» در دوران همهگیری کرونا از سوی سازمان بهداشت جهانی، گوگل و آمازون تولید شد تا اطلاعات صحیح در اختیار بیماران قرار گیرد. از آن زمان به بعد، اطلاعات و دادههای این چتبات توسعه یافت و دادههایی نیز درباره سیگار کشیدن، سلامت ذهنی و تغذیه به آن افزوده شد. از سوی دیگر، یک شرکت آلمانی نیز چتبات مبتنیبر متن با قابلیت بررسی علائم بیماری را تولید کرد که دادههای ساختاریافته از هزاران داده پزشکی ارائهشده توسط پزشکان را به طور دقیق بررسی میکند. این چتبات براساس پردازش پرسشهای تعبیهشده بوده و یک سوم از 13 میلیون کاربر این چتبات در هند، آسیا و آفریقا حضور دارند. چتبات دیگری موسوم به Ada نیز براساس موتور پردازشگر کار میکند که به اندازه LLM (مدل زبانی بزرگ) عمل میکند. این سیستم از احتمالات برای تشخیص بیماریها استفاده میکند.
پیشبینی ساختار پروتئینی و تولید دارو
پرچالشترین شاهدی را که میتوان برای علمی بودن تاثیر عمیق هوش مصنوعی بر بخش مراقبتهای پزشکی عنوان کرد، ظهور AlphaFold توسط شرکت DeepMind گوگل است که ساختارهای پروتئینی را پیش بینی میکند و یک سیستم یادگیری عمیق به شمار میرود. سیستمهایی مانند آن تاکنون بیش از 600 میلیون پیشبینی ساختاری را با جزئیات انجام دادهاند. این شرکت با پیشبینیهایی که توسط سیستمهای تولیدشده خود در ساختار پروتئینها انجام میدهد، اطلاعاتی را از توالی ژنومها تا تاریخچه پزشکی بیماران به دست میآورد که به طور چشمگیری میتواند در تولید داروهای دقیق و مؤثر کمک کند. بسیاری از شرکتها با دریافت اطلاعاتی با کیفیت بالا که با کمک هوش مصنوعی به دست آوردهاند، به تولید و توسعه دارو میپردازند. آنها در این مسیر از علوم جدید محاسباتی بهره میبرند. از آنجایی که شرکتهای داروسازی همواره تشنه اطلاعات هستند، حفظ حریم خصوصی بیماران در اولویت قرار میگیرد. از این رو، برای حل این مشکل از شیوه «یادگیری فدرال» استفاده میشود به گونهای که دادههای موردنیاز برای ساخت اطلس انواع سلولهای سرطانی از بیمارستان محل تحقیق خارج نمیشود و در همان مکان ذخیرهسازی میشود. مدلهای هوش مصنوعی مولد مانند ProteinSGM ابزار قدرتمندی در طراحی پروتئین به شمار میرود که نهتنها برای تصویرسازی پروتئینهای موجود، بلکه برای طراحی پروتئینهای جدید با ویژگیهای مورد نظر و مطلوب محققان مورد استفاده قرار میگیرد که تاکنون در طبیعت وجود نداشتهاند.
افزایش سرمایهگذاری بر فناوریهای پزشکی
شرکتهای داروسازی در چین ارتباط تنگاتنگی با شرکتهای هوش مصنوعی دارند و از این قابلیت در مسیر تولید داروهای موثرتر استفاده میکنند. سرمایهگذاری روی اکتشاف داروهای مبتنیبر هوش مصنوعی در چین در سال 2021 به رقمی بالغ بر یک میلیارد و 260 میلیون دلار رسید. به گزارش اکونومیست، فناوری عهدهدار 25 تا 50 درصد از رشد هزینههای سلامت در کشورهای OECD در 50 سال گذشته بوده است که همین امر رشد GDP کشورها را نیز به دنبال داشته است. در این میان، آمریکا در سال 2022 حدود 4 هزار و 500 میلیارد دلار در بخش مراقبتهای بهداشتی هزینه کرده است که 30 درصد از کل هزینهها را در دنیا به خود اختصاص میدهد.