هوش مصنوعی در نظام سلامت؛ از مقابله با همه‌گیری‌ها تا کمک به پزشکان خانواده
نویسنده: فرانتسیسکا مولر
تاریخ انتشار: ۱۵ اکتبر ۲۰۲۶، ساعت ۶:۰۵ به وقت گرینویچ+۲ | آخرین به‌روزرسانی: ساعت ۶:۱۰
تهیه گزارش وضعیت در یک ساعت به‌جای یک روز؛ تجربه استفاده از هوش مصنوعی در مبارزه با ابولا در آفریقا نشان می‌دهد این فناوری چگونه می‌تواند به تقویت نظام سلامت، از جمله در آلمان، کمک کند. بااین‌حال، کارشناسان درباره عملکرد غیرشفاف سیستم‌های هوش مصنوعی و خطراتی که هنوز راه‌حلی برای آن‌ها پیدا نشده است، هشدار می‌دهند.
از ماه مه، گروه‌های فعال در جمهوری دموکراتیک کنگو برای مقابله با سویه بوندیبوگیو ویروس ابولا تلاش می‌کنند. نیروهای بهداشت محلی هر روز خانه‌به‌خانه مراجعه می‌کنند و به مردم توصیه‌های بهداشتی می‌دهند. آن‌ها موارد بهبودی و مرگ‌ومیر را ثبت می‌کنند و افرادی را که علائم مشکوک دارند، برای بررسی بیشتر به مراکز درمانی ارجاع می‌دهند.
بر اساس گزارشی از شرکت هوش مصنوعی آنتروپیک، اطلاعات گردآوری‌شده به دست این نیروهای بهداشتی، که دفترچه‌هایشان تصویری از وضعیت سلامت جوامع مختلف ارائه می‌دهد، اکنون دیجیتالی شده است.
چه کسانی بیمار شده‌اند؟ با چه افرادی تماس داشته‌اند و پیش از آنکه از ابتلای خود آگاه شوند، در چه مکان‌هایی حضور داشته‌اند؟ برای بررسی پاسخ این پرسش‌ها و تحلیل گزارش‌های جمع‌آوری‌شده، از مدل هوش مصنوعی کلود متعلق به شرکت آنتروپیک استفاده شده است. ائتلاف نوآوری برای آمادگی در برابر همه‌گیری‌ها (CEPI)، دفتر منطقه‌ای سازمان جهانی بهداشت در آفریقا و مؤسسه ملی تحقیقات زیست‌پزشکی کنگو (INRB) از جمله نهادهای مشارکت‌کننده در این مطالعه بوده‌اند.
هوش مصنوعی به ارزیابی سریع‌تر گسترش همه‌گیری‌ها کمک می‌کند
دکتر ماری روزلین دارنیکا بلیزر، مدیر آمادگی و پاسخ به شرایط اضطراری در دفتر منطقه‌ای سازمان جهانی بهداشت در آفریقا، می‌گوید: «اکنون گزارش وضعیت ظرف یک ساعت تهیه می‌شود، درحالی‌که پیش‌تر این کار یک روز کاری کامل طول می‌کشید.»
این مقام سازمان جهانی بهداشت در سخنرانی خود در نشست جهانی سلامت توضیح داد که هوش مصنوعی می‌تواند به ارزیابی سریع‌تر گسترش بیماری‌های همه‌گیر و هدایت دقیق‌تر کمک‌های پزشکی به مناطق نیازمند کمک کند.
در جریان تحلیل داده‌ها، مناطقی که احتمال تبدیل‌شدن آن‌ها به کانون شیوع بیماری وجود داشت شناسایی شدند و اقدامات پیشگیرانه‌ای برای مقابله با وضعیت احتمالی انجام گرفت. از جمله این اقدامات، انتقال ذخایر تجهیزات و اقلام پزشکی به مراکز کلیدی یا مناطق پرخطر بود.
چنین اقداماتی در شرایط اضطراری می‌تواند نقشی تعیین‌کننده داشته باشد. هرچه مسئولان بهداشت زودتر به احتمال شیوع بیماری واکنش نشان دهند، فرصت بیشتری برای آماده‌سازی و سازمان‌دهی خدمات درمانی خواهند داشت. هدف از به‌کارگیری هوش مصنوعی این است که اطلاعات دریافتی از منابع مختلف سریع‌تر پردازش شود و مسئولان بتوانند با اتکا به آن‌ها تصمیم‌های بهتری بگیرند.
این نمونه موفق از کاربرد هوش مصنوعی در حوزه سلامت نشان می‌دهد که می‌توان از این فناوری در برخی بخش‌ها با خطر نسبتاً اندک استفاده کرد. بااین‌حال، کارشناسان معتقدند ظرفیت‌های هوش مصنوعی برای استفاده در آینده نظام سلامت بسیار فراتر از این موارد است.
این فناوری می‌تواند دقت تشخیص بیماری‌ها را افزایش دهد، بخشی از وظایف اداری را از دوش کارکنان درمان بردارد و به استفاده هدفمندتر از منابع محدود کمک کند. درعین‌حال، پرسش‌های اساسی نیز مطرح است: نتایج هوش مصنوعی تا چه اندازه قابل اعتمادند؟ آیا متخصصان پزشکی می‌توانند بفهمند یک سیستم هوش مصنوعی چگونه به تصمیم خود رسیده است؟ و مهم‌تر از همه، آیا بیماران واقعاً از به‌کارگیری این فناوری سود می‌برند؟
هوش مصنوعی؛ ابزاری برای کمک به کارکنان تحت فشار نظام سلامت
تقاضا برای خدمات درمانی در سراسر جهان رو به افزایش است. هم‌زمان، بسیاری از مناطق با کمبود نیروی انسانی، زمان و تجهیزات روبه‌رو هستند. از نظر دکتر توماس زاپاتا، مدیر آکادمی سازمان جهانی بهداشت در شهر لیون فرانسه، همین کمبودها یکی از مهم‌ترین زمینه‌های استفاده از هوش مصنوعی به شمار می‌روند.
زاپاتا در یکی از نشست‌های تخصصی اجلاس جهانی سلامت گفت: «باید به تناقضی فکر کنیم که اکنون با آن روبه‌رو هستیم. شمار متخصصان سلامت در جهان بیش از هر زمان دیگری است و به فناوری‌هایی دسترسی داریم که پیش از این هرگز در اختیارمان نبوده‌اند.»
او بااین‌حال تأکید کرد که نظام‌های سلامت همچنان با کمبود بسیار شدید نیروی انسانی مواجه‌اند و افزود: «تقاضا برای خدمات سلامت همچنان در حال افزایش است.»
زاپاتا معتقد است هوش مصنوعی می‌تواند به کاهش فاصله میان نیاز روزافزون به خدمات درمانی و ظرفیت موجود کمک کند. اما به باور او، نکته اساسی این است که هوش مصنوعی نباید هدفی مستقل تلقی شود؛ بلکه باید آن را ابزاری دانست که در ساختار نظام‌های سلامت موجود به کار گرفته می‌شود.
او هشدار داد: «هوش مصنوعی ابزاری توانمندساز و وسیله‌ای برای رسیدن به هدف است. در حال حاضر، فناوری و هوش مصنوعی ما را بسیار مجذوب خود کرده‌اند، اما فکر می‌کنم باید جایگاه درست آن را در چارچوب نظام سلامت مشخص کنیم.»
از دیدگاه زاپاتا، هوش مصنوعی در دو حوزه اصلی می‌تواند نقش‌آفرینی کند. نخست اینکه شیوه سازمان‌دهی و ارائه خدمات درمانی را تغییر دهد و دوم اینکه آموزش اولیه و آموزش‌های مستمر کارکنان حوزه سلامت با امکانات جدید این فناوری سازگار شود.
هوش مصنوعی در نهایت می‌تواند حجم کار کارکنان را کاهش دهد، انجام امور اداری را ساده‌تر کند، کیفیت تصمیم‌گیری‌های بالینی را بهبود بخشد و فرایندهای تشخیص بیماری را ارتقا دهد. بااین‌حال، آنچه برای زاپاتا اهمیت ویژه‌ای دارد، این است که فناوری زمان بیشتری برای فعالیت‌هایی فراهم کند که نمی‌توان و نباید به‌آسانی به ماشین‌ها سپرد؛ یعنی رسیدگی مستقیم و انسانی به بیماران.
بحران ابولا در جمهوری دموکراتیک کنگو بیش از هر چیز نشان داده است که اعتماد مردم به نظام سلامت محلی با کمبود جدی روبه‌رو است.
فرصت بیشتر پزشکان برای رسیدگی به بیماران
خودکارسازی فرایندها به‌ویژه در مراکزی می‌تواند تأثیرگذار باشد که کارکنان درمانی زیر فشار شدید کمبود وقت فعالیت می‌کنند. دکتر سیسیلیا امباکا، مشاور ارشد فنی امور سلامت و شرایط اضطراری در سازمان امدادرسان CARE، این چالش‌ها را به‌خوبی می‌شناسد؛ زیرا بیش از ۱۵ سال در خط مقدم ارائه خدمات درمانی فعالیت کرده است.
از نظر او، برای ارزیابی نقش هوش مصنوعی باید به سه پرسش اساسی پاسخ داد: آیا این فناوری می‌تواند به تصمیم‌گیری‌های بالینی کمک کند؟ آیا قادر است وظایف تکراری را بر عهده بگیرد؟ و آیا می‌تواند خدمات درمانی را با نیازهای فردی هر بیمار هماهنگ‌تر کند؟
امباکا توضیح می‌دهد: «اگر هوش مصنوعی بتواند این وظایف را به‌خوبی انجام دهد، زمان بیشتری برای جنبه‌های انسانی مراقبت باقی می‌ماند؛ در نتیجه می‌توانیم از بیماران سؤال کنیم، به صحبت‌هایشان گوش دهیم، آن‌ها را معاینه کنیم و در صورت نیاز به سطح بعدی خدمات درمانی ارجاع دهیم.»
او خود بیش از ۱۵ سال در خط مقدم خدمات درمانی کار کرده است؛ آن هم در شرایطی که از حمایت اندک، منابع محدود و حجم کاری سنگین برخوردار بوده است.
به‌ویژه هنگام شیوع بیماری‌های همه‌گیر، مسئله فقط جمع‌آوری و بررسی اطلاعات پزشکی نیست. اعتماد مردم نیز نقش مهمی دارد. افراد باید اطمینان داشته باشند که در مراکز درمانی از آن‌ها محافظت می‌شود و مراقبت مناسبی دریافت خواهند کرد. در جوامع آسیب‌دیده، همین اعتماد می‌تواند تعیین کند که مردم به‌موقع برای دریافت کمک پزشکی مراجعه کنند یا خیر.
به گفته ماکسیمیلیان گرتلر، متخصص همه‌گیرشناسی، برآورد می‌شود حدود ۵۰ درصد مرگ‌ومیرها در روستاهای جمهوری دموکراتیک کنگو خارج از مراکز درمانی رخ دهد. نظام سلامت محلی زیر فشار قرار دارد و برای مقابله با شیوع ابولا آماده نبوده است. برای محافظت از کارکنان پرستاری در برابر آلودگی، روزانه به هزاران دست لباس محافظ نیاز است. آلمان نیز به‌تازگی کمک‌های خود را ۲۱ میلیون یورو افزایش داده است.
بنابراین هوش مصنوعی می‌تواند به سازمان‌دهی بهتر خدمات درمانی کمک کند، اما به‌تنهایی قادر نیست اعتماد مردم به مراکز پزشکی را تضمین کند. افزون بر این، همان‌طور که خود کارشناسان هوش مصنوعی نیز انتقاد می‌کنند، فرایندی که این سیستم‌ها از طریق آن به تشخیص بیماری می‌رسند، همچنان در بسیاری از موارد شفاف نیست.
چالش شفافیت؛ هوش مصنوعی چگونه بیماری را تشخیص می‌دهد؟
سیستم‌های پیشرفته هوش مصنوعی می‌توانند حجم عظیمی از داده‌ها را تحلیل کنند و الگوهایی را تشخیص دهند که ممکن است از دید انسان پنهان بمانند. بااین‌حال، در بسیاری از موارد هنوز مشخص نیست که این سیستم‌ها دقیقاً چگونه به نتایج خود می‌رسند.
دکتر توماس تیسن، استاد آموزش پزشکی و انفورماتیک در دانشکده پزشکی گایزل دانشگاه دارتموث آمریکا، این مشکل را چنین توصیف می‌کند: «این سیستم‌ها در شناسایی الگوها فوق‌العاده توانمندند، اما در توضیح اینکه این الگوها واقعاً چه هستند، عملکرد بسیار ضعیفی دارند.»
به گفته او، چت‌بات‌ها و مدل‌های زبانی بزرگ مانند کلود و چت‌جی‌پی‌تی با مشکلی روبه‌رو هستند که می‌توان آن را ناتوانی در توضیح نتایج نامید. از این منظر، هوش مصنوعی همچنان مانند یک جعبه سیاه عمل می‌کند.
این مسئله که به «مشکل جعبه سیاه» معروف است، در حوزه خدمات درمانی اهمیت ویژه‌ای دارد. هنگامی که یک سیستم تشخیص پزشکی ارائه می‌دهد یا درمانی را پیشنهاد می‌کند، متخصصان باید بتوانند ارزیابی کنند که آیا آن نتیجه برای بیمار موردنظر منطقی و مناسب است یا خیر. صرف ارائه یک نتیجه همیشه کافی نیست؛ بلکه باید بتوان مسیر رسیدن به آن نتیجه را نیز بررسی و دنبال کرد.
تیسن می‌گوید: «این همان مشکل توضیح‌پذیری است. این سیستم‌ها نمی‌توانند به زبانی قابل فهم برای انسان توضیح دهند که چگونه به چنین تشخیص‌هایی رسیده‌اند.»
مسئله جعبه سیاه تنها به شفافیت محدود نمی‌شود، بلکه موضوع مسئولیت‌پذیری را نیز در بر می‌گیرد: اگر هوش مصنوعی توصیه نادرستی ارائه کند، چه کسی مسئول خواهد بود؟ به همین دلیل، از نظر دکتر امباکا ضروری است که هوش مصنوعی صرفاً نتایجی را تولید و ارائه نکند، بلکه واقعاً به فرایند تصمیم‌گیری کمک کند.
هشدار کارشناس: هوش مصنوعی نباید جای یادگیری را در آموزش بگیرد
هوش مصنوعی در آموزش متخصصان پزشکی نیز می‌تواند مفید باشد؛ برای مثال، دسترسی به اطلاعات را آسان‌تر کند یا در انجام وظایف تکراری به آن‌ها کمک کند. اما تیسن، استاد آموزش پزشکی و انفورماتیک، معتقد است استفاده از این فناوری در خود فرایند یادگیری با خطراتی همراه است.
او به مطالعه‌ای اشاره می‌کند که در آن جست‌وجوی اطلاعات با موتورهای جست‌وجوی معمولی با استفاده از یک چت‌بات هوش مصنوعی مقایسه شده بود. نتایج نشان داد دانشجویانی که از چت‌بات استفاده کرده بودند، در پایان به دانشی سطحی‌تر دست یافته بودند که به اندازه کافی در ذهنشان تثبیت نشده بود.
تیسن توضیح می‌دهد: «آنچه دشواری‌های مطلوب در یادگیری نامیده می‌شود، در واقع برای فرایند یادگیری بسیار مهم است. اگر تمام فعالیت ذهنی لازم برای یادگیری را به یک چت‌بات بسپارید، هرچند این کار ممکن است بسیار کارآمد باشد، در حقیقت چیزی یاد نمی‌گیرید.»
به باور او، افرادی که می‌خواهند اطلاعات را برای مدت طولانی در ذهن نگه دارند، نباید اجازه دهند هوش مصنوعی تمام مراحل تفکر را به‌جای آن‌ها انجام دهد. این موضوع به‌ویژه در پزشکی اهمیت دارد؛ زیرا گاهی لازم است متخصصان حتی بدون دسترسی به ابزارهای فناورانه نیز بتوانند تصمیم‌های درست بگیرند.
از همین رو، تیسن توصیه می‌کند که هوش مصنوعی در درجه نخست در بخش‌هایی به کار گرفته شود که به کاهش حجم کار کمک می‌کند. اما در مواردی که هدف، فهم عمیق مطالب و حفظ بلندمدت آموخته‌هاست، یادگیری مستقل همچنان باید جایگاه خود را حفظ کند.