استفاده پزشکان بنگلادشی از هوش مصنوعی و تأثیر آن بر یادگیری پزشکی، پژوهش و عملکرد بالینی: یک پیمایش مقدماتی مبتنی بر اینترنت
مقدمه
هوش مصنوعی (AI) به فناوری تحول‌آفرینی در حوزه سلامت تبدیل شده است و کاربردهای آن از آموزش پزشکی و پژوهش‌های زیست‌پزشکی تا تشخیص بیماری، پشتیبانی از تصمیم‌گیری بالینی و مدیریت خدمات سلامت گسترش یافته است. پیشرفت‌های اخیر در یادگیری ماشین و مدل‌های زبانی بزرگ، با فراهم کردن امکان بازیابی سریع اطلاعات، تحلیل داده‌ها و تولید منابع دانش پزشکی، پذیرش ابزارهای مبتنی بر هوش مصنوعی را در میان متخصصان سلامت سرعت بخشیده است [1,2].
در آموزش پزشکی، پلتفرم‌های مبتنی بر هوش مصنوعی ظرفیت آن را دارند که یادگیری شخصی‌سازی‌شده را تسهیل کنند، دسترسی به منابع آموزشی را بهبود بخشند و به فراگیران در درک مفاهیم پیچیده پزشکی کمک کنند. با توجه به اینکه انتظار می‌رود متخصصان آینده سلامت در کنار فناوری‌های مبتنی بر هوش مصنوعی فعالیت کنند، آموزش سواد هوش مصنوعی در دوره‌های پزشکی اهمیت فزاینده‌ای یافته است. در این مسیر، توانایی ارزیابی انتقادی اطلاعات و آگاهی از ملاحظات اخلاقی نیز باید حفظ شود [3].
هوش مصنوعی همچنین بر پژوهش‌های پزشکی تأثیر گذاشته و انجام مرور منابع، برنامه‌ریزی پژوهش، تحلیل داده‌ها و نگارش علمی را تسهیل کرده است. بااین‌حال، استفاده مسئولانه از این فناوری در پژوهش مستلزم توجه به دقت اطلاعات، شفافیت، سوگیری، حفظ حریم خصوصی داده‌ها و نظارت مناسب انسانی است [2,4].
در عملکرد بالینی، کاربردهای هوش مصنوعی در زمینه‌هایی مانند کمک به تشخیص، پشتیبانی از تصمیم‌گیری بالینی و مدیریت بیماران امیدبخش بوده‌اند. بااین‌وجود، نگرانی‌ها درباره سوگیری الگوریتمی، توضیح‌پذیری، پاسخ‌گویی و اجرای اخلاقی همچنان از موانع مهم گسترش استفاده از این فناوری به شمار می‌روند [4,5]. توصیه‌های بین‌المللی تأکید دارند که سامانه‌های هوش مصنوعی در حوزه سلامت باید بر پایه اصول انصاف، شفافیت، استحکام و مراقبت انسان‌محور طراحی و اجرا شوند [5].
با وجود افزایش استفاده از هوش مصنوعی در میان متخصصان سلامت در سراسر جهان، شواهد موجود درباره الگوهای استفاده پزشکان بنگلادشی از این فناوری همچنان محدود است. شناخت نحوه استفاده این پزشکان از ابزارهای هوش مصنوعی در یادگیری پزشکی، پژوهش و عملکرد بالینی برای تدوین راهبردهای آموزشی مناسب و سیاست‌های ادغام مسئولانه این فناوری ضروری است.
بر این اساس، اهداف این مطالعه مقدماتی عبارت بودند از: (۱) ارزیابی فراوانی و الگوهای استفاده پزشکان بنگلادشی از هوش مصنوعی؛ (۲) شناسایی پلتفرم‌های پرکاربرد هوش مصنوعی و کاربردهای آن‌ها در یادگیری پزشکی، پژوهش و عملکرد بالینی؛ (۳) ارزیابی دیدگاه پزشکان درباره تأثیر هوش مصنوعی بر یادگیری پزشکی، پژوهش و عملکرد بالینی؛ و (۴) بررسی دیدگاه پزشکان درباره ادغام زودهنگام هوش مصنوعی در آموزش پزشکی و خدمات سلامت و نقش احتمالی آن در آینده، از جمله جایگزینی یا تقویت فعالیت‌های متداول پزشکی.
مواد و روش‌ها
طرح مطالعه و شرکت‌کنندگان
این مطالعه یک پیمایش مقطعی و اینترنت‌محور بود که به‌صورت مقدماتی و با مشارکت گروه کوچکی از پزشکان بنگلادشی انجام شد تا استفاده از هوش مصنوعی در یادگیری پزشکی، پژوهش و عملکرد بالینی بررسی شود.
پرسش‌نامه‌ای ساختاریافته با استفاده از Google Forms تهیه و به‌صورت الکترونیکی از طریق یک گروه واتس‌اپ برای پزشکان با سطوح حرفه‌ای مختلف ارسال شد. این پرسش‌نامه اطلاعاتی درباره ویژگی‌های جمعیت‌شناختی، پیشینه حرفه‌ای، فراوانی استفاده از هوش مصنوعی، پلتفرم‌های پرکاربرد، موارد استفاده از این فناوری و دیدگاه شرکت‌کنندگان درباره ادغام هوش مصنوعی در علوم پزشکی جمع‌آوری می‌کرد. مشارکت داوطلبانه بود و هدف مطالعه و محرمانه ماندن پاسخ‌ها به اطلاع پاسخ‌دهندگان رسید. تکمیل پرسش‌نامه به‌منزله رضایت برای شرکت در مطالعه و استفاده پژوهشی از داده‌های ناشناس تلقی شد.
گروه واتس‌اپ حدود ۵۰۰ عضو داشت. در مجموع، ۵۸ پزشک پرسش‌نامه را تکمیل کردند و در تحلیل نهایی قرار گرفتند. شرکت در مطالعه کاملاً داوطلبانه بود و برای تماس با اعضا به‌صورت فردی اقدامی انجام نشد. بااین‌حال، ازآنجاکه دعوت‌نامه برای همه اعضای گروه ارسال شده بود، نرخ مشارکت ۱۱٫۶ درصد محاسبه شد.
ابزار گردآوری داده‌ها
دو پژوهشگر بر اساس دانش خود و اهداف مطالعه، پرسش‌نامه‌ای ساختاریافته و خودتکمیل‌شونده طراحی کردند تا الگوهای استفاده پزشکان بنگلادشی از هوش مصنوعی ارزیابی شود. پرسش‌نامه بخش‌هایی درباره ویژگی‌های جمعیت‌شناختی، جایگاه حرفه‌ای، فراوانی استفاده از هوش مصنوعی، پلتفرم‌های ترجیحی، کاربردها در یادگیری پزشکی، پژوهش و عملکرد بالینی، مزایای ادراک‌شده و دیدگاه‌های آینده درباره ادغام هوش مصنوعی در خدمات سلامت داشت. پرسش‌نامه در Google Forms تهیه و به‌صورت الکترونیکی توزیع شد. اگرچه یکی از اعضای ارشد هیئت علمی آن را بررسی کرد، پیش از گردآوری داده‌ها هیچ اعتبارسنجی رسمی روان‌سنجی یا پیش‌آزمون مقدماتی برای پرسش‌نامه انجام نشد.
شرکت‌کنندگان تأثیر ادراک‌شده هوش مصنوعی بر یادگیری پزشکی، پژوهش و عملکرد بالینی را با استفاده از مقیاس لیکرت پنج‌درجه‌ای ارزیابی کردند. امتیازها از «اصلاً (امتیاز ۱)» تا «بسیار زیاد (امتیاز ۵)» متغیر بود. پرسش‌ها همچنین دیدگاه آنان را درباره جایگزینی فعالیت‌های متداول پزشکی با هوش مصنوعی و ضرورت ادغام زودهنگام این فناوری در آموزش پزشکی بررسی می‌کرد.
تحلیل آماری
داده‌ها از Google Forms استخراج و با استفاده از آمار توصیفی تحلیل شدند. متغیرهای طبقه‌ای به‌صورت فراوانی و درصد ارائه شدند. داده‌ها در قالب جدول‌ها و نمودارهای مناسب نمایش داده شدند.
ملاحظات اخلاقی
این مطالعه پیمایشی ناشناس، داوطلبانه و بدون مداخله بود. هیچ اطلاعاتی که هویت شخصی شرکت‌کنندگان را مشخص کند جمع‌آوری نشد و محرمانه بودن پاسخ‌ها حفظ شد. بر اساس راهنمای هیئت‌های بازبینی نهادی شورای پژوهش پزشکی بنگلادش، پژوهش‌های پیمایشی با حداقل خطر که در آن‌ها اطلاعات هویتی شرکت‌کنندگان جمع‌آوری نمی‌شود، از بررسی هیئت بازبینی نهادی (IRB) معاف هستند. بنابراین، برای این مطالعه تأیید رسمی IRB دریافت نشد.
یافته‌ها
ویژگی‌های جمعیت‌شناختی
در مجموع، ۵۸ پزشک در این پیمایش اینترنتی شرکت کردند. از نظر جنسیت، تعداد زنان اندکی بیشتر از مردان بود؛ ۳۰ نفر (۵۱٫۷ درصد) زن و ۲۸ نفر (۴۸٫۳ درصد) مرد بودند. از نظر سنی، بیشتر پاسخ‌دهندگان در گروه ۲۵ تا ۳۴ سال قرار داشتند؛ ۳۶ نفر (۶۲ درصد). پس از آن، گروه سنی ۳۵ تا ۴۴ سال با ۱۹ نفر (۳۲٫۸ درصد) و گروه ۴۵ تا ۵۴ سال با سه نفر (۵٫۲ درصد) قرار گرفتند. هیچ شرکت‌کننده‌ای در گروه سنی کمتر از ۲۵ سال یا ۵۵ سال و بالاتر گزارش نشد.
از نظر جایگاه حرفه‌ای، بیشتر شرکت‌کنندگان دستیاران دوره تحصیلات تکمیلی پزشکی بودند؛ ۴۲ نفر (۷۲٫۴ درصد). پس از آن، متخصصان با ۱۵ نفر (۲۵٫۹ درصد) قرار داشتند. یک نفر (۱٫۷ درصد) نیز داوطلب آزمون بخش نهایی FCPS در رشته پزشکی بود. هیچ کارورز یا پزشک عمومی در پیمایش شرکت نکرد. ویژگی‌های جمعیت‌شناختی شرکت‌کنندگان در جدول ۱ ارائه شده است.
| شاخص | گروه | تعداد (درصد) |
|---|---|---|
| سن (سال) | کمتر از ۲۵ | ۰ (۰٪) |
| ۲۵ تا ۳۴ | ۳۶ (۶۲٫۰٪) | |
| ۳۵ تا ۴۴ | ۱۹ (۳۲٫۸٪) | |
| ۴۵ تا ۵۴ | ۳ (۵٫۲٪) | |
| ۵۵ سال و بالاتر | ۰ (۰٪) | |
| جنسیت | مرد | ۲۸ (۴۸٫۳٪) |
| زن | ۳۰ (۵۱٫۷٪) | |
| جایگاه حرفه‌ای | دستیار دوره تحصیلات تکمیلی | ۴۲ (۷۲٫۴٪) |
| داوطلب بخش نهایی آزمون FCPS | ۱ (۱٫۷٪) | |
| متخصص | ۱۵ (۲۵٫۹٪) |
الگوهای استفاده از پلتفرم‌های هوش مصنوعی
الگوی استفاده از نرم‌افزارهای هوش مصنوعی در شکل ۱ نشان داده شده است. از میان ۵۸ پاسخ‌دهنده، چت‌جی‌پی‌تی پرکاربردترین پلتفرم بود و ۵۴ نفر (۹۳٫۱ درصد) استفاده از آن را گزارش کردند. سایر پلتفرم‌های مورد استفاده عبارت بودند از کلود با هفت نفر (۱۲٫۱ درصد)، جمینای با پنج نفر (۸٫۶ درصد) و Notebook LM با چهار نفر (۶٫۹ درصد) که اکنون با نام Gemini Notebook شناخته می‌شود. شمار کمتری از پاسخ‌دهندگان از GrokAI و SciSpace استفاده می‌کردند؛ هرکدام دو نفر (۳٫۴ درصد). همچنین، برخی شرکت‌کنندگان ابزارهای دیگری از جمله Perplexity، Copilot، Microsoft 365 AI و ابزارهای مبتنی بر هوش مصنوعی گوگل را گزارش کردند که هرکدام یک کاربر (۱٫۷ درصد) داشتند. ازآنجاکه امکان انتخاب چند گزینه وجود داشت، مجموع درصدها از ۱۰۰ درصد بیشتر می‌شود.
فراوانی استفاده از پلتفرم‌های هوش مصنوعی
فراوانی استفاده از نرم‌افزارهای هوش مصنوعی در سه حوزه یادگیری پزشکی، پژوهش و عملکرد بالینی در میان ۵۸ شرکت‌کننده متفاوت بود (شکل ۲).
در زمینه یادگیری پزشکی، ۳۱ نفر (۵۳٫۴ درصد) گزارش کردند که در کمتر از ۵۰ درصد از فعالیت‌های یادگیری خود از نرم‌افزارهای هوش مصنوعی استفاده می‌کنند؛ در مقابل، ۱۸ نفر (۳۱ درصد) در بیش از ۵۰ درصد فعالیت‌های یادگیری خود از این ابزارها بهره می‌بردند. هفت نفر (۱۲٫۱ درصد) گفتند که همواره از هوش مصنوعی استفاده می‌کنند، درحالی‌که دو نفر (۳٫۴ درصد) هرگز برای یادگیری پزشکی از آن استفاده نمی‌کردند.
استفاده از هوش مصنوعی در فعالیت‌های پژوهشی نسبتاً کمتر بود. در مجموع، ۲۴ نفر (۴۱٫۴ درصد) گزارش کردند که در کمتر از ۵۰ درصد از فعالیت‌های پژوهشی خود از هوش مصنوعی استفاده می‌کنند و ۲۱ نفر (۳۶٫۲ درصد) در بیش از ۵۰ درصد این فعالیت‌ها از آن بهره می‌برند. هفت نفر (۱۲٫۱ درصد) همواره از هوش مصنوعی استفاده می‌کردند، درحالی‌که شش نفر (۱۰٫۳ درصد) هرگز در پژوهش‌های خود از این فناوری استفاده نمی‌کردند.
در عملکرد بالینی، فراوانی استفاده از هوش مصنوعی از دو حوزه یادگیری پزشکی و پژوهش کمتر بود. بیشتر شرکت‌کنندگان، یعنی ۳۹ نفر (۶۷٫۲ درصد)، گزارش کردند که در کمتر از ۵۰ درصد از فعالیت‌های بالینی خود از هوش مصنوعی استفاده می‌کنند. ۹ نفر (۱۵٫۵ درصد) در بیش از ۵۰ درصد فعالیت‌های بالینی از آن بهره می‌بردند و هشت نفر (۱۳٫۸ درصد) هرگز در عملکرد بالینی از هوش مصنوعی استفاده نمی‌کردند. تنها دو نفر (۳٫۴ درصد) اعلام کردند که در تمام فعالیت‌های بالینی خود از این فناوری استفاده می‌کنند.
در مجموع، استفاده از هوش مصنوعی در یادگیری پزشکی بیشترین میزان را داشت، پس از آن پژوهش قرار گرفت و کمترین میزان استفاده به عملکرد بالینی مربوط بود.
حوزه‌های کاربرد هوش مصنوعی
موارد استفاده شرکت‌کنندگان از هوش مصنوعی در حوزه‌های یادگیری پزشکی، پژوهش و عملکرد بالینی متفاوت بود. امکان انتخاب چند پاسخ وجود داشت و هر شرکت‌کننده می‌توانست بیش از یک کاربرد را مشخص کند (شکل ۳).
در فعالیت‌های مربوط به یادگیری پزشکی، مطالعه آزاد و غیررسمی رایج‌ترین کاربرد هوش مصنوعی بود و ۳۶ نفر (۶۲٫۱ درصد) آن را گزارش کردند. تهیه ارائه با ۲۴ نفر (۴۱٫۴ درصد)، آماده‌سازی پرسش‌های امتحانی با ۲۲ نفر (۳۷٫۹ درصد) و یادداشت‌برداری با ۱۹ نفر (۳۲٫۸ درصد) در رتبه‌های بعدی قرار داشتند. شمار اندکی از شرکت‌کنندگان نیز از هوش مصنوعی برای درک مفاهیم، کسب اطلاعات بیشتر یا بهبود توضیحات استفاده می‌کردند؛ هرکدام از این موارد توسط یک نفر (۱٫۷ درصد) گزارش شد.
در فعالیت‌های پژوهشی، مرور منابع علمی رایج‌ترین کاربرد هوش مصنوعی بود و ۳۶ نفر (۶۲٫۱ درصد) آن را انتخاب کردند. نگارش پروتکل پژوهش با ۳۴ نفر (۵۸٫۶ درصد) در رتبه بعدی قرار داشت. انتخاب موضوع پژوهش و تحلیل آماری هرکدام توسط ۲۶ نفر (۴۴٫۸ درصد) گزارش شد. همچنین، ۲۲ نفر (۳۷٫۹ درصد) از هوش مصنوعی برای محاسبه حجم نمونه و ۹ نفر (۱۵٫۵ درصد) برای فعالیت‌های مرتبط با جذب بیماران استفاده می‌کردند.
در عملکرد بالینی، تحلیل علائم شایع‌ترین کاربرد هوش مصنوعی بود که ۳۵ نفر (۶۰٫۳ درصد) آن را گزارش کردند. سایر کاربردهای اصلی شامل کمک به تشخیص با ۳۱ نفر (۵۳٫۴ درصد)، برنامه‌ریزی بررسی‌های تشخیصی با ۲۳ نفر (۳۹٫۷ درصد) و کمک در امور مرتبط با درمان با ۲۳ نفر (۳۹٫۷ درصد) بود. استفاده از هوش مصنوعی برای تهیه خلاصه پرونده یا مورد بالینی کمتر رواج داشت و ۱۸ نفر (۳۱ درصد) آن را گزارش کردند. شمار اندکی نیز از این فناوری برای دریافت اطلاعات دارویی یا بررسی درمان‌های جدید استفاده می‌کردند؛ هرکدام از این موارد توسط یک نفر (۱٫۷ درصد) گزارش شد.
در مجموع، هوش مصنوعی بیشتر برای پشتیبانی آموزشی و فعالیت‌های پژوهشی، به‌ویژه مطالعه آزاد و مرور منابع علمی، به کار می‌رفت؛ درحالی‌که کاربردهای بالینی آن عمدتاً بر تحلیل علائم و کمک به تشخیص متمرکز بود.
تأثیر هوش مصنوعی
از شرکت‌کنندگان خواسته شد تأثیر ادغام نرم‌افزارهای هوش مصنوعی بر یادگیری پزشکی، پژوهش و عملکرد بالینی را با استفاده از مقیاس لیکرت پنج‌درجه‌ای، از ۱ (اصلاً) تا ۵ (بسیار زیاد)، ارزیابی کنند (شکل ۴).
در زمینه یادگیری پزشکی، رایج‌ترین پاسخ، بهبود متوسط با امتیاز ۳ بود که ۲۰ نفر (۳۴٫۵ درصد) آن را انتخاب کردند. پس از آن، ۱۶ نفر (۲۷٫۶ درصد) بهبود بسیار زیاد با امتیاز ۴ و ۱۱ نفر (۱۹ درصد) بهبود حداکثری با امتیاز ۵ را گزارش کردند. در مقابل، ۹ نفر (۱۵٫۵ درصد) بهبود اندک با امتیاز ۲ و دو نفر (۳٫۴ درصد) نبود بهبود با امتیاز ۱ را انتخاب کردند.
در زمینه بهبود پژوهش نیز رایج‌ترین پاسخ، بهبود متوسط با امتیاز ۳ بود که ۱۷ نفر (۲۹٫۳ درصد) آن را گزارش کردند. در مجموع، ۱۴ نفر (۲۴٫۱ درصد) بهبود بسیار زیاد با امتیاز ۴ و ۱۳ نفر (۲۲٫۴ درصد) بهبود حداکثری با امتیاز ۵ را انتخاب کردند. ۹ نفر (۱۵٫۵ درصد) هیچ بهبودی و پنج نفر (۸٫۶ درصد) بهبودی اندک را گزارش کردند.
در زمینه عملکرد بالینی، بهبود متوسط با امتیاز ۳ رایج‌ترین پاسخ بود و ۲۱ نفر (۳۶٫۲ درصد) آن را انتخاب کردند. در مجموع، ۱۳ نفر (۲۲٫۴ درصد) بهبود اندک با امتیاز ۲ و ۱۰ نفر (۱۷٫۲ درصد) بهبود بسیار زیاد با امتیاز ۴ را گزارش کردند. هفت نفر (۱۲٫۱ درصد) نبود بهبود با امتیاز ۱ و هفت نفر دیگر (۱۲٫۱ درصد) بهبود حداکثری با امتیاز ۵ را انتخاب کردند.
شرکت‌کنندگان تأثیر ادغام هوش مصنوعی را عموماً مثبت و در حد متوسط تا قابل‌توجه ارزیابی کردند. بیشترین فایده ادراک‌شده به یادگیری پزشکی مربوط بود و پس از آن پژوهش و عملکرد بالینی قرار داشتند. استفاده از هوش مصنوعی در پژوهش در بنگلادش هنوز فراگیر نشده و میزان پذیرش آن پایین‌تر است. افزون بر این، آموزش مناسب برای استفاده از هوش مصنوعی در پژوهش در دسترس نیست؛ ازاین‌رو، شرکت‌کنندگان این فناوری را برای فعالیت‌های پژوهشی خود کمتر مفید می‌دانستند.
کاهش عملکرد در نبود هوش مصنوعی
از شرکت‌کنندگان پرسیده شد که به باور آنان، در صورت استفاده نکردن از هوش مصنوعی، عملکردشان با چه فراوانی کاهش می‌یابد (شکل ۵).
از میان ۵۸ پاسخ‌دهنده، بیشتر افراد، یعنی ۳۵ نفر (۶۰٫۳ درصد)، گزارش کردند که بدون کمک هوش مصنوعی، عملکردشان در کمتر از ۵۰ درصد مواقع کاهش می‌یابد. در مجموع، ۱۹ نفر (۳۲٫۸ درصد) گفتند که عملکردشان بدون هوش مصنوعی هرگز کاهش نمی‌یابد. تنها چهار نفر (۶٫۹ درصد) معتقد بودند که در نبود این فناوری، عملکردشان در بیش از ۵۰ درصد مواقع افت خواهد کرد. هیچ‌یک از شرکت‌کنندگان کاهش عملکرد در تمام مواقع را گزارش نکردند.
بیشتر شرکت‌کنندگان هوش مصنوعی را ابزاری کمکی می‌دانستند که عملکردشان را بهبود می‌بخشد، اما آن را برای حفظ عملکرد معمول خود ضروری تلقی نمی‌کردند.
ادغام زودهنگام هوش مصنوعی
از شرکت‌کنندگان خواسته شد دیدگاه خود را درباره ضرورت ادغام هوش مصنوعی از مراحل اولیه در یادگیری پزشکی، پژوهش و عملکرد بالینی بیان کنند (شکل ۶).
از میان ۵۸ پاسخ‌دهنده، ۳۲ نفر (۵۵٫۲ درصد) موافق بودند که هوش مصنوعی باید از همان مراحل آغازین وارد این حوزه‌ها شود. در مجموع، ۲۰ نفر (۳۴٫۵ درصد) گزینه «شاید» را انتخاب کردند که نشان‌دهنده تردید آن‌ها درباره ادغام زودهنگام این فناوری بود. تنها شش نفر (۱۰٫۳ درصد) با ادغام زودهنگام هوش مصنوعی در یادگیری پزشکی، پژوهش و عملکرد بالینی موافق نبودند.
بیشتر شرکت‌کنندگان از وارد کردن زودهنگام هوش مصنوعی به آموزش پزشکی و فعالیت‌های مرتبط با خدمات سلامت حمایت کردند، هرچند سهم قابل‌توجهی از پاسخ‌دهندگان همچنان تردید داشتند.
نقش آینده هوش مصنوعی: جایگزینی یا تقویت توانمندی‌ها؟
در پایان، از شرکت‌کنندگان درباره دیدگاهشان نسبت به این موضوع پرسیده شد که آیا هوش مصنوعی در آینده جایگزین روش‌های متداول یادگیری پزشکی، پژوهش، عملکرد بالینی یا خود پزشکان خواهد شد (شکل ۷).
پاسخ‌ها درباره احتمال جایگزینی فعالیت‌های متداول پزشکی، از جمله یادگیری، پژوهش و عملکرد بالینی، متفاوت بود. از میان ۵۸ شرکت‌کننده، ۲۳ نفر (۳۹٫۷ درصد) معتقد بودند که هوش مصنوعی جایگزین این فعالیت‌ها نخواهد شد، درحالی‌که ۱۹ نفر (۳۲٫۸ درصد) احتمال می‌دادند که این فناوری در آینده جای آن‌ها را بگیرد. ۱۶ نفر (۲۷٫۶ درصد) گزینه «شاید» را انتخاب کردند.
در پاسخ به این پرسش که آیا هوش مصنوعی در آینده جایگزین پزشکان خواهد شد، بیشتر شرکت‌کنندگان، یعنی ۴۸ نفر (۸۲٫۸ درصد)، با این احتمال مخالفت کردند. تنها چهار نفر (۶٫۹ درصد) معتقد بودند که هوش مصنوعی می‌تواند جای پزشکان را بگیرد و شش نفر (۱۰٫۳ درصد) گزینه «شاید» را انتخاب کردند.
در مجموع، شرکت‌کنندگان پذیرش بیشتری نسبت به استفاده از هوش مصنوعی به‌عنوان ابزاری در فعالیت‌های پزشکی نشان دادند، اما بیشتر آن‌ها این فناوری را جایگزینی کامل برای پزشکان نمی‌دانستند.
بحث
این پیمایش مقدماتی، تصویری اولیه از الگوهای کنونی استفاده پزشکان بنگلادشی از هوش مصنوعی ارائه می‌دهد و نشان می‌دهد که این فناوری هم‌اکنون در یادگیری پزشکی، پژوهش و عملکرد بالینی به کار گرفته می‌شود. در میان ۵۸ پاسخ‌دهنده، استفاده از هوش مصنوعی در یادگیری پزشکی و پژوهش بیشتر بود، درحالی‌که کاربرد معمول آن در محیط‌های بالینی کمتر رواج داشت. این الگو نشان می‌دهد که پزشکان در حال حاضر بیشتر از هوش مصنوعی به‌عنوان ابزاری برای پشتیبانی آموزشی و دانشگاهی استفاده می‌کنند و هنوز استفاده گسترده از آن در تصمیم‌گیری بالینی محقق نشده است.
در مطالعه ما، ۵۳٫۴ درصد شرکت‌کنندگان گزارش کردند که در کمتر از ۵۰ درصد از فعالیت‌های یادگیری پزشکی خود از هوش مصنوعی استفاده می‌کنند، درحالی‌که ۱۲٫۱ درصد گفتند که همواره از آن بهره می‌برند. از سوی دیگر، ۳۱ درصد شرکت‌کنندگان اعلام کردند که در بیش از ۵۰ درصد مواقع از هوش مصنوعی استفاده می‌کنند. مطالعه آزاد و غیررسمی، با میزان ۶۲٫۱ درصد، رایج‌ترین کاربرد آموزشی بود و پس از آن تهیه ارائه با ۴۱٫۴ درصد و آماده‌سازی پرسش‌های امتحانی با ۳۷٫۹ درصد قرار داشت. گزارش‌های پیشین نشان داده‌اند که ابزارهای هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ می‌توانند با ارائه توضیحات، خلاصه‌سازی اطلاعات و کمک به بررسی مفاهیم پزشکی، از آموزش پزشکی پشتیبانی کنند. بااین‌حال، استفاده مؤثر از این ابزارها مستلزم آن است که فراگیران اطلاعات تولیدشده را به‌صورت انتقادی ارزیابی کنند و بدون راستی‌آزمایی به آن‌ها اتکا نداشته باشند [6,7]. در پیمایش ما، استفاده از هوش مصنوعی هنوز محدود بود و شمار قابل‌توجهی از پزشکان همچنان بدون کمک این فناوری به یادگیری می‌پرداختند.
هوش مصنوعی در فعالیت‌های پژوهشی نیز کاربرد گسترده‌ای داشت. در پیمایش ما، مرور منابع علمی با ۶۲٫۱ درصد، رایج‌ترین کاربرد پژوهشی بود و پس از آن نگارش پروتکل با ۵۸٫۶ درصد قرار داشت. انتخاب موضوع و تحلیل آماری نیز هرکدام توسط ۴۴٫۸ درصد شرکت‌کنندگان گزارش شدند. این یافته‌ها نشان می‌دهند که هوش مصنوعی به دستیاری مفید در مراحل مختلف پژوهش پزشکی تبدیل می‌شود. مطالعات پیشین نیز ظرفیت ابزارهای هوش مصنوعی را برای افزایش کارایی نگارش علمی، بازیابی اطلاعات و مدیریت فرایند پژوهش برجسته کرده‌اند. بااین‌حال، تولید اطلاعات نادرست، ساختن منابع استنادی جعلی و درک محدود از زمینه و بافت موضوع همچنان چالش‌های مهمی هستند که نظارت انسانی را ضروری می‌کنند [6,8].
چت‌جی‌پی‌تی پرکاربردترین پلتفرم هوش مصنوعی در مطالعه ما بود و ۹۳٫۱ درصد پاسخ‌دهندگان استفاده از آن را گزارش کردند. رواج این ابزار ممکن است به دسترسی آسان، قابلیت گفت‌وگویی و دامنه گسترده کاربردهای آن در آموزش پزشکی و پژوهش مربوط باشد. ارزیابی‌های پیشین نشان داده‌اند که چت‌جی‌پی‌تی می‌تواند در آزمون‌های مبتنی بر دانش پزشکی، از جمله آزمون‌های صدور مجوز پزشکی ایالات متحده (USMLE)، عملکرد مناسبی داشته باشد؛ موضوعی که ظرفیت آن را به‌عنوان ابزاری برای پشتیبانی آموزشی نشان می‌دهد [7]. بااین‌حال، عملکرد هوش مصنوعی ممکن است برحسب پیچیدگی سناریوی بالینی متفاوت باشد و مسئولیت تفسیر نهایی اطلاعات و تصمیم‌گیری همچنان بر عهده متخصصان پزشکی است.
اگرچه استفاده بالینی از هوش مصنوعی در مقایسه با کاربرد آن در یادگیری و پژوهش کمتر بود، سهم قابل‌توجهی از شرکت‌کنندگان استفاده از این فناوری برای تحلیل علائم (۶۰٫۳ درصد)، کمک به تشخیص (۵۳٫۴ درصد)، برنامه‌ریزی بررسی‌های تشخیصی (۳۹٫۷ درصد) و دریافت کمک در امور مرتبط با درمان (۳۹٫۷ درصد) را گزارش کردند. این یافته‌ها حاکی از افزایش علاقه پزشکان بنگلادشی به استفاده از هوش مصنوعی برای پشتیبانی بالینی است. در ادبیات علمی نیز بر این نکته تأکید شده است که هوش مصنوعی می‌تواند با کمک به متخصصان سلامت، کارایی بالینی را افزایش دهد؛ بااین‌حال، محدودیت‌های مربوط به قابلیت اعتماد، شفافیت، حریم خصوصی و مسئولیت اخلاقی همچنان مانع پذیرش بی‌قیدوشرط آن در محیط‌های بالینی هستند [8,9].
شرکت‌کنندگان عموماً هوش مصنوعی را برای یادگیری پزشکی، پژوهش و عملکرد بالینی مفید ارزیابی کردند. بااین‌حال، دیدگاه‌ها درباره احتمال جایگزینی فعالیت‌های متداول پزشکی یا پزشکان با هوش مصنوعی در آینده یکسان نبود. شواهد کنونی حاکی از آن است که هوش مصنوعی به احتمال بیشتر فناوری‌ای برای تقویت توانمندی‌های پزشکان خواهد بود تا جایگزینی برای آن‌ها. تخصص انسانی، استدلال بالینی، مهارت‌های ارتباطی و قضاوت اخلاقی همچنان از اجزای ضروری ارائه خدمات سلامت هستند [8,9].
یافته‌های این مطالعه اهمیت توسعه شایستگی‌های مرتبط با هوش مصنوعی را در میان متخصصان پزشکی برجسته می‌کنند. با افزایش ادغام این فناوری در خدمات سلامت، پزشکان به آموزش مناسب نیاز دارند تا قابلیت‌ها، محدودیت‌ها و پیامدهای اخلاقی آن را بشناسند. گنجاندن آموزش هوش مصنوعی در برنامه‌های درسی پزشکی می‌تواند به پزشکان آینده کمک کند تا از این فناوری‌ها به‌شکلی ایمن و مؤثر بهره ببرند [3].
این مطالعه چند محدودیت دارد. نخست، پژوهش یک پیمایش مقدماتی با حجم نمونه نسبتاً کوچک، شامل ۵۸ شرکت‌کننده و نرخ مشارکت ۱۱٫۶ درصد، بود؛ بنابراین، تعمیم‌پذیری یافته‌ها محدود است. دوم، جذب شرکت‌کنندگان از طریق پیمایش اینترنتی در واتس‌اپ ممکن است سوگیری انتخاب ایجاد کرده باشد و پزشکانی را بیشتر وارد مطالعه کرده باشد که دسترسی دیجیتال بهتر یا علاقه بیشتری به هوش مصنوعی دارند. همچنین، مشارکت بیشتر دستیاران دوره تحصیلات تکمیلی و نبود مشارکت کارورزان و پزشکان عمومی ممکن است به روند بیشتر استفاده از هوش مصنوعی در میان دستیاران تحصیلات تکمیلی مربوط باشد. سوم، الگوهای استفاده از هوش مصنوعی بر اساس گزارش خود شرکت‌کنندگان تعیین شدند و ممکن است بازتاب دقیقی از رفتار واقعی آن‌ها نباشند. چهارم، پرسش‌نامه طراحی‌شده پیش از استفاده به‌طور رسمی اعتبارسنجی یا پیش‌آزمون نشد. در نهایت، تحلیل آماری به آمار توصیفی محدود بود و هیچ آزمون استنباطی انجام نشد. درنتیجه، امکان ارزیابی ارتباط میان ویژگی‌های شرکت‌کنندگان و الگوهای استفاده از هوش مصنوعی وجود نداشت و باید یافته‌ها را اکتشافی و زمینه‌ساز تدوین فرضیه در نظر گرفت. برای بررسی الگوهای پذیرش هوش مصنوعی، موانع استفاده و نیازهای آموزشی متخصصان سلامت در بنگلادش، انجام مطالعات آینده با مشارکت مراکز متعدد، نمونه‌های بزرگ‌تر و پرسش‌نامه‌های اعتبارسنجی‌شده ضروری است.
نتیجه‌گیری
این پیمایش مقدماتی نشان می‌دهد که پزشکان بنگلادشی به‌طور فزاینده‌ای از ابزارهای هوش مصنوعی، به‌ویژه در یادگیری پزشکی و پژوهش، استفاده می‌کنند. چت‌جی‌پی‌تی پرکاربردترین پلتفرم بود و هوش مصنوعی اغلب برای مرور منابع علمی، نگارش پروتکل پژوهشی، پشتیبانی آموزشی، تحلیل علائم و کمک به تشخیص به کار می‌رفت. شرکت‌کنندگان عموماً این فناوری را ابزاری مفید برای بهبود یادگیری پزشکی، پژوهش و عملکرد بالینی می‌دانستند. بااین‌حال، استفاده از هوش مصنوعی در محیط‌های بالینی همچنان نسبتاً محدود است و این امر بر ضرورت آموزش مناسب، راهنمایی اخلاقی و ادغام مسئولانه این فناوری در خدمات سلامت تأکید می‌کند. هوش مصنوعی به‌جای جایگزینی پزشکان باید به‌عنوان فناوری پشتیبان در نظر گرفته شود که کارایی بالینی را افزایش می‌دهد و درعین‌حال نقش اساسی تخصص و قضاوت انسانی را حفظ می‌کند. برای شناخت دقیق‌تر الگوهای پذیرش هوش مصنوعی، چالش‌های استفاده از آن و نیازهای آموزشی متخصصان سلامت در بنگلادش، انجام مطالعات گسترده‌تر ضروری است.