کاربردهای هوش مصنوعی در پزشکی شامل تشخیص سریع، درمان بهینه و پزشکی شخصی‌سازی‌شده است. به‌روزترین روش

چکیده

هوش مصنوعی (AI) با ابزارهای یادگیری ماشینی برای جستجو، ذخیره و تجزیه و تحلیل داده‌های پزشکی استفاده می‌شود تا هم به نفع پزشکان و هم برای سلامت بیماران به طرق مختلف باشد. با پیشرفت در الگوریتم‌های یادگیری ماشین و تکنیک‌های بیوانفورماتیک، هوش مصنوعی به بخشی ضروری از جامعه مراقبت‌های بهداشتی مدرن تبدیل شده است. الگوریتم‌های هوش مصنوعی و برنامه‌های یادگیری عمیق از پزشکان در مدیریت سوابق سلامت، تشخیص و تصمیم‌گیری بالینی، تجویز دارو، تعیین سلامت روان و تجزیه و تحلیل تصویربرداری پشتیبانی می‌کنند. پزشکان به سرعت به اطلاعات و تحقیقات مرتبط با نیازهای بیماران دسترسی پیدا می کنند. از آنجایی که برخی از الگوریتم‌ها با پزشکان بالینی رقابت می‌کنند و گاهی از آنها بهتر عمل می‌کنند، لازم است که این فناوری به طور کامل در اقدامات پزشکی روزانه ادغام شود. با این حال، ما باید نقاط قوت و ضعف هوش مصنوعی را بشناسیم و دیدگاه‌های متخصصان خارج از حوزه پزشکی را به‌دست آوریم تا بتوانیم جنبه‌های اخلاقی، فلسفی، جامعه‌شناختی، روان‌شناختی، رفتاری و اقتصادی رفتار ماشین را در هنگام درک تعامل متقابل در حال تکامل، شامل شود. ماشین آلات با انسان، به طوری که می توان از آن برای اهداف سودمند استفاده کرد. فناوری هوش مصنوعی را نمی‌توان جایگزینی برای پزشکان در نظر گرفت، بلکه می‌تواند به‌عنوان پشتیبانی دستگاه‌های وظیفه‌محور چندگانه عمل کند تا بار روی دوش پزشکان کاهش یابد تا بتوانند مراقبت بهتری از زندگی برای بیماران در هر سطح ارائه کنند.

کلمات کلیدی

هوش مصنوعی، پزشکی، یادگیری ماشینی، تشخیص، تصمیم بالینی

مقدمه

هوش مصنوعی در پزشکی ، یادگیری ماشینی (ML) و سایر روش‌های آماری جدید، منابع رو به رشدی را به‌کار نبرده‌اند و فرصت‌های جدیدی را برای بهره‌مندی بیماران با دقت تشخیصی بهبود یافته، پیش‌بینی پیش‌آگهی قابل اعتماد، درمان دقیق و کارایی عملیاتی دقیق برای سیستم‌های بهداشتی فراهم کرده‌اند.  فناوری‌های نوپای AI/ML شامل برنامه‌های تشخیصی مبتنی بر تصویر بود که نوید بالینی اولیه را برای درمان شخصی نشان می‌داد. الگوریتم‌های یادگیری عمیق (DL) دقت را در تشخیص آسیب‌شناسی شبکیه بهبود می‌بخشند و پردازش زبان طبیعی (NPL) اطلاعات را از متن داده‌های ساختاری و بدون ساختار موجود در پرونده‌های سلامت استخراج می‌کند. روش های آماری برای توسعه همبستگی های بالینی و ایجاد روابط متقابل با نمونه ها از داده های موجود استفاده می شود. برای تشخیص بیمار، دو تکنیک وجود دارد: فلوچارت و رویکرد پایگاه داده. رویکرد فلوچارت مجموعه ای از سوالات را با توجه به سابقه بیمار ترجمه می کند و متعاقباً با ترکیب تاریخچه با علائم فعلی به یک تشخیص احتمالی می رسد. حجم زیادی از داده ها به ابر مبتنی بر ML با طیف گسترده ای از علائم و بیماری هایی که پزشکان در معاینات معمول پزشکی با آنها برخورد کرده اند، داده می شود.  اخیراً، صنعت مراقبت های بهداشتی استفاده از رویکردهای مبتنی بر علم کامپیوتر و انفورماتیک مدرن را همراه با سیستم های هوش مصنوعی برای حمایت از کارکنان پزشکی در راه اندازی بالینی و تحقیقات مداوم بیماری های مزمن آغاز کرده است. هوش مصنوعی فناوری کارآمد و دقیقی را برای یافتن درمان برای بیماران مبتلا به بیماری های مزمن به کار گرفته است. الگوریتم‌های هوش مصنوعی نسبت به رویکردهای سنتی تحلیل و تصمیم‌گیری بالینی مزایای متعددی دارند. سیستم‌های هوش مصنوعی می‌توانند مجموعه داده‌های آموزشی را با دقت بیشتری درک کنند و بیشتر به پزشکان کمک کنند تا بینش جدیدی در مورد انعطاف‌پذیری درمان، فرآیندهای مراقبت، تشخیص‌ها و نتایج نتایج بیماران داشته باشند.

در حال حاضر، هوش مصنوعی برای پشتیبانی از تصمیم گیری بالینی و تجزیه و تحلیل تصویر در تنظیمات پزشکی استفاده می شود. ابزارهای پشتیبانی تصمیم بالینی به پزشکان کمک می کند تا در مورد درمان، داروها و سایر نیازهای بیماران با دسترسی سریع به اطلاعات بسیار مرتبط تصمیم بگیرند. ابزارهای هوش مصنوعی برای تجزیه و تحلیل اسکن های توموگرافی کامپیوتری، اشعه ایکس، تصویربرداری تشدید مغناطیسی هسته ای (MRI) و سایر تصاویر پزشکی برای ضایعات یا نشانگرهای دیگر استفاده می شود که می تواند به رادیولوژیست ها در دستیابی به تشخیص دقیق کمک کند. تحقیقات و نتایج حاصل از پیش‌بینی‌های هوش مصنوعی به نفع پزشکان، محققان و بیماران استفاده می‌شود. به تدریج، هوش مصنوعی به یک بازیگر اصلی در عرصه حمایت از سلامت دیجیتال تبدیل شده است و در حال تغییر شکل دادن به پیشرفت‌ها در فناوری مدرن پزشکی است. ⁷

روش‌های پزشکی استاندارد با استفاده از فناوری خیلی زود با جمع‌آوری مجموعه داده‌های بزرگ تولید شده در بیمارستان‌ها و ذخیره شده در پرونده‌های پزشکی الکترونیکی از طریق آزمایش‌ها و تصویربرداری پزشکی که به هوش مصنوعی اجازه می‌دهد تا پزشکی مبتنی بر داده‌های بالا را انجام دهد، جایگزین روش‌های سنتی خواهد شد. چنین برنامه هایی به طور مداوم رویکردهای حل مسئله بالینی پزشکان و محققان را تغییر می دهند. نمای کلی کاربردهای هوش مصنوعی در شکل 1 نشان داده شده است .

شکل 1   مروری بر کاربردهای هوش مصنوعی در پزشکی.

اگرچه همه الگوریتم‌ها نمی‌توانند به طور مؤثر با پزشکان رقابت کنند و عملکرد بهتری داشته باشند، اما همچنان باید از آنها برای اطمینان از بهبود شیوه‌های پزشکی روزانه در انواع وظایف استفاده شود. اگرچه این الگوریتم‌ها می‌توانند تأثیر معناداری داشته باشند، ابتدا باید به نگرانی‌های متعددی توجه شود. درست همانطور که پزشکان از انجام تکالیف، شرکت در امتحانات عملی، انجام مشاهدات بیماری‌های بیماران و تجربه قبلی یاد می‌گیرند، الگوریتم‌های هوش مصنوعی نیز فرآیندهای یادگیری کارآمدی دارند که از مجموعه داده‌های آموزش‌دیده برای تجزیه و تحلیل الگوهای داده شده و تشخیص گفتار، انجام تجزیه و تحلیل تصاویر و تصمیم‌گیری مناسب استفاده می‌کنند. بر این اساس. با این حال، مداخله انسان مورد نیاز است، زیرا باید به کامپیوتر گفته شود که الگوریتم دقیقاً به دنبال کدام تصویر باشد. الگوریتم‌های هوش مصنوعی هنگام انجام کارهای خسته‌کننده عملکرد خوبی دارند و گاهی اوقات می‌توانند از انسان‌ها در کارهایی که برای انجام آن‌ها آموزش دیده‌اند بهتر عمل کنند. سیستم کامپیوتری موثر با داده‌های ساختاریافته برچسب‌گذاری می‌شود که هر نقطه داده دارای یک برچسب یا حاشیه‌نویسی است که برای الگوریتم قابل تشخیص است. هنگامی که الگوریتم مجموعه نقاط داده و برچسب های آنها را به اندازه کافی پیدا کرد، عملکرد برای اطمینان از دقت تجزیه و تحلیل می شود. این کار با وارد کردن داده‌های آزمایشی انجام می‌شود که برنامه‌نویسان از قبل پاسخ‌ها را می‌دانند و به آنها اجازه می‌دهد توانایی الگوریتم برای تعیین پاسخ صحیح را ارزیابی کنند. بر اساس خروجی، الگوریتم اصلاح می‌شود و با داده‌های بیشتری تغذیه می‌شود یا برای کمک به تصمیم‌گیری دقیق‌تر عرضه می‌شود. الگوریتم‌های مورد استفاده در پزشکی به داده‌های عددی (ضربان نبض یا فشار خون) یا مبتنی بر تصویر (اسکن‌های MRI یا نمونه‌های نمونه بافت بیوپسی) به عنوان ورودی نیاز دارند. ⁷ الگوریتم ها از چنین داده هایی یاد می گیرند و یک احتمال یا یک طبقه بندی را تولید می کنند. با توجه به داده‌های ضربان قلب و فشار خون، یک الگوریتم به راحتی می‌تواند احتمال لخته شدن شریانی یا احتمال ابتلا به سرطان را از طریق برچسب‌گذاری نمونه بافت تصویر شده تشخیص دهد. در نهایت، عملکرد یک الگوریتم در تشخیص با ارزیابی پزشک مقایسه می شود، به طوری که می توان با استخراج دقت ترکیبی از نتایج، درمان را آغاز کرد. الگوریتم هوش مصنوعی به نام DLAD (تشخیص خودکار مبتنی بر یادگیری عمیق) که توسط محققان بیمارستان و کالج پزشکی دانشگاه ملی سئول ابداع شده است برای تجزیه و تحلیل رادیوگرافی قفسه سینه و تشخیص رشد غیرطبیعی سلول برای سرطان ها استفاده می شود. ⁸ الگوریتم یادگیری دیگر، LYNA (دستیار گره لنفاوی، https://blog.research.google/2018/10/applying-deep-learning-to-metastatic.html ) توسعه یافته توسط Google Healthcare برای شناسایی تومورهای متاستاتیک سرطان پستان از بیوپسی از یک غدد لنفاوی

روش ها در یافته های پژوهشی موجود

هوش مصنوعی در حال حاضر در برنامه ریزی آنلاین قرار ملاقات ها، چک آپ های آنلاین، سوابق پزشکی کامپیوتری، تماس های بعدی و هشدارهای تاریخ واکسیناسیون برای کودکان و زنان باردار، بر اساس الگوریتم های ML استفاده می شود. الگوریتم‌های ML به بیماران از اثرات نامطلوب مصرف چند دارو هشدار می‌دهند. رادیولوژی در خط مقدم به حداکثر رساندن مزایای هوش مصنوعی قرار دارد. به عنوان مثال ^، تصویربرداری بالینی (کسب و ذخیره تصویر) و تشخیص به کمک کامپیوتر (CAD) در غربالگری پستان استفاده شده است. در برخی موارد، نتایج پیش‌بینی‌شده دقیق نیستند زیرا مطالعات اخیر نشان داده‌اند که تشخیص پشتیبانی CAD بر اساس پیش‌بینی مثبت واقعی، حساسیت و ویژگی است و تشخیص مثبت کاذب منجر به نتایج نادرست غیرضروری می‌شود. ¹⁰ اخیراً، یک مدل مبتنی بر هوش مصنوعی پزشکی به نام هوش مصنوعی پزشکی عمومی پیشنهاد شده است و می‌تواند با استفاده از مجموعه داده‌های برچسب‌گذاری شده بسیار کوچک یا بدون کار خاص، چندوظیفه‌ای انجام دهد. ¹¹ این مدل بر روی مجموعه داده‌های متنوع و بزرگ ساخته شده است که می‌تواند خروجی‌های پزشکی مختلف مانند تصویربرداری داده‌ها، پرونده‌های سلامت الکترونیکی (EHR)، خروجی‌های آزمایشگاهی، مولتیومیک، و متن گرافیکی یا پزشکی را به‌طور انعطاف‌پذیر تفسیر کند.

در یک مطالعه، ابزارهای رادیولوژی هوش مصنوعی به شناسایی معاینات کاذب سریع در توموگرافی کامپیوتری، اشعه ایکس و MRI در تنظیمات با حجم بالا کمک می‌کنند و بر روی آزمایش‌های غیرطبیعی، حتی در بیمارستان‌هایی با نیروی انسانی محدود، برچسب‌گذاری می‌کنند. ¹² یک سیستم پشتیبانی تصمیم DXplain ¹² برای دانشجویان پزشکی طراحی شد و تفاوت‌های قابل پیش‌بینی را بر اساس شاخص‌های پیچیده فهرست کرد ( https://blog.research.google/ ). GermWatcher برای شناسایی و بررسی عفونت در یک بیمارستان استفاده شد. ¹³

کاربردهای گسترده تر هوش مصنوعی در پزشکی شامل امکانات درمانی نیز می شود. CBTpsych.com یک برنامه درمانی آنلاین هوش مصنوعی ایجاد کرده است که به بیماران کمک کرده است تا با استفاده از رویکردهای درمانی اضطراب خود را درمان کنند. ¹⁴ سیستم رباتیک داوینچی مبتنی بر هوش مصنوعی، زمینه های جراحی جراحی های اورولوژی و زنان را متحول کرده است. حرکات دست جراح توسط بازوهای روباتیکی تقلید می شود که توسط یک سیستم کامپیوتری با نمای سه بعدی دقیق و گزینه های بزرگنمایی برای دقت بیشتر عمل می کند، که به جراح اجازه می دهد برش های کوچک را انجام دهد. ³

یکی دیگر از سیستم های وب هوش مصنوعی طراحی مشترکی توسط Buoy Health و بیمارستان کودکان بوستون است که با پاسخ دادن به سؤالات مربوط به داروها و اینکه آیا علائمی نیاز به مراجعه به پزشک دارند یا خیر، به والدین توصیه هایی برای کودکان بیمارشان ارائه می دهد ( https://www.bizjournals.com/boston) /news/2018/08/22/boston-childrens-website-to-feature-self.html ). مؤسسه ملی بهداشت اپلیکیشن AiCure را برای نظارت بر داروهای بیماران از طریق وب‌کم گوشی‌های هوشمندشان ایجاد کرد و از این رو نرخ‌های فردی را کاهش داد. ¹⁵ Fitbit، Apple و سایر ردیاب‌های سلامت به بیماران کمک کرده‌اند ضربان نبض، تناسب اندام و سطح خواب خود را کنترل کنند. برخی از اپلیکیشن‌ها حتی یک ویژگی جدید ردیابی الکتروکاردیوگرام (ECG) را اضافه کرده‌اند تا با نظارت بر فعالیت‌هایشان، به بیماران کمک کند و از آنها حمایت کند تا درمان را خیلی زودتر از حد معمول دریافت کنند. این ویژگی‌های پیشرفته می‌توانند پزشکان را در مورد هر گونه تغییراتی که به آنها امکان می‌دهد مشاوره را با سهولت بیشتری ارائه دهند، هشدار دهد. هلند از برنامه های کاربردی هوش مصنوعی برای تجزیه و تحلیل سیستم مراقبت های بهداشتی خود با کشف اشتباهات در درمان و ناکارآمدی در گردش کار استفاده کرده است تا از شلوغی غیرضروری در بیمارستان ها جلوگیری کند. بسیاری از پیشرفت‌های دیگر در مراحل مختلف توسعه به صنعت مراقبت‌های بهداشتی کمک کرده است. Watson Health IBM دارای ویژگی هایی برای شناسایی موثر علائم بیماری قلبی و سرطان است. مشارکت در مراقبت با کمک هوش مصنوعی دارای یک سیستم پشتیبانی بهداشتی هوشمند با ICUهایی است که با چندین حسگر طراحی شده اند. این اپلیکیشن‌ها می‌توانند هر گونه تغییر رفتاری را در سالمندانی که تنها زندگی می‌کنند و بیماران ICU را حس کنند. ^16،17 مشارکت در مراقبت با کمک هوش مصنوعی همچنین در حال پیشرفت ویژگی‌های پشتیبانی هوشمند بهداشت دست و عوامل مکالمه مراقبت بهداشتی است. پشتیبانی بهداشت دست از حسگرهای عمق با کمک فناوری بینایی رایانه ای برای دستیابی به بهداشت کامل دست برای جلوگیری از عفونت های بیمارستانی استفاده می کند. ¹⁸ Siri، Google Now، S Voice، و Cortana چند پروژه مکالمه مراقبت بهداشتی هستند که به مسائل ذهنی، خشونت بین فردی و سوالات مربوط به سلامتی کاربران تلفن همراه پاسخ می‌دهند و به بیماران اجازه می‌دهند به دنبال مراقبت اولیه باشند. یک پرستار مجازی مولی مراقبت های بعدی را برای بیماران ترخیص شده ارائه می دهد و به پزشکان این امکان را می دهد تا روی موارد فوری تر تمرکز کنند.

هوش مصنوعی نه تنها به سایر صنایع کمک کرده است، بلکه به پزشکان در منطقی کردن وظایف، بهبود کارایی عملیات و ساده کردن روش‌های پیچیده کمک کرده است. شرکت های بزرگی مانند مایکروسافت 40 میلیون دلار طی پنج سال بودجه در سال 2020 برای نوآوری در صنایع مراقبت های بهداشتی سرمایه گذاری کردند. بدون شک، هوش مصنوعی با گسترش هوش مصنوعی در سراسر بخش مراقبت های بهداشتی، تغییر صنعت مراقبت های بهداشتی را آغاز کرده است، و به همین دلیل، سوالات در مورد برتری و محدودیت های این فناوری بیش از پیش مرتبط شده است.

نتایج این یافته ها

هوش مصنوعی تأثیر زیادی بر هر جنبه ای از مراقبت های بهداشتی اولیه و پیشرفته دارد. برنامه های کامپیوتری مجهز به هوش مصنوعی به مراقبان در مراقبت های بهداشتی اولیه کمک می کند تا بیماران را بهتر تشخیص دهند و پروتکل های دقیقی را برای هر فرد ارائه دهند. برنامه های کاربردی هوش مصنوعی همچنین ذخیره و تجزیه و تحلیل اطلاعات بیمار را در سیستم های EHR که آن را به پزشک ارائه می دهد همراه با درک درستی از نیازهای پزشکی بیمار در زمان کمتری تسهیل می کند. این امر باعث صرفه جویی در زمان زیادی برای پزشکان می شود که قبلاً روی میز کار و سیستم های EHR صرف می کردند و به آنها زمان بیشتری برای حضور فیزیکی با بیماران خود می دهد. هوش مصنوعی نه تنها میزان کار پزشکان را کاهش داده و زمان آنها را برای مراقبت های اولیه بهداشتی آزاد کرده است، بلکه نبوغ، دقت و کارایی را نیز افزایش داده است. هوش مصنوعی همچنین برای یافتن و توسعه داروهای جدید و بررسی استفاده مجدد از داروهای موجود برای استفاده در برابر بیماری‌های خاص استفاده می‌شود، زیرا آزمایش‌های بالینی پرهزینه و زمان‌بر هستند. هوش مصنوعی «پزشکی دقیق» را تسهیل می‌کند، زیرا می‌تواند داروهای موجود را غربال کند و درمان را برای بیماران خاص پیشنهاد کند. هوش مصنوعی می‌تواند در طبقه‌بندی بیماری‌های پوستی به‌طور دقیق از متخصصان پوست پیشی بگیرد. ¹⁹ با این حال، در برخی موارد، رویکردهای تصمیم گیری مبتنی بر هوش مصنوعی با نظر متخصص مطابقت ندارد، مانند شناسایی سل ریوی در رادیوگرافی قفسه سینه. ²⁰ افزایش استفاده از فناوری هوش مصنوعی تعداد فرصت های شغلی را نیز کاهش داده است که نگرانی اصلی صنعت سلامت است. علاوه بر این، اگرچه رفتار انسان را می توان با الگوریتم های تحلیلی و منطقی ترجمه کرد، اما ترجمه ویژگی های انسانی مانند توانایی مفهوم سازی، مهارت های تعاملی و ارتباطی، هوش حساس و خلاقیت برای ماشین ها دشوار است. علاوه بر این، پیش‌بینی‌های هوش مصنوعی همیشه دقیق نیستند. در یک مطالعه، 640000 ماموگرافی دیجیتال در چالش DREAM ماموگرافی دیجیتال با کمک چندین کامپیوتر پردازشی پیشرفته مورد بررسی قرار گرفتند. ²¹ نتایج مشاهده شده تقریباً برابر با نتایج 10 درصد پایینی رادیولوژیست ها با ویژگی 0.81، حساسیت 0.80، و سطح زیر منحنی اپراتور گیرنده (ROC) 0.87 بود. با این حال، بدیهی است که هوش مصنوعی نقش مهمی در صنعت مراقبت های بهداشتی در آینده ایفا خواهد کرد و بنابراین آموزش کارکنان پزشکی در رابطه با مفاهیم و کاربرد آن ضروری است. هوش مصنوعی در فضای کاری مبتنی بر فناوری برای پرورش مهارت‌های نرمی مانند همدلی در ماشین‌ها کارآمد است. پزشکان مراقبت های اولیه باید با فناوری پیشرفته هوش مصنوعی آینده آشنا شوند تا پیشرفت خود را در دنیای پزشکی تضمین کنند.

به جای تمرکز بر جایگزینی کامل برای مداخله انسانی، باید تعادل سودمند متقابل بین استفاده موثر از هوش مصنوعی، نیروی انسانی و تصمیم گیری پزشکان آموزش دیده مراقبت های اولیه ایجاد شود. جایگزینی انسان با هوش مصنوعی در حوزه پزشکی، نگرانی های اخلاقی عمده ای را با محدودیت هایی به همراه دارد و بنابراین بهتر است حداکثر مزایایی را که می توان از این فناوری پیشرفته به دست آورد، استخراج کرد. مشاهده شده است که هوش مصنوعی با پردازش سریع اطلاعات برای تحقیق یا کمک به پزشکان برای تصمیم گیری بهتر، می تواند تأثیر مثبتی بر عملکرد پزشکی داشته باشد.

کاربردهای فعلی هوش مصنوعی در پزشکی

اولین کاربرد هوش مصنوعی در پزشکی مربوط به تشخیص زودهنگام فیبریلاسیون دهلیزی بود. فیبریلاسیون دهلیزی AliveCor و مانیتورینگ ECG مبتنی بر گوشی‌های هوشمند توسط FDA در سال 2014 با دستگاه KardiaMobile آنها که کاربردهای بالقوه‌ای برای بیماران سرپایی دارد تأیید شد. ²² FDA برنامه دیگری از گوشی هوشمند اپل را برای نظارت بر ECG و تشخیص فیبریلاسیون دهلیزی تأیید کرد. ²³ این دستگاه ها محدودیت های خود را دارند، اما، زیرا ممکن است نتایج مثبت کاذب به دلیل حرکت مصنوعات ایجاد کنند و برای بیماران مسن که از فیبریلاسیون دهلیزی رنج می برند، استفاده از دستگاه های پوشیدنی را ناراحت می کند. اگرچه نتایج به طور کلی دقیق نبودند، اما هوش مصنوعی برای پیش‌بینی خطر بیماری‌های قلبی عروقی مانند سندرم حاد کرونری و حمله قلبی و هشدار دادن به بیماران استفاده شده است. ^24,25 ابزار هوش مصنوعی همچنین می توانند نتایج عملکرد ریوی را تفسیر کرده و تصمیمات پیش بینی کنند. ²⁶ برای بیماران مبتلا به دیابت، دستگاه‌های پشتیبانی هوش مصنوعی نظارت مستمر گلوکز را امکان‌پذیر می‌کنند و اطلاعاتی در مورد جهت و سرعت تغییر سطح گلوکز خون ارائه می‌دهند. ²⁷ برای مثال، مدترونیک مورد تایید FDA، دارای برنامه های گوشی هوشمند برای نظارت بر سطح گلوکز در بیماران است. ²⁷ این دستگاه‌های هوشمند به بیماران دیابتی کمک می‌کنند تا کنترل قند خون خود را بهینه کنند و انگ مرتبط با دوره‌های هیپوگلیسمی را کاهش دهند. با این حال، گاهی اوقات هنگامی که بیماران قادر به تنظیم سطح گلوکز خود نیستند، اعلان باعث افزایش سطح اضطراب می شود. ^اگرچه با کاربردهای محدود، ابزارهای هوش مصنوعی در نفرولوژی دیده می‌شوند، جایی که می‌توانند کاهش نرخ فیلتراسیون گلومرولی را در بیماران مبتلا به بیماری کلیه پلی کیستیک پیش‌بینی کنند، ^و هشدارهای خطر را برای نفروپاتی پیشرونده IgA ارائه دهند. ³⁰ ابزار هوش مصنوعی همچنین کاربردهای گسترده ای در محیط بالینی گوارش دارند که در آن استفاده از شبکه های عصبی کانولوشن و سایر مدل های یادگیری عمیق می تواند تصاویر آندوسکوپی و اولتراسوند را برای تعیین محل ناهنجاری ها پردازش کند. ³¹ ابزار هوش مصنوعی می‌توانند بیماری‌ها را تشخیص داده و نتایج را پیش‌بینی کنند، که به پزشکان کمک می‌کند تا روند درمان بیماری‌هایی مانند بیماری رفلاکس معده، ³² گاستریت آتروفیک، ³³ خونریزی گوارشی، ³⁴ سرطان مری، ³⁵ سرطان مری، 35 کولیت کولورکتای اولسراتیو ³⁶ و کولیت کولورکتای اولسراتیو ³⁶ ، و سرطان ³⁸ در سال 2018، FDA دستگاه پوشیدنی Embrace را تأیید کرد که می‌تواند تشنج‌های صرع عمومی را تشخیص دهد و پزشکان و مراقبان را با اطلاعات لازم و مکان بیماران آگاه کند. ³⁹حسگرهای پوشیدنی همچنین برای ارزیابی راه رفتن، وضعیت بدنی و لرزش در بیماران مبتلا به مولتیپل اسکلروزیس، بیماری پارکینسون، پارکینسونیسم و ​​بیماری هانتینگتون استفاده می شود. ⁴⁰ یک الگوریتم مبتنی بر هوش مصنوعی تایید شده توسط FDA می تواند سرطان را در هیستوپاتولوژی محاسباتی با دقت زیادی تشخیص دهد. یکی دیگر از حوزه‌های کاربردی هوش مصنوعی، حوزه تشخیص مبتنی بر تصویربرداری است، ⁴¹ که معمولاً به آزمایش‌های بالینی دقیق نیاز دارد، ⁴² یا فقط می‌توان تحت نظارت پزشکی از آن استفاده کرد. سیستم‌های هوش مصنوعی از چندین منبع داده و روش‌های ورودی برای ارائه سریع نتایج دقیق‌تر استفاده می‌کنند. یک چارچوب یکپارچه هوش مصنوعی جامع در پزشکی (HAIM) برای تولید و آزمایش ورودی‌های چندوجهی هوش مصنوعی استفاده شد. نتایج پیش‌بینی کردند که چارچوب HAIM یک مسیر مطلوب برای سیستم‌های چندوجهی آینده در تنظیمات بالینی و عملیاتی ارائه می‌دهد ( شکل 2 ). ^43،44

شکل 2   چارچوب شماتیک برای هوش مصنوعی جامع در پزشکی (HAIM). ⁴⁴

منابع پایگاه داده و جداول از مؤسسات مراقبت های بهداشتی به عنوان HAIM-MIMIC-MM ترکیب شده از MIMIC-IV و MIMIC-CXR-JPG گرفته شده است. (به نقل از Soenksen، LR. و همکاران. npj Digital Medicine، 2022؛ 5:149). CNN، شبکه عصبی کانولوشنال؛ CT، توموگرافی کامپیوتری. نوار قلب، الکتروکاردیوگرام؛ ECO، اکوکاردیوگرافی؛ MRI، تصویربرداری رزونانس مغناطیسی؛ NN، شبکه عصبی؛ O2، اکسیژن؛ ReLU، واحد خطی اصلاح شده. RNN، شبکه عصبی مکرر؛ ایالات متحده، سونوگرافی.

در سال‌های اخیر، آسیب‌شناسی محاسباتی نتایج امیدوارکننده‌ای را برای راه‌حل‌های بهتر برای تصاویر کل اسلاید، داده‌های مولتیومیک و انفورماتیک بالینی نشان داده است. سه حوزه اصلی را برای اتصال بیماران و پزشکان مشخص کرده است: آزمایشگاه‌های محلی، مراکز اسکن، و دسترسی به وب برای پردازش و بازیابی داده‌ها، هوش مصنوعی اکنون قفل اطلاعات را با استفاده از شبکه‌های ارتباط دیجیتال پیشرفته برای بهبود کارایی گردش کار بالینی، ⁴⁴ تشخیص و توانایی باز کرده است. برای تولید برنامه های درمانی شخصی برای بیماران. آسیب شناسی محاسباتی خطاها در طبقه بندی، پیش آگهی و تشخیص را کاهش داده و روش های درمانی بهتری را پیشنهاد می کند. همچنین قادر به تجزیه و تحلیل اطلاعات جمعیت شناختی، تصاویر آسیب شناسی دیجیتال، -omics و نتایج آزمایشگاهی است. ⁴⁵ ابزار هوش مصنوعی تقریباً به تمام جنبه های جریان کار بالینی، از تشخیص تا پیش آگهی و درمان دقیق کمک می کند. داده‌های بالینی از منابع مختلف در مدل‌های ریاضی گنجانده می‌شوند تا استنتاج‌ها و پیش‌بینی‌های تشخیصی ایجاد کنند که پزشکان را قادر می‌سازد تا تصمیم‌های درمانی سریع و بهینه بگیرند. ^46،47 شبکه عصبی عمیق (HER2، ER و Ki67) برای ارزیابی بیومارکر خودکار تصاویر تومور پستان استفاده می شود. ابزارهای ^زیادی وجود ندارد که به عنوان مدل ماموگرافی – بافت شناسی – فنوتیپ – پیوند – مبتنی بر شبکه عصبی کانولوشن جدید عمل کند و برای ارتباط و نقشه‌برداری ویژگی‌ها و فنوتیپ‌ها بین ناهنجاری‌های ماموگرافی و نمایش هیستوپاتولوژیک آنها استفاده شود. با سیستم های EHR، از الگوریتم های ریاضی برای دسترسی به یک بیماری خاص با عوامل مختلف استفاده می شود. ^49،50 چنین داده های یکپارچه ای به پزشکان بینش عمیق تری در مورد درمان در مراحل مختلف بیماری و/یا انواع مختلف بیماران داده است. برنامه های گوشی هوشمند مبتنی بر داده، او و سیستم های اطلاعات آزمایشگاهی برای ادغام داده ها، ^51،52 الگوریتم و تجزیه و تحلیل برای ارائه مراقبت های با کیفیت بالا و کارآمد استفاده می شوند. فرآیندهای تصمیم گیری محاسباتی مبتنی بر هوش مصنوعی و یادگیری ماشین، در را برای فرآیندهای تصمیم گیری برای همه، نه تنها متخصصان، باز کرده است. با این حال، تصمیم‌گیری در پزشکی که اکنون شامل متخصصان سایر رشته‌ها می‌شود، نگرانی‌های اخلاقی و امنیتی را ایجاد می‌کند. ⁵³

آسیب شناسی محاسباتی نیازمند دسترسی به پایگاه های داده سلامت برای ایجاد مجموعه داده های آموزشی است که جامع تر باشد، اما حفاظت دقیق از حریم خصوصی بیمار و سیاست های داده های شخصی مانعی در این زمینه ایجاد می کند. ⁵⁴ مجموعه داده های پیچیده در زمان واقعی و عمیق در multiomics برای استخراج اطلاعات مهم مانند نشانگرهای زیستی جدید و مفید که برای تشخیص زودهنگام بیماری و درمان ضروری هستند، استفاده می شود. مدل های آماری/محاسباتی بسیار پیشرفته حجم زیادی از داده های بالینی و مرتبط با سلامت را متحول کرده است. آسیب شناسی در حال رشد غنی از داده ها منجر به توسعه سریع آسیب شناسی محاسباتی به کمک هوش مصنوعی شده است. کمک هوش مصنوعی حساسیت و دقت تشخیص ها و همچنین زمان چرخش را بهبود می بخشد. علیرغم چالش ها، ⁵⁵ % 75 آسیب شناسان در 59 کشور معتقدند که آسیب شناسی محاسباتی دارایی بزرگی در تغییر و بهبود سیستم مراقبت های بهداشتی فعلی خواهد بود.

مزایای استفاده از هوش مصنوعی در پزشکی

هوش مصنوعی می‌تواند به شیوه‌های مختلف، چه از طریق افزایش سرعت تحقیقات و چه از طریق کمک به پزشکان در تصمیم‌گیری بهتر، تأثیر مثبتی بر عملکرد پزشکی داشته باشد. چند نمونه از برنامه های کاربردی هوش مصنوعی در زیر بخش های زیر آورده شده است.

محدودیت های هوش مصنوعی در پزشکی

جهت های آینده

همانطور که مدل‌های پیشرفته هوش مصنوعی به سرعت تکامل می‌یابند، مدل‌های جدید بالقوه برای در بر گرفتن اطلاعات پزشکی چندوجهی و کمک به پزشکان در تصمیم‌گیری‌های پزشکی پیچیده طراحی می‌شوند. اخیراً، مطالعه ای برای ارزیابی عملکرد ترانسفورماتور 3.5 از پیش آموزش دیده (ChatGPT-3.5) در تصمیم گیری درمان کمکی گلیوم مغز با هدف ارزیابی اثربخشی هوش مصنوعی با مقایسه توصیه ChatGPT-3.5 با توصیه های متخصص در کمک به تومور مغزی پیچیده انجام شده است. تصمیم گیری ⁶² در حال حاضر عملکرد ChatGPT-3.5 قادر به جایگزینی نظرات متخصصان پزشکی نیست، اما از آنجایی که عملکرد تغییرات مربوط به دقت تشخیص، طرح درمانی، دوز درمان، در نظر گرفتن وضعیت عملکردی و عملکرد کلی را نشان می‌دهد، همچنان می‌تواند به عنوان یک ابزار مکمل مفید عمل می کند. از آنجایی که مدل‌های زبان هوش مصنوعی به طور مداوم در حال بهبود هستند، این امکان وجود دارد که در آینده، الگوریتم‌های پیشرفته به بهبود تجربه مراقبت از بیمار، افزایش تجربه مراقب و کاهش هزینه‌های رو به افزایش مراقبت در میان بسیاری دیگر کمک کنند. ⁶³ از آنجایی که نتایج هوش مصنوعی به طور مستقیم با قضاوت اخلاقی انسان مرتبط است، می توان از آن به عنوان یک سیستم پشتیبانی در حوزه اصلی استفاده کرد. با این حال، اینکه آیا انسان‌ها می‌توانند با هوش مصنوعی به شیوه‌ای قابل قبول اجتماعی و بشردوستانه در انفورماتیک بالینی کار کنند و اخلاقی باقی بمانند، یک چالش بزرگ است که هنوز در سطح علمی با آن مواجه نشده است. ^64-67

نتیجه گیری

از پتانسیل هوش مصنوعی می توان برای بهبود سیستم های مراقبت های بهداشتی استفاده کرد. اتوماسیون کارهای خسته کننده با ابزارهای هوش مصنوعی می تواند بار پزشکان را کاهش دهد و امکان افزایش تعامل پزشک و بیمار را فراهم کند. بهبود دسترسی به داده‌ها به متخصصان پزشکی کمک می‌کند تا گام‌های مناسبی برای پیشگیری از بیماری بردارند. از طریق داده های هوش مصنوعی بلادرنگ، تشخیص های بهبود یافته را می توان به راحتی و به سرعت انجام داد و خطاهای اداری را کاهش داد. این فناوری با مشارکت شرکت‌های کوچک و متوسط ​​کاربردی‌تر و آگاه‌تر شده است. ابزارهای هوش مصنوعی به تدریج در صنعت مراقبت های بهداشتی به کار گرفته می شوند و چالش ها و محدودیت ها همچنان با آن مواجه می شوند و بر آن ها غلبه می شود. با این حال، برخی نظارت های انسانی برای حملات سایبری که به طور فزاینده محاسبه می شوند مورد نیاز است. علیرغم برخی محدودیت ها و چالش های هوش مصنوعی، مزایای فوق العاده ای برای صنعت مراقبت های بهداشتی در آینده به همراه خواهد داشت.