تشخیص دیجیتالی

عکس: زمان لازم است تا انسان در تشخیص بیماریها خبره شود، اما هنگام بازنشستگی آن یادگیری از دست می‌رود. Shutterstock / Poprotskiy  الکسی
 
تاکنون، پزشکی یک انتخاب حرفه‌ای معتبر و غالباً پر سود بوده است. اما در آینده نزدیک آیا به همان تعداد پزشک نیاز داریم که تاکنون داشته‌ایم؟ آیا ما در دهه آینده شاهد بیکاری قابل توجه در پزشکی خواهیم بود؟
 
دکتر ساکسون اسمیت، رئیس انجمن پزشکی NSW استرالیا، اواخر سال گذشته در گزارشی اظهار داشت که رایج‌ترین نگرانی‌هایی که وی از پزشکان آموزش دیده و دانشجویان پزشکی می‌شنود این است که "آینده پزشکی چیست؟" و "آیا شغلی خواهم داشت؟" وی گفت که پاسخ‌ها همچنان از وی طفره می‌روند.
 
از آن جا که دانشگاه‌های استرالیا، انگلیس و آمریکا همچنان به تدریج در حال افزایش تعداد دانشجویان پزشکی هستند ، سؤال واضح این است که این پزشکان جدید در آینده کجا کار خواهند کرد؟
 
آیا به دلیل جمعیت رو به سالمندی ما، حرفه‌ی پزشکی نقش گسترده‌ای خواهد داشت؟ یا این که فشار برای کاهش هزینه‌ها همزمان با بهبود نتایج ممکن است منجر به اتخاذ فناوری‌های جدید شود، که در نتیجه احتمالاً نقش‌هایی را که اکنون پزشکان انجام می دهند از بین می برد؟
 

پایین آوردن هزینه‌ها

همه دولت‌ها ، بیماران و پزشکان در سراسر جهان می‌دانند که اگر بخواهیم افراد بیشتری را معالجه کنیم، لازم است هزینه‌های مراقبت‌های بهداشتی کاهش یابد. برخی پیشنهاد می‌کنند که بیماران هزینه بیشتری بپردازند، اما با این حال ما هزینه آن را به آنها پرداخت می‌کنیم. لکن روشن است که کاهش هزینه همان چیزی است که باید اتفاق بیفتد.
 
استفاده از روبات‌های پزشکی برای کمک به جراحان انسانی رواج بیشتری پیدا می‌کند، اما تاکنون از آنها برای تلاش در کسب نتایج بهبودی در بیماران استفاده می‌شود و نه کاهش هزینه‌های جراحی. پس از بالغ شدن این فناوری روباتیک، صرفه جویی در هزینه ممکن است بعداً حاصل شود.
 
عجالتاً این در حوزه تشخیص پزشکی است که بسیاری از افراد ضمن بهبود دقت با استفاده از فناوری به جای پزشکان انسانی، کاهش قابل توجهی در هزینه‌ها را نیز مشاهده می‌کنند.
 
در حال حاضر معمول است که آزمایشات خون و آزمایش ژنتیک (ژنومیک) به طور خودکار و با هزینه بسیار بالایی توسط دستگاه‌ها انجام شود. آنها نمونه خون را تجزیه و تحلیل می‌کنند و به طور خودکار گزارشی تهیه می‌کنند.
 
آزمایشات می‌تواند به اندازه یک سطح هموگلوبین (شمارش خون) از طریق تست‌های دیابت مانند انسولین یا سطح گلوکز ساده باشد. همچنین می‌توان از آنها برای آزمایش‌های بسیار پیچیده‌تری مانند جستجوی آرایش ژنتیکی فرد استفاده کرد.
 
مثال خوب Thyrocare Technologies Ltd در بمبئی هند است که بیش از 100،000 آزمایش تشخیصی از سراسر کشور هر شب انجام می‌شود و گزارش‌ها در عرض 24 ساعت بعد از خون گرفتن از بیمار ارائه می‌شود.
 

ماشین آلات در مقابل انسان

اگر ماشین‌ها بتوانند آزمایش خون را بخوانند، چه کار دیگری هم می‌توانند انجام دهند؟ اگر چه بسیاری از پزشکان این فکر را دوست ندارند، هر تست که نیاز به شناخت الگویی داشته باشد در نهایت توسط یک دستگاه بهتر از یک انسان انجام می‌شود.
 
بسیاری از بیماری‌ها نیاز به تشخیص پاتولوژیک دارند، جایی که پزشک نمونه‌ای از خون یا بافت را نگاه می‌کند تا بیماری را به نحوی دقیق تشخیص دهد: یک آزمایش خون برای تشخیص عفونت، نمونه گیری پوست برای تعیین این که ضایعه سرطان است یا نه، و نمونه بافت گرفته شده توسط یک جراح که به دنبال تشخیص است.
 
همه این مثالها و در حقیقت تمام تشخیص‌های پاتولوژیک توسط پزشک با استفاده از تشخیص الگویی برای تعیین تشخیص انجام می‌شود.
 
از تکنیک‌های هوش مصنوعی با استفاده از شبکه‌های عصبی عمیق، که نوعی یادگیری ماشین است، می توان برای آموزش این دستگاه‌های تشخیصی استفاده کرد. ماشین‌ها به سرعت یاد می‌گیرند و ما در مورد یک دستگاه واحد صحبت نمی‌کنیم، بلکه شبکه‌ای از ماشین ها در سراسر دنیا از طریق اینترنت به هم متصل شده است و از داده‌های جمع شده خود برای ادامه دادن به کار استفاده می‌کنند.
 
این امر یک شبه اتفاق نمی‌افتد - یادگیری برخی از مواقع طول خواهد کشید - اما هنگامی که ماشین آموزش داده شود، فقط به پیشرفت خود ادامه می‌دهد. با گذشت زمان، یک ماشین مناسب آموزش دیده در تشخیص الگوی برتر، از هر انسانی می‌تواند برتر باشد.
 
آسیب شناسی اکنون موضوع آزمایشگاه‌های چندین میلیون دلاری است که به اقتصادهای مقیاسی متکی هستند. از ترک دبیرستان حدود 15 سال طول می‌کشد تا یک پاتولوژیست آموزش ببیند و سپس به طور مستقل فعالیت کند. احتمالاً 15 سال دیگر طول می‌کشد تا آسیب شناس به اندازه گذشته خوب باشد.
 
چند سال پس از آن بازنشسته می شود و تمام دانش و تجربه از دست می‌رود. مطمئناً، بهتر است این دانش توسط نسلهای آینده اخذ و استفاده شود؟ تنها یک آسیب شناس روباتیک می‌تواند این کار را انجام دهد.
 

رادیولوژی، اشعه ایکس و فراتر از آن

آزمایش‌های رادیولوژی بیش از 2 میلیارد دلار از هزینه سالانه Medicare را شامل می‌شود. در گزارشی از سال 2013، تخمین زده شد که در دوره زمانی 2014-15 ، 33600،000 تحقیقات رادیولوژی در استرالیا انجام شد. رادیولوژیست باید هر یک از این موارد را مطالعه کند و گزارش بنویسد.
 
رادیولوژیست‌ها در حال حاضر به طور متوسط ​​بیش از هفت برابر تعداد مطالعات روزانه در مقایسه با پنج سال گذشته در حال مطالعه هستند. این گزارش‌ها، مانند گزارش‌هایی که توسط آسیب شناسان نوشته می‌شود، مبتنی بر شناخت الگو است.
 
در حال حاضر، بسیاری از آزمایش‌های رادیولوژی انجام شده در استرالیا توسط رادیولوژیست‌ها در سایر کشورها، از جمله انگلستان، خوانده می‌شوند. به جای این که یک متخصص در استرالیا در ساعت 3 بامداد از رختخواب بیرون بیاید تا بتواند اسکن مغزی یک بیمار زخمی را بخواند، این تصویر را می توانید به صورت دیجیتالی در هر منطقه زمانی مناسب به پزشک ارسال کنید و تقریباً فوراً گزارش دریافت شود.
 
چه می‌شود اگر ماشین‌ها به خواندن پرتوهای X در ابتدا با رادیولوژیست‌های انسانی کار کنند، و در نهایت به جای رادیولوژیست‌ها نیز کار کنند؟ آیا ما هنوز به رادیولوژیست‌های انسانی احتیاج داریم؟ شاید. تصویر برداری بهتر مانند اسکن ام آر آی و سی تی اسکن، به رادیولوژیست‌ها اجازه می‌دهد برخی از روش‌هایی را که اکنون جراحان با جراحی انجام می‌دهند، بدون جراحی انجام دهند.
 
زمینه رادیولوژی تشخیصی به سرعت در حال گسترش است. در این زمینه، رادیولوژیست‌ها قادر به تشخیص و درمان شرایطی مانند خونریزی رگهای خونی هستند. هر تست که نیاز به شناخت الگویی داشته باشد در نهایت توسط یک دستگاه بهتر از یک انسان انجام می‌شود. این کار با استفاده از تکنیکهای دارای حداقل تهاجم، و عبور سیمها از طریق عروق بزرگتر برای رسیدن به نقطه خونریزی انجام می‌شود.
 
بنابراین رادیولوژیست‌ها ممکن است به انجام روشهایی بپردازند که در حال حاضر توسط جراحان عروقی و قلب انجام می‌شود. افزایش استفاده از جراحی‌های وابسته به روباتیک به این معنی است که این احتمال بیش از حد نیست. اما گسترش یادگیری ماشین و استفاده بیشتر از هوش مصنوعی دامنه استفاده‌های مفید از رادیولوژی را بیش از پیش کسترش می‌دهد.
 
منبع: راس کراوفورد، آنجالی جِیپراکاش، جاناتان روبرتز - Queensland University of Technology