روش های استفاده از هوش مصنوعی در مراقبت های بهداشتی

هوش مصنوعی در حال تبدیل شدن به یک نیروی دگرگون کننده در مراقبت های بهداشتی است. پزشکان و بیماران چگونه از تأثیر ابزارهای مبتنی بر هوش مصنوعی سود می برند؟

سه‌شنبه، 28 دی 1400

تخمین زمان مطالعه:

مترجم : زهرا حاجی احمدی

موارد بیشتر برای شما

صنعت مراقبت های بهداشتی برای برخی تغییرات عمده آماده است. از بیماری‌های مزمن و سرطان گرفته تا رادیولوژی و ارزیابی خطر، فرصت‌های تقریباً بی‌پایانی برای استفاده از فناوری برای به کارگیری مداخلات دقیق‌تر، کارآمدتر و تأثیرگذارتر در لحظه مناسب در مراقبت از بیمار وجود دارد. هوش مصنوعی موتوری است که باعث پیشرفت در مراقبت های بهداشتی می شود. هوش مصنوعی (AI) مزایای زیادی نسبت به روش‌های تحلیل سنتی و تصمیم‌گیری بالینی دارد. الگوریتم‌های یادگیری در تعامل با داده‌های آموزشی می‌توانند دقیق‌تر شوند و به انسان این امکان را می‌دهند که بینش بی‌سابقه‌ای در مورد تشخیص، فرآیندهای مراقبت و تنوع درمان برای بیمار بدست آورند. در مجمع جهانی نوآوری پزشکی (WMIF) در سال 2018 که در مورد هوش مصنوعی توسط Partners Healthcare ارائه شد، محققان برجسته و اعضای هیئت علمی بالینی، فناوری و حوزه صنعت مراقبت های بهداشتی مختلفی را به نمایش گذاشتند که به احتمال زیاد در آینده شاهد تأثیرات عمده هوش مصنوعی خواهند بود.

یکپارچه سازی ذهن و ماشین از طریق رابط های مغز و کامپیوتر

استفاده از رایانه برای برقراری ارتباط به هیچ وجه ایده جدیدی نیست، اما ایجاد رابط های مستقیم بین فناوری و ذهن انسان بدون نیاز به صفحه کلید، ماوس و مانیتور، حوزه تحقیقاتی پیشرفته ای است که برای برخی از بیماران کاربردهای قابل توجهی دارد. بیماری‌های عصبی و آسیب‌های وارده به سیستم عصبی می‌تواند توانایی برخی از بیماران را برای صحبت کردن، حرکت و تعامل معنادار با افراد و محیط‌هایشان از بین ببرد. رابط‌های مغز و کامپیوتر (BCI) که توسط هوش مصنوعی پشتیبانی می‌شوند، می‌توانند آن تجربیات اساسی را به کسانی که می‌ترسیدند برای همیشه از دست بروند، بازگردانند. لی هوچبرگ، گفت: (( اگر در ICU مغز و اعصاب باشم و فردی را ببینم که ناگهان توانایی حرکت یا صحبت کردن را از دست داده است، می‌خواهیم این توانایی را برای برقراری ارتباط بازیابی کنیم. در مرکز نوروتکنولوژی و بازیابی عصبی مستقر در بیمارستان عمومی ماساچوست (MGH) با استفاده از BCI و هوش مصنوعی، می‌توانیم فعال‌های عصبی مرتبط با حرکت دست مورد نظر خود را رمزگشایی کنیم و باید بتوانیم به آن شخص اجازه دهیم به همان روشی که بسیاری از افراد در این اتاق حداقل پنج بار با هم ارتباط برقرار کرده‌اند، ارتباط برقرار کند. بنابراین با استفاده از یک فناوری ارتباطی فراگیر مانند رایانه لوحی یا تلفن، رابط های مغز و کامپیوتر می توانند کیفیت زندگی بیماران مبتلا به ALS یا سکته مغزی و همچنین 500000 نفری را که هر ساله در سراسر جهان دچار آسیب های نخاعی می شوند، به شدت بهبود بخشد )).

توسعه نسل بعدی ابزارهای رادیولوژی

تصاویر رادیولوژیکی به‌دست‌آمده توسط دستگاه‌های ام‌آر‌آی، سی‌تی‌اسکنرها و اشعه ایکس، دید غیرتهاجمی را به عملکرد درونی بدن انسان ارائه می‌کنند. اما بسیاری از فرآیندهای تشخیصی هنوز به نمونه‌های بافت فیزیکی بدست‌آمده از نمونه‌برداری تکیه می‌کنند، که خطراتی از جمله احتمال عفونت را به همراه دارد. کارشناسان پیش‌بینی می‌کنند که هوش مصنوعی نسل بعدی ابزارهای رادیولوژی را قادر می‌سازد که به اندازه کافی دقیق هستند تا در برخی موارد جایگزین نیاز به نمونه‌های بافت شوند. دانشمندان می‌خواهند تیم تصویربرداری تشخیصی را با جراح یا رادیولوژیست مداخله‌ای و پاتولوژیست دور هم جمع کنند. دور هم جمع شدن تیم‌های مختلف و همسو کردن اهداف چالش بزرگی است. موفقیت در این امر ممکن است به پزشکان اجازه دهد تا به جای اینکه تصمیمات درمانی را بر اساس ویژگی های بخش کوچکی از بدخیمی قرار دهند، درک دقیق تری از نحوه رفتار تومورها به عنوان یک جزئی از کل ایجاد کنند و درمان های مناسب تری را مورد استفاده قرار دهند. هوش مصنوعی به فعال‌سازی بیوپسی‌های مجازی و پیشرفت حوزه نوآورانه رادیومیک کمک می‌کند، که بر استفاده از الگوریتم‌های مبتنی بر تصویر برای توصیف فنوتیپ‌ها و ویژگی‌های ژنتیکی تومورها تمرکز دارد.

گسترش دسترسی به مراقبت های بهداشتی در مناطق در حال توسعه

کمبود ارائه دهندگان مراقبت های بهداشتی آموزش دیده، از جمله تکنسین های اولتراسوند و رادیولوژیست ها می تواند دسترسی به مراقبت های نجات دهنده را در کشورهای در حال توسعه در سراسر جهان به طور قابل توجهی محدود کند. در این جلسه اشاره شد که تعداد رادیولوژیست‌هایی که در نزدیکی خیابان معروف لانگ‌وود در بوستون قرار دارند، بیشتر از تمام غرب آفریقا است. هوش مصنوعی می تواند با بر عهده گرفتن برخی از وظایف تشخیصی که معمولاً به انسان اختصاص داده می شود، به کاهش اثرات این کمبود شدید کارکنان بالینی واجد شرایط کمک کند. برای مثال، ابزارهای تصویربرداری هوش مصنوعی می‌توانند اشعه ایکس قفسه سینه را برای نشانه‌های سل غربال کنند که اغلب به سطحی از دقت قابل مقایسه با انسان دست می‌یابد. این قابلیت را می توان از طریق یک برنامه در دسترس ارائه دهندگان در مناطق کم منابع مستقر کرد و نیاز به رادیولوژیست تشخیصی آموزش دیده در محل را کاهش داد.

با این حال، توسعه دهندگان الگوریتم باید مراقب باشند که این واقعیت را در نظر بگیرند که گروه های قومی متفاوت یا ساکنان مناطق مختلف ممکن است فیزیولوژی و عوامل محیطی منحصر به فردی داشته باشند که بر ارائه بیماری تأثیر می گذارد. بنابراین، نمی‌توان الگوریتمی را بر اساس یک جمعیت واحد توسعه داد و انتظار داشت که روی دیگران نیز به خوبی کار کند.

کاهش بار ناشی استفاده از پرونده الکترونیکی سلامت

ثبت الکترونیکی سلامت نقش مهمی در حرکت مراقبت های بهداشتی به سمت دیجیتالی شدن داشته اند، اما این سوئیچ مشکلات بی شماری را در ارتباط با اضافه بار شناختی، مستندات بی پایان و فرسودگی کاربر به همراه داشته است. توسعه‌دهندگان ثبت الکترونیکی سلامت، اکنون از هوش مصنوعی برای ایجاد رابط‌های بصری‌تر و خودکارسازی برخی از فرآیندهای معمولی که زمان زیادی از کاربر می‌گیرد، استفاده می‌کنند. بنابراین، تشخیص صدا و دیکته به بهبود فرآیند مستندسازی بالینی کمک خواهد کرد. هوش مصنوعی همچنین ممکن است به پردازش درخواست‌های معمول از صندوق ورودی مانند پر کردن مجدد دارو و اعلان‌های نتیجه به پزشکان کمک کند.

کمک به کاهش خطرات مقاومت به آنتی بیوتیک

مقاومت به آنتی بیوتیک یک تهدید رو به رشد برای جمعیت در سراسر جهان است زیرا استفاده بیش از حد از این داروهای حیاتی باعث تکامل سوپر میکروب هایی می شود که دیگر به درمان ها پاسخ نمی دهند. ارگانیسم های مقاوم به چند دارو می توانند سالانه هزاران نفر را قربانی کنند. داده‌های پرونده الکترونیکی سلامت می‌تواند به شناسایی الگوهای عفونت و برجسته کردن بیماران در معرض خطر قبل از شروع علائم کمک کند. استفاده از ابزارهای یادگیری ماشین و هوش مصنوعی برای هدایت این تجزیه و تحلیل‌ها می‌تواند دقت آن ها را افزایش دهد و هشدارهای سریع‌تر و دقیق‌تری برای ارائه‌دهندگان مراقبت‌های بهداشتی ایجاد کند. اریکا شنوی، معاون رئیس واحد کنترل عفونت در MGH، گفت: (( ابزارهای هوش مصنوعی می توانند انتظارات را برای کنترل عفونت و مقاومت آنتی بیوتیکی برآورده کنند )).

ایجاد تجزیه و تحلیل دقیق تر برای تصاویر آسیب شناسی

جفری گلدن، رئیس بخش آسیب شناسی در BWH و استاد آسیب شناسی در HMS می گوید: (( آسیب شناسان یکی از مهم ترین منابع داده های تشخیصی را برای ارائه دهندگان در سراسر طیف مراقبت فراهم می کنند. هفتاد درصد از تمام تصمیمات در حوزه بهداشت و درمان مبتنی بر یک نتیجه آسیب شناسی است. بنابراین هرچه دقیق تر باشیم و زودتر به تشخیص درست برسیم، بهتر خواهیم بود. این همان چیزی است که آسیب شناسی دیجیتال و هوش مصنوعی فرصت ارائه آن را دارد )). تجزیه و تحلیل‌هایی که می‌توانند در تصاویر دیجیتالی بسیار بزرگ تا سطح پیکسل پایین بیایند، می‌توانند به ارائه‌دهندگان اجازه دهند تفاوت‌های ظریفی را که ممکن است از چشم انسان دور بماند، شناسایی کنند. دانشمندان اکنون به نقطه‌ای رسیده اند که قادر هستند با سرعت و دقت بیشتری بررسی کنند که سرعت پشرفت سرطان به چه صورت است و اینکه نحوه درمان بیماران را بر اساس یک الگوریتم (به جای مرحله‌بندی بالینی یا درجه هیستوپاتولوژیک) تغییر دهند تا از پیشرفت بیماری جلوگیری کنند.

مجهز نمودن دستگاه های پزشکی به هوش مصنوعی

در محیط پزشکی، دستگاه های هوشمند برای نظارت بر بیماران در ICU و جاهای دیگر حیاتی هستند. استفاده از هوش مصنوعی برای افزایش توانایی شناسایی وخامت ضروری است.

توسط ادغام داده‌های متفاوت از سراسر سیستم مراقبت‌های بهداشتی و ایجاد هشدار، پزشک ICU زودتر برای نجات بیمار مداخله می کند (تجمیع این داده‌ها چیزی نیست که انسان بتواند به خوبی انجام دهد). مارک میچالسکی، مدیر اجرایی مرکز MGH & BWH برای علوم داده های بالینی گفت: (( قرار دادن الگوریتم‌های هوشمند در این دستگاه‌ها می‌تواند بار شناختی را برای پزشکان کاهش دهد و در عین حال اطمینان حاصل شود که بیماران مراقبت‌ها را تا حد امکان به موقع دریافت می‌کنند )).

پیشبرد استفاده از ایمونوتراپی برای درمان سرطان

ایمونوتراپی یکی از امیدوارکننده ترین راه ها برای درمان سرطان است. با استفاده از سیستم ایمنی بدن برای حمله به بدخیمی ها، بیماران ممکن است بتوانند تومورهای سرسخت را شکست دهند. با این حال، تنها تعداد کمی از بیماران به گزینه های ایمونوتراپی فعلی پاسخ می دهند و انکولوژیست ها هنوز روش دقیق و قابل اعتمادی برای شناسایی بیمارانی که از این گزینه سود می برند، ندارند. الگوریتم‌های یادگیری ماشین و توانایی آن‌ها در ترکیب مجموعه داده‌های بسیار پیچیده ممکن است بتواند گزینه‌های جدیدی را برای هدف‌یابی درمان‌ها برای ترکیب ژنتیکی منحصربه‌فرد یک بیمار روشن کند.

نظارت بر سلامت از طریق فناوری های پوشیدنی

تقریباً همه مصرف‌کنندگان اکنون به دستگاه‌هایی با حسگرهایی دسترسی دارند که می‌توانند داده‌های ارزشمندی در مورد سلامت آن ها جمع‌آوری کنند. از گوشی‌های هوشمند با ردیاب‌های پله‌ای گرفته تا پوشیدنی‌هایی که می‌توانند ضربان قلب را در شبانه‌روز ردیابی کنند. جمع‌آوری و تجزیه و تحلیل این داده‌ها و تکمیل آن با اطلاعات ارائه‌شده توسط بیمار از طریق برنامه‌ها و سایر دستگاه‌های نظارت خانگی، می‌تواند چشم‌اندازی منحصربه‌فرد به سلامت افراد و جمعیت ارائه دهد. هوش مصنوعی نقش مهمی در استخراج بینش های عملی از این گنجینه بزرگ و متنوع داده ایفا خواهد کرد. عمر آرناوت، مدیر مرکز نتایج علوم اعصاب محاسباتی و یک جراح مغز و اعصاب حاضر در BWH، می‌گوید: (( کمک به بیماران با اشتراک‌گذاری داده‌های این نظارت مستمر ممکن است به کمی کار اضافی نیاز داشته باشد. به عنوان یک جامعه، ما نسبت به داده‌های دیجیتالی خود بسیار لیبرال عمل کرده‌ایم. اما همانطور که چیزهایی مانند فیس بوک وارد آگاهی جمعی ما می شوند، مردم بیشتر و بیشتر محتاط خواهند شد که با چه کسانی چه نوع داده هایی را به اشتراک می گذارند. با این حال، بیماران بیشتر از اینکه به یک شرکت بزرگ مانند فیس بوک اعتماد کنند، تمایل دارند به پزشکان خود اعتماد کنند. با جمع‌آوری داده‌های پوشیدنی به صورت مداوم، احتمال بیشتری وجود دارد که داده‌ها به ما کمک کند مراقبت بهتری از بیماران داشته باشیم )).

تبدیل سلفی های تلفن هوشمند به ابزارهای تشخیصی قدرتمند

در ادامه موضوع استفاده از قدرت دستگاه های قابل حمل، کارشناسان بر این باورند که تصاویر گرفته شده از تلفن های هوشمند و سایر منابع درجه یک مصرف کننده مکمل مهمی برای تصویربرداری با کیفیت بالینی خواهد بود ( به ویژه در مناطق محروم یا کشورهای در حال توسعه ). کیفیت دوربین های تلفن همراه هر سال در حال افزایش است و می تواند تصاویری تولید کند که برای تجزیه و تحلیل توسط الگوریتم های هوش مصنوعی قابل اجرا هستند. درماتولوژی و چشم پزشکی از اولین ذینفعان این گرایش هستند. محققان بریتانیایی حتی ابزاری ساخته اند که بیماری های رشدی را با تجزیه و تحلیل تصاویر صورت کودک شناسایی می کند. این الگوریتم می‌تواند ویژگی‌های مجزا مانند خط فک، محل قرارگیری چشم و بینی و سایر ویژگی‌هایی را که ممکن است نشان دهنده یک ناهنجاری جمجمه-صورتی باشد، تشخیص دهد. در حال حاضر، این ابزار می تواند تصاویر معمولی را با بیش از 90 اختلال مطابقت دهد تا از تصمیم گیری بالینی پشتیبانی کند. هادی شفیعی، مدیر آزمایشگاه میکرو/نانوپزشکی و سلامت دیجیتال در BWH، گفت: (( اکثر مردم به دستگاه‌های جیبی و قدرتمند مجهز هستند که دارای حسگرهای مختلف داخلی هستند. این یک فرصت عالی برای ماست. تقریباً سازندگان اصلی در صنعت شروع به ساختن نرم افزار و سخت افزار هوش مصنوعی در دستگاه های خود کرده است. این یک تصادف نیست. هر روز در دنیای دیجیتال ما بیش از 2/5 میلیون ترابایت داده تولید می کنیم. در تلفن های همراه، سازندگان بر این باورند که می توانند از این داده ها با هوش مصنوعی برای ارائه خدمات بسیار شخصی تر، سریع تر و هوشمندتر استفاده کنند )).

استفاده از تلفن‌های هوشمند برای جمع‌آوری تصاویر چشم‌ها، ضایعات پوستی، زخم‌ها، عفونت‌ها، داروها یا موضوعات دیگر ممکن است بتواند به مناطق محروم کمک کند تا با کمبود متخصص کنار بیایند و در عین حال زمان تشخیص را کاهش دهد. شفیعی گفت: (( یک اتفاق بزرگ در حال رخ دادن است. ما می توانیم از این فرصت برای رسیدگی به برخی از مشکلات مهم در مدیریت بیماری در مرحله مراقبت بهداشتی استفاده کنیم )).

انقلابی درتصمیم گیری بالینی کنار تخت بیمار با هوش مصنوعی

هوش مصنوعی با قدرت بخشیدن به تجزیه و تحلیل پیش‌بینی‌کننده و ابزارهای پشتیبانی تصمیم‌گیری بالینی، کمک به کاهش مدت زمان بستری و هزینه های آن می کند. هوش مصنوعی می‌تواند هشدارهای اولیه را برای شرایطی مانند تشنج یا سپسیس که اغلب به تجزیه و تحلیل فشرده مجموعه داده‌های بسیار پیچیده نیاز دارند، ارائه دهد. براندون وستور، مدیر مرکز داده‌های بالینی MGH می‌گوید: (( یادگیری ماشینی همچنین می‌تواند به حمایت از تصمیم‌گیری درباره ادامه یا عدم ادامه مراقبت از بیماران بدحال، مانند افرادی که پس از ایست قلبی وارد کما شده‌اند، کمک کند )). او توضیح داد که به طور معمول، ارائه دهندگان باید به صورت بصری داده های EEG این بیماران را بازرسی کنند. این فرآیند زمان‌بر و ذهنی است و نتایج ممکن است با مهارت و تجربه هر پزشک متفاوت باشد. او گفت: (( در این بیماران، روند ممکن است به آرامی در حال تغییر باشد. گاهی اوقات وقتی به دنبال این هستیم که ببینیم آیا کسی در حال بهبودی است یا خیر، داده ها را از ده ثانیه نظارت در یک زمان دریافت می کنیم. اما تلاش برای دیدن اینکه آیا نسبت به داده‌های ده ثانیه‌ای که در 24 ساعت قبل گرفته شده تغییر کرده است یا خیر، مانند تلاش برای بررسی اینکه آیا موهایتان بلندتر شده‌اند یا خیر. اما به کمک الگوریتم هوش مصنوعی و داده‌های زیادی که از بسیاری از بیماران دارید، تطبیق آنچه می‌بینید با الگوهای بلندمدت آسان‌تر است و شاید پیشرفت‌های ظریفی را شناسایی کنید که بر تصمیم‌گیری‌های شما در مورد مراقبت تأثیر می‌گذارد )). استفاده از هوش مصنوعی باعث تصمیم گیری بالینی دقیق، کاهش خطای پزشکی می شود که یکی از امیدوارکننده ترین زمینه های توسعه برای این رویکرد انقلابی در تجزیه و تحلیل داده هاست. هوش مصنوعی با تقویت نسل جدیدی از ابزارها و سیستم‌ها، باعث می‌شود پزشکان از تفاوت‌های ظریف آگاه‌تر شوند و به صورت کارآمدتری به درمان بیماران کمک کنند. به زودی عصر جدیدی از پیشرفت‌های هیجان‌انگیز در مراقبت از بیمار آغاز خواهد شد.

منبع: جنیفر برسنیک، HEALTH ITANALYTICS