کاربردهای هوش مصنوعی در علوم پزشکی

هوش مصنوعی در حال تبدیل شدن به یک نیروی دگرگون کننده در حوزه مراقبت های بهداشتی است. چیزهایی که روزگاری فقط در فیلم‌های علمی تخیلی قابل تصور بود.
اما بیماران و همچنین ارائه‌دهندگان خدمات بهداشتی دقیقا چگونه می‌توانند از ابزارهای مبتنی بر هوش مصنوعی بهره ببرند؟
در اکثر حوزه‌های پزشکی از بیماری‌های مزمن و سرطان گرفته تا رادیولوژی و ارزیابی ریسک، می‌توان از هوش مصنوعی به منظور انجام مداخلات دقیق‌تر، بموقع و کارآمدتر استفاده‌های زیادی کرد.

با تکامل ساختارهای پرداختی، تقاضای بیماران از ارائه‌دهندگان زیاد و حجم داده‌ها با نرخ سرسام‌آوری افزایش می‌یابد؛ در چنین شرایطی هوش مصنوعی به داد سیستم مراقبت بهداشتی رسیده و کنترل فرآیندها را تسهیل می‌کند.
هوش مصنوعی مزایای متعددی نسبت به روش‌های سنتی تجزیه و تحلیل و تصمیم‌گیری دارد. الگوریتم‌های یادگیری با داده‌های آموزشی دقیق‌تر، این امکان را به انسان می‌دهند که به بینش بی‌سابقه‌ای در زمینه تشخیص، فرآیندهای مراقبت، تنوع درمان و نتایج دست یابد.
در ادامه چند مورد از مهم‌ترین کاربردهای هوش مصنوعی در پزشکی را بررسی می‌کنیم که سبب تحولی شگرف در حوزه‌ی مراقبت‌های بهداشتی شده‌اند.

یکپارچه سازی ذهن و ماشین از طریق رابط‌های مغز و کامپیوتر

استفاده از رایانه برای برقراری ارتباط به هیچ‌وجه ایده جدیدی نیست، ولی ایجاد ارتباط مستقیم بین فناوری و ذهن انسان بدون استفاده از صفحه‌کلید، موس و مانیتور حقیقتا تحول عظیمی است.
بیماری‌های عصبی و آسیب به سیستم عصبی می‌تواند باعث اختلال در صحبت کردن، حرکت و تعامل معنادار با مردم و محیط شود. رابط‌های مغز و رایانه (BCI) که توسط هوش مصنوعی پشتیبانی می‌شوند می‌توانند این اعمال اساسی را که بیماران ترس از دست دادن آنها را دارند، بهشان بازگردانند.
با استفاده از BCI و هوش مصنوعی، می‌توان فعالیت‌های عصبی مرتبط با حرکت دست را رمزگشایی کرد.
رابط‌های مغز و رایانه می‌تواند کیفیت زندگی بیماران مبتلا به ALS، سکته مغزی و همچنین افراد دچار آسیب نخاعی (حدود 500000 نفر در جهان) را به‌طور چشمگیری افزایش دهد.

بهبود خدمات بهداشتی در مناطق در حال توسعه

کمبود ارائه‌دهندگان خدمات بهداشتی از جمله تکنسین سونوگرافی و رادیولوژیست در کشورهای در حال توسعه، دسترسی به مراقبت را به میزان قابل‌توجهی محدود کرده است.
هوش مصنوعی می‌تواند با برعهده گرفتن برخی از وظایف تشخیصی که معمولا مختص نیروی انسانی هستند، کمبود کارکنان بالینی را جبران کند. به عنوان مثال، ابزارهای تصویربرداری هوش مصنوعی می‌توانند اشعه ایکس قفسه‌سینه را برای علائم سل غربالگری کنند و نیاز به رادیولوژیست تشخیصی را در مناطق کم‌منابع کاهش دهند.
با این حال، توسعه‌دهندگان الگوریتم‌ها باید این واقعیت را در نظر بگیرند که اقوام مختلف یا ساکنان مناطق مختلف، دارای فیزیولوژی و عوامل محیطی منحصر به فردی هستند که بر بروز بیماری تأثیر می گذارد و ما نمی‌توانیم فقط از یک الگوریتم برای تمام جوامع استفاده کنیم.

هوشمندسازی دستگاه‌ها و ماشین‌آلات پزشکی

امروزه دستگاه‌های هوشمند محیط مصرف‌کننده را تحت کنترل خود درآورده‌اند و خدمات زیادی ارائه می‌دهند؛ از فیلم داخل یخچال گرفته تا اتومبیل‌هایی که حواس‌پرتی راننده را تشخیص دهند.
محیط پزشکی نیز نباید از این قاعده مستثنی باشد؛ دستگاه‌های هوشمند نظارت بر بیماران در ICU یا ابزارهای تشخیص وخامت می‌توانند نتایج را به میزان قابل‌توجهی بهبود بخشند.
مارک مایکلسکی، مدیر اجرایی علوم داده‌های بالینی: “ادغام داده‌های متفاوت از سراسر سیستم مراقبت بهداشتی و در نهایت ایجاد هشدار به پزشک ICU (برای مداخله بموقع) چیزی نیست که یک انسان بتواند به خوبی آن را انجام دهد.”
قراردادن الگوریتم‌های هوشمند در دستگاه‌های پزشکی می تواند بارهای شناختی را برای پزشکان کاهش دهد و در عین حال این اطمینان را ایجاد می‌کند که بیماران در اسرع وقت از مراقبت های لازم برخوردار می شوند.

استفاده از ایمونوتراپی برای درمان سرطان

ایمونوتراپی یکی از راه‌های امیدوارکننده برای درمان سرطان است که در آن با استفاده از سیستم ایمنی بدن فرد، تومورها و بدخیمی‌ها را نابود می‌کنند. با این حال، این روش فقط در تعداد کمی از بیماران نتیجه می‌دهد و انکولوژیست‌ها هنوز روش دقیق و قابل‌اعتمادی برای تشخیص اینکه این گزینه روی کدام یک از بیماران جواب خواهد داد، ندارند.
الگوریتم‌های یادگیری هوش مصنوعی و ترکیب آنها ممکن است مجموعه داده‌هایی را ایجاد کنند که قادرند گزینه‌های جدیدی را در ترکیب ژنتیکی منحصر‌به‌فرد افراد تشخیص دهند و فرآیند دقیق درمان را بهبود بخشند.
لانگ لی، مدیر آسیب‌شناسی محاسباتی در مرکز MGH: “ما قطعا به داده‌های بیشتری از بیمار نیاز داریم. این درمان‌ها نسبتا جدید هستند و بسیاری از بیماران تا‌به‌حال از این داروها استفاده نکرده‌اند؛ بنابراین این مسئله که ما نیاز به ادغام داده‌ها در یک مؤسسه یا چندین مؤسسه داریم، می‌تواند یک عامل کلیدی برای پیشبرد فرآیند مدل‌سازی باشد.”

نظارت بر سلامت با استفاده از وسایل شخصی و پوشیدنی

امروزه تقریبا همه مردم ابزارهایی دارند که می‌توانند از طریق حسگرهای خود اطلاعات ارزشمندی درمورد سلامت صاحبانشان کسب کنند. از تلفن‌های هوشمند مجهز به ردیاب گام‌به‌گام گرفته تا ابزارهای پوشیدنی ثبت‌کننده ضربان قلب
جمع‌آوری و تجزیه و تحلیل داده و تکمیل آن با اطلاعات ارائه شده توسط بیمار با استفاده از برنامه‌ها و سایر وسایل نظارت خانگی، می‌تواند چشم‌انداز منحصربه‌فردی از سلامت را به فرد و جامعه ارائه کند.
عمر آرنوات، جراح مغز و اعصاب در BWH میگوید: “ما به عنوان یک جامعه، نسبت به داده های دیجیتالی خود بسیار لیبرال بوده ایم. اما از آنجایی که عوامل زیادی مانند کمبریج آنالیتیکا و فیس بوک روی آگاهی جمعی ما تاثیر بسزایی می‌گذراند، مردم درباره اینکه چه نوع داده هایی را با چه افرادی به اشتراک بگذارند، بیشتر و بیشتر محتاط خواهند شد.”

انقلابی‌ در تصمیم‌گیری‌های بالینی با استفاده از هوش مصنوعی

هوش مصنوعی با تقویت تجزیه و تحلیل هرچه دقیقتر داده‌ها، بستری را فراهم می‌کند که پزشکان و ارائه‌دهندگان بتوانند قبل از موقع معمول تشخیص، دست به تصمیم‌گیری بزنند.‌
مثلا می‌تواند هشدارهای قبلی را برای شرایطی مانند تشنج یا سپسیس، که اغلب نیاز به تجزیه و تحلیل مجموعه داده‌های بسیار پیچیده دارند، ارائه دهد.
استفاده از هوش مصنوعی برای حمایت از تصمیمات بالینی، نمره گذاری ریسک و هشدار اولیه، یکی از نوید‌بخش‌ترین زمینه‌های توسعه این رویکرد انقلابی در تجزیه و تحلیل داده‌ها است.
به عنوان مثال، ارائه‌دهندگان باید داده‌های EEG بیماران را به‌طور بصری بررسی کنند. این فرایند زمان‌بر و ذهنی است و نتایج ممکن است باتوجه به مهارت و تجربه هر پزشک متفاوت باشد.
اما اگر ارائه‌دهنده آنچه را که می‌بیند، با الگوهای بلندمدت تطبیق دهد (الگوریتم‌های حاصل از داده‌های تعداد زیادی از بیماران)، می‌تواند به پیشرفت‌های ظریفی دست یابد که تاثیر بسزایی روی تصمیماتش دارند.