فناوری و آموزش پیش پزشکی

 محمود رحمانی

پایگاه خبری افق و اقتصاد- فناوری های مبتنی بر یادگیری ماشین و هوش مصنوعی (AI) به طور قابل توجهی به رویه های مختلف مدیریت پزشکی و مراقبت کمک می کنند. این احتمال وجود دارد که نسل بعدی متخصصان مراقبت های بهداشتی با مجموعه ای از نوآوری های تحت پشتیبانی هوش مصنوعی مواجه شوند و ممکن است در طی مدت تصدی حرفه ای خود وقت کافی برای یادگیری در مورد چارچوب های یادگیری ماشینی که هدایت این سیستم ها را بر عهده دارند، نداشته باشند.

آموزش پزشکان و ارائه دهندگان مراقبت علاقمند با دوره های پایه مناسب درباره یادگیری ماشین به عنوان بخشی از تحصیلات دانشگاهی، احتمالاً آنها را در آینده به پزشکان و ارائه دهندگان مراقبت حرفه ای تبدیل خواهد کرد.

 در آوریل ۲۰۱۸، سازمان غذا و داروی ایالات متحده (FDA)، بازاریابی اولین دستگاه سلامت دیجیتال را که از AI برای تشخیص دیابت چشمی (DR) در بزرگسالان استفاده می‌کرد، تایید کرد. نرم افزار توسط یک الگوریتم AI هدایت شده است که می تواند تصاویر دیجیتالی شبکیه چشم بیمار را پردازش کند و احتمال DR خفیف یا شدیدتر را مشخص کند. FDA  داده های حاصل از مطالعه تصاویر شبکیه را که از ۹۰۰ بیمار مبتلا به دیابت در ۱۰ مرکز مراقبت های اولیه به دست آمده بود، ارزیابی کرد.

در این مطالعه، الگوریتم AI در ۸۷٫۴ % از مواقع، DR فراتر از خفیف را به درستی شناسایی کرد و توانست به درستی بیمارانی را که در ۸۹٫۵ % مواقع DR فراتر از خفیف نداشتند شناسایی کند.

این نرم‌افزار را می‌توان در یک محیط مراقبت اولیه نصب کرد تا پزشکان بتوانند غربالگری اپورتونیستی DR را در طول معاینات عادی بیمار انجام دهند. از زمان این تایید، چندین دستگاه و الگوریتم پزشکی مبتنی بر هوش مصنوعی دیگر نیز مورد تایید قانونی قرار گرفته اند و بسیاری از آنها در دستور کارFDA  قرار گرفته اند تا مورد بررسی قرار گیرند و به طور بالقوه تأییدیه دریافت کنند.

بدیهی است که کاربران نهایی بیشتر این دستگاه ها پزشکان یا سایر ارائه دهندگان مراقبت هستند. البته پزشکان باید در مورد الگوریتم های یادگیری ماشینی که می تواند به طور بالقوه ای تصمیم گیری تشخیصی در عمل بالینی را تسهیل کند، آموزش ببینند. اگر ارائه دهندگان مراقبت لزوماً با علوم محاسباتی و داده ها آشنا نباشند، در این صورت احتمال زیادی وجود دارد که این فناوری ها ارزش خود را از دست بدهند.

پزشکان و سایر ارائه دهندگان مراقبت نیز نقش مهمی در محافظت از بیماران و سایر ذینفعان خود در برابر مشکلات و کاربرد نامناسب فناوری های یادگیری ماشین دارند. ارائه دهندگان مراقبت باید از اشتباهات یادگیری ماشینی، استفاده غیراخلاقی و ناخواسته و نیز گزینه های پرهزینه تر آگاه باشند تا بتوانند بیماران را مدیریت کنند. مثلا یک مطالعه اخیر نشان داد که سیستم های هوش مصنوعی برای تشخیص کووید-۱۹ با استفاده از رادیوگرافی قفسه سینه می توانند از میانبرهای جعلی حتی در صورت آزمایش روی مجموعه داده های خارجی اطلاع پیدا کنند، بنابراین لازم است از پروتکل‌های اعتبارسنجی قوی‌تر و تکنیک‌های قابل تفسیری برای ارزیابی سیستم‌های هوش مصنوعی پزشکی استفاده شود.

از سوی دیگر مطالعات، مشکلات رایج مربوط به توسعه مدل‌های هوش مصنوعی پزشکی و مسائل بالقوه اجباری بودن توضیح مدل به عنوان یک نیاز برای استقرار بالینی را نشان داده اند. در مورد موضوعات مختلف دیگر، از جمله اهمیت و اعتبار مدل، اخلاق و اعتماد، حریم خصوصی و امنیت و همچنین هزینه و کارایی بحثهای مختلفی انجام شده است که شواهد بدست آمده از همه این مطالعات، باید جامعه بالینی را ترغیب کند تا به درک خوبی در یادگیری ماشین دست یابد.