انکولوژی به شواهد زنده نیاز دارد، نه بیشتر از AI خلاصه | نظر

سرطان شناسی دقیق به پزشکان راه های بیشتری برای درمان سرطان داده است. همچنین مشکل سخت تری ایجاد کرده است: همگام شدن با شواهد مورد نیاز برای تصمیم گیری در مورد درمان برای کدام بیمار و چه زمانی این شواهد تغییر می کند.

در نشست سالانه انجمن انکولوژی بالینی آمریکا در سال 2026، بیش از 7000 مطالعه در زمینه‌هایی از جمله سرطان‌های پانکراس، ریه، پروستات و سایر سرطان‌ها با یافته‌هایی که بقا، عود، پیشرفت بیماری و کیفیت زندگی را پوشش می‌داد، ارائه شد. حجم نشانه پیشرفت علمی است. این همچنین یادآور این است که روش سنتی مدیریت شواهد به طور فزاینده ای دشوار می شود.

مشکل این نیست که انکولوژیست ها به اطلاعات دسترسی ندارند. آنها تقریبا بیش از حد آن را دارند.

پزشکی که سعی می کند به یک سوال خاص پاسخ دهد ممکن است نیاز داشته باشد بین دستورالعمل های بالینی، مطالعات منتشر شده، تصمیمات نظارتی، اطلاعات نشانگرهای زیستی، آزمایشات بالینی و یافته های کنفرانس حرکت کند. هر منبع هدفی را دنبال می کند، اما اطلاعات به ندرت در مورد بیمار دقیق نشسته در مقابل پزشک سازماندهی می شود.

این یک پارادوکس خطرناک ایجاد می کند. پزشکی دقیق‌تر می‌شود در حالی که زیرساخت شواهدی که از این تصمیم‌ها پشتیبانی می‌کند، تکه‌تکه است.

تشخیصی مانند سرطان ریه اکنون می تواند شامل تعداد زیادی از بیماران از نظر بیولوژیکی و بالینی متمایز باشد. نشانگرهای زیستی، مرحله بیماری، درمان قبلی و ویژگی‌های مولکولی همگی می‌توانند بر درمان‌های مرتبط تأثیر بگذارند. هرچه بیماران را دقیق‌تر تعریف کنیم، به طور دقیق‌تری نیاز داریم که شواهدی را سازماندهی کنیم که مراقبت از آنها را نشان دهد.

دستورالعمل های بالینی همچنان ضروری است. بررسی های نظام مند ادبیات همچنان ضروری است. هیچ کدام را نباید دور انداخت زیرا هوش مصنوعی وارد شده است. اما هیچکدام برای محیطی طراحی نشده بودند که شواهد در آن به طور مداوم تغییر کند.

بنابراین صنعت باید به هوش مصنوعی در سرطان شناسی به عنوان راهی سریعتر برای جستجوی اطلاعات فکر نکند. فرصت مهم تر، ساختن سیستم هایی است که به طور مداوم خود شواهد را حفظ کنند.

این ایده پشت "شواهد زنده" است: به جای تلقی یک بررسی شواهد به عنوان سندی که تکمیل شده و در نهایت منسوخ می شود، می توان پایگاه شواهد زیربنایی را به طور مداوم با استفاده از روش های سیستماتیک مورد نظارت، به روز رسانی و ارزیابی قرار داد، زیرا تحقیقات جدید، تصمیمات نظارتی و پیشرفت های بالینی ظاهر می شوند.

این تمایز مهم است زیرا سرعت بدون دقت پیشرفت در پزشکی نیست.

هوش مصنوعی می تواند حجم عظیمی از اطلاعات را به سرعت اسکن کند. می‌تواند انتشارات را شناسایی کند، یافته‌های مرتبط را استخراج کند و به ارتباط اطلاعات بین منابع کمک کند. اما سرطان شناسی نمی تواند تنها به دلیل سریع بودن سیستم ها به سیستم ها تکیه کند. هنگامی که یک پایگاه شواهد بر تصمیم درمانی تأثیر می گذارد، توانایی ردیابی این اطلاعات از کجا آمده است، چگونه ارزیابی شده است و اینکه آیا این اطلاعات فعلی باقی می مانند یا خیر.

به همین دلیل است که آینده هوش مصنوعی در سرطان شناسی نباید جایگزین سلسله مراتب شواهد باشد. این باید در مورد قابل استفاده تر کردن سلسله مراتب باشد.

شرکت های داروسازی در همان محیط شواهد در حال گسترش فعالیت می کنند. تصمیمات توسعه، استراتژی‌های نظارتی، ارزیابی‌های فناوری سلامت و بحث‌های بازپرداخت همه به درک آنچه که ادبیات علمی در مورد بیماری، درمان، مقایسه‌کننده و جمعیت بیمار می‌گوید بستگی دارد.

این پرسش‌ها اغلب از طریق بررسی‌های متون نظام‌مندی که برای هدفی خاص سفارش داده شده‌اند، مورد بررسی قرار می‌گیرند. آنها می توانند سختگیرانه باشند، اما همچنین می توانند زمان بر باشند، به ویژه زمانی که ادبیات اساسی گسترده است و به طور مداوم در حال تغییر است.

فرصت این است که پایه شواهد را قبل از مطرح شدن یک سوال جدید ایجاد کنیم.

به جای شروع از صفر هر بار که یک تیم دارویی نیاز به درک یک چشم انداز شواهد خاص دارد، یک سازمان می تواند یک پایگاه شواهد به روز شده را به طور مداوم حفظ کند و سپس از آن پایه برای پاسخ به سؤالات خاص در مورد جمعیت ها، مداخلات، مقایسه کنندگان و نتایج استفاده کند.

بررسی سیستماتیک ناپدید نمی شود. زیرساختی که از آن پشتیبانی می کند به طور مداوم نگهداری و قابل استفاده مجدد می شود.

این تغییر به ویژه مرتبط است زیرا خود صنعت علوم زیستی تلاش می‌کند فراتر از آزمایش‌های هوش مصنوعی و به سمت استقرار عملی حرکت کند. چشم انداز علوم زیستی 2026 Deloitte نشان داد که 48 درصد از مدیران علوم زیستی مورد بررسی، تحول دیجیتالی سریع را به عنوان یک روند تأثیرگذار شناسایی کردند، در حالی که تنها 22 درصد گفتند که سازمان های آنها با موفقیت مقیاس هوش مصنوعی را انجام داده اند.

درس این نیست که علوم زیستی به هوش مصنوعی بیشتری نیاز دارد. این است که صنعت به کاربردهای بهتر هوش مصنوعی برای مشکلاتی که این فناوری می تواند ارزش بادوام ایجاد کند، نیاز دارد.

مدیریت مدارک یکی از این مشکلات است.

گزارش Black Book Research در سال 2026 وضعیت مراقبت های دیجیتال دیجیتال در انکولوژی، بر اساس تقریبا 1280 ذینفع انکولوژی ایالات متحده، مسائلی از جمله تأخیرهای ارجاع به درمان، اطلاعات پاتولوژی و ژنومیک تکه تکه، حجم کاری مجوز قبلی، تطبیق کارآزمایی های بالینی و فشار نیروی کار را از جمله نگرانی های عمده سازمان های onc شناسایی کرد.

این چالش ها ممکن است در ظاهر متفاوت به نظر برسند، اما بسیاری از آنها در نهایت به یک چیز بستگی دارند: دریافت اطلاعات مناسب به فرد مناسب در زمان مناسب.

اینجاست که من معتقدم مفهوم شواهد زنده سزاوار توجه بیشتر است.

علاقه من به این مشکل خیلی قبل از رونق فعلی هوش مصنوعی شروع شد. پس از بیش از 25 سال کار در داروسازی، اقتصاد سلامت، داروسازی و استراتژی شواهد، متوجه شده بودم که تبدیل مجموعه وسیعی از تحقیقات علمی به پاسخی برای یک سوال خاص چقدر دشوار است.

در حالی که به کسی کمک می‌کنم تشخیص سرطان را انجام دهد، به یاد می‌آورم که ساعت‌ها روی یک دستورالعمل بالینی طولانی کار می‌کردم تا اطلاعات مربوط به یک نگرانی خاص را پیدا کنم.

اطلاعات وجود داشت. چالش یافتن شواهد مربوطه، درک زمینه آن و تعیین اینکه آیا هنوز جاری است یا خیر. آن تجربه مشکل گسترده تری را در مراقبت های بهداشتی برجسته کرد. تولید شواهد علمی تنها بخشی از چالش است. شواهد همچنین باید سازماندهی، نگهداری و به اندازه کافی در دسترس باشند تا از سوالاتی که پزشکان در عمل با آن مواجه هستند پشتیبانی کنند.

هوش مصنوعی می‌تواند با آسان‌تر کردن شناسایی و سازمان‌دهی تحقیقات به رفع این چالش کمک کند، اما سرعت به تنهایی کافی نیست. در سرطان شناسی، شواهد باید قابل ردیابی، از نظر علمی دقیق و تحت نظارت مناسب انسانی باقی بمانند.

سوال این نیست که چگونه سریعتر پاسخ ها را پیدا کنیم. این است که چگونه می توان اطمینان حاصل کرد که شواهدی که تصمیمات بالینی را مطلع می کند با پیشرفت علمی همگام است. این مهم است زیرا سرطان شناسی رشته ای نیست که در آن اطلاعات قابل قبول به اندازه کافی خوب باشد.

یک سیستم باید نشان دهد که اطلاعاتش از کجا آمده است. باید شواهد جدید را در نظر بگیرد. باید بین یافته های تحقیقاتی، تاییدیه های نظارتی و راهنمایی های بالینی تمایز قائل شود. و باید این امکان را برای کاربر ایجاد کند که اساس اطلاعات ارائه شده را درک کند.

هوش مصنوعی می تواند این کار را تسریع کند، اما نظارت انسانی همچنان حیاتی است.

همین اصل فراتر از مراقبت های بالینی صدق می کند. تحقیقات دارویی، تصمیمات نظارتی و ارزیابی‌های فناوری سلامت همگی به شواهدی بستگی دارند که جامع، جاری و مرتبط با سؤال مطرح شده باشد. حفظ آن شواهد در طول زمان می‌تواند نیاز به بازسازی مکرر همان پایه‌ها را با مطرح شدن سؤالات جدید کاهش دهد.

چالش گسترده‌تر ایجاد سیستم‌های شواهدی است که در کنار علم تکامل می‌یابند و نگهداری، ارزیابی و کاربرد اطلاعات دقیق در سراسر مراقبت‌های بهداشتی را آسان‌تر می‌کند. مراقبت‌های بهداشتی دهه‌ها را صرف ساختن سیستم‌های پیچیده‌تر برای تولید شواهد کرده است. ما اکنون به سیستم های به همان اندازه پیچیده برای نگهداری آن نیاز داریم.

جایگزین یک محیط اطلاعاتی است که در آن پیشرفت علمی به طور مداوم کار بیشتری را برای افرادی که مسئول تفسیر آن هستند ایجاد می کند.

انتشار بیشتر نباید به طور خودکار به معنای ساعت های بیشتر صرف جستجو باشد. نشانگرهای زیستی بیشتر نباید به طور خودکار به معنای اطلاعات پراکنده تر باشد. کارآزمایی‌های بالینی بیشتر نباید به‌طور خودکار به معنای شواهد قطع‌تر باشد. و هوش مصنوعی بیشتر نباید به معنای خلاصه بیشتر باشد. فرصت واقعی ایجاد زیرساخت شواهدی است که با تغییر علم و در عین حال شفاف‌تر و از نظر علمی دقیق‌تر باقی می‌ماند.

برای بیماران، خطرات آشکار است. بحث درمان یک پزشک به کیفیت و ارتباط اطلاعات موجود در آن لحظه بستگی دارد. برای شرکت های دارویی، پیامدهای آن به توسعه، استراتژی نظارتی، دسترسی به بازار و بازپرداخت گسترش می یابد.

انکولوژی دقیق درمان سرطان را فردی تر کرده است. سیستم های شواهد ما باید به همان اندازه مختص بیمار و تصمیم باشد.

آینده انکولوژی با این که چه کسی بتواند بیشترین اطلاعات را تولید کند، تعریف نخواهد شد. مشخص می‌شود که چه کسی می‌تواند مجموعه‌ای از اطلاعات در حال رشد را به شواهدی تبدیل کند که پزشکان و تصمیم‌گیرندگان بتوانند به آن اعتماد کنند.

اما هدف هرگز نباید هوش مصنوعی به خاطر خودش باشد. هدف باید شواهد زنده باشد: به طور مداوم به روز شود، توسط انسان بررسی شود و پیرامون تصمیماتی که مهم هستند ساختار یافته باشد.

اگر قرار است سرطان شناسی دقیق به وعده خود عمل کند، صنعت باید زیرساخت شواهدی ایجاد کند که بتواند با علم همگام شود. داده ها در حال رشد است. اکنون سیستم هایی که آن را معنا می کنند باید به عقب برسند.

Anna Forsythe بنیانگذار و مدیر عامل Oncoscope-AI است که فناوری شواهد سرطان شناسی مورد حمایت در این مقاله را توسعه می دهد.