Telehealth می تواند صورت را بخواند. آیا می تواند از بیمار محافظت کند؟ | نظر

بر اساس گزارش FAIR Health، شرایط سلامت روان 52.1 درصد از بیماران مبتلا به ادعای سلامت از راه دور در سه ماهه اول سال 2026 را تشکیل می دهد.

در همان زمان، یک مطالعه چند مرکزی در سال 2026 که در JMIR Formative Research منتشر شد و 361 فرد مبتلا به اختلالات روانی را مورد تجزیه و تحلیل قرار داد، نشان داد که امنیت داده ها و حریم خصوصی موانع اصلی گزارش شده در میان پاسخ دهندگانی است که موانع روان درمانی آنلاین را شناسایی کرده اند، که 35.6 درصد به آنها اشاره کرده اند. مشکل ایجاد رابطه درمانی 19.8 درصد بود.

این یافته‌ها روی هم به یک چالش اصلی برای مراقبت‌های بهداشتی دیجیتال اشاره می‌کنند: بیماران به دسترسی راحت به مراقبت نیاز دارند، اما همچنین باید احساس کنند که درک شده‌اند و به نحوه مدیریت حساس‌ترین اطلاعاتشان اعتماد کنند.

Telehealth دسترسی به پزشکان را افزایش داده است، سفر را کاهش داده و قرار ملاقات های بعدی را برای مدیریت آسان تر کرده است. با این حال، مشاوره ویدیویی مشابه یک ملاقات حضوری نیست. پزشکان سخنان بیمار و دیدگاهی جزئی از رفتار آنها را دریافت می کنند، اغلب بدون زمینه وسیع تر که به آنها کمک می کند تردید، ناراحتی یا عدم اطمینان را تفسیر کنند.

سوال این است که آیا فناوری می‌تواند بدون ایجاد مشکل جدید در حفظ حریم خصوصی، این شکاف را برطرف کند؟

ارتباطات غیرکلامی مدتهاست در تعاملات بالینی نقش داشته است. حالات چهره، تماس چشمی، وضعیت بدنی و مکث می تواند زمینه ای را برای آنچه که شخص می گوید فراهم کند، اگرچه هیچ یک توضیح قابل اعتماد یا جهانی از وضعیت درونی فرد ارائه نمی دهد.

پژوهشی که در سال 2025 در مورد رفتار غیرکلامی در ملاقات های بهداشتی از راه دور منتشر شد، چالش های تفسیر حالات چهره و تماس چشمی را از راه دور بررسی کرد. تحقیقات دیگر نشانه هایی مانند تکان دادن سر و خم شدن به جلو را با پیامدهای ارتباطی مثبت در برخوردهای شبیه سازی شده از راه دور مرتبط کرده اند.

این یافته ها ثابت نمی کند که یک الگوریتم بتواند احساسات بیمار را به دقت شناسایی کند یا نتایج بالینی را بهبود بخشد. با این حال، آنها یک سوال مشروع در مورد اینکه آیا پزشکان می توانند از زمینه اضافی در هنگام برقراری ارتباط از طریق صفحه نمایش بهره مند شوند، مطرح می کنند.

ابزارهای هوش مصنوعی طراحی شده برای تجزیه و تحلیل حرکات صورت، ویژگی های صوتی یا سایر سیگنال های رفتاری یکی از روش های ممکن است. این سیستم‌ها که اغلب تحت عنوان هوش مصنوعی احساسی گروه‌بندی می‌شوند، تلاش می‌کنند الگوهای رفتار قابل مشاهده را شناسایی کنند. در مراقبت های بهداشتی، ارزش بالقوه آنها در جایگزینی قضاوت بالینی نیست، بلکه در کمک به پزشکان برای شناسایی لحظاتی است که ممکن است مستلزم گفتگوی بیشتر باشد.

این تمایز ضروری است زیرا رفتار قابل مشاهده با حقیقت احساسی یکسان نیست. بیماری که از تماس چشمی اجتناب می کند ممکن است مضطرب، حواس پرت، از نظر فرهنگی به برقراری ارتباط متفاوت یا صرفا به جای دوربین به صفحه نمایش نگاه کند، عادت داشته باشد.

بیان آرام لزوما نشان دهنده این نیست که شخصی احساس راحتی می کند. هر سیستمی که چنین مشاهداتی را به برچسب‌های احساسی قطعی تبدیل کند، خطر گمراه کردن افرادی را که قرار است به آنها کمک کند، می‌کند.

مراقبت های بهداشتی همچنین مجموعه ای متفاوت از ملاحظات را نسبت به محیط های دیگر که در آن تحلیل عاطفی معرفی می شود، ارائه می دهد. در اشتغال یا تحصیل، ارزیابی خودکار احساسات می تواند نگرانی هایی را در مورد نظارت، عدم تعادل قدرت و تصمیماتی که در مورد افراد بدون رضایت معنی دار آنها گرفته می شود، ایجاد کند.

در مراقبت بالینی، اطلاعات رفتاری اضافی ممکن است از مکالمه بین یک بیمار و یک متخصص آموزش دیده پشتیبانی کند. اما مزیت بالقوه نیاز به حفاظت را برطرف نمی کند.

مقررات منعکس کننده این نگرانی ها است. قانون هوش مصنوعی اتحادیه اروپا، سیستم‌های هوش مصنوعی خاصی را که احساسات را در محیط‌های کاری و موسسات آموزشی استنباط می‌کنند، با استثنائات محدود، از جمله دلایل پزشکی یا ایمنی، ممنوع می‌کند.

محدودیت‌ها یک اصل مهم را نشان می‌دهند: مقبولیت یک سیستم هوش مصنوعی تا حدی به مکان استفاده از آن، چرایی استقرار آن و نتایج ارزیابی‌های آن بستگی دارد.

برنامه‌های مراقبت‌های بهداشتی نباید صرفا به این دلیل که یک هدف پزشکی را دنبال می‌کنند، به‌طور خودکار مفید تلقی شوند. همچنین نباید هر کاربرد تحلیل رفتاری را معادل نظارت بر محل کار تلقی کرد. سوالات مربوطه مربوط به ضرورت، رضایت، دقت، پاسخگویی و درجه کنترل حفظ شده توسط بیمار و پزشک است.

معماری حریم خصوصی بخشی از این ارزیابی است. بسیاری از سرویس‌های دیجیتال اطلاعات را به صورت مرکزی جمع‌آوری می‌کنند، آن را به سرورهای خارجی منتقل می‌کنند یا برای اهدافی فراتر از تعامل فوری نگه می‌دارند. هنگامی که اطلاعات مربوط به سلامتی یک فرد است، حتی داده‌هایی که حساسیت کمتری نسبت به پرونده پزشکی دارند، می‌توانند در ترکیب با اطلاعات دیگر آشکار شوند.

یکی از راه‌های کاهش خطرات حریم خصوصی، پردازش سیگنال‌های رفتاری در دستگاه کاربر به جای انتقال معمول داده‌های خام به سرورهای خارجی است. این رویکرد می‌تواند مقدار اطلاعات حساس به اشتراک گذاشته شده فراتر از دستگاه را محدود کند، اگرچه نیاز به رضایت صریح، مدیریت مناسب داده‌ها و محافظت در برابر سوء استفاده را برطرف نمی‌کند.

توسعه دهندگان همچنین باید در نظر داشته باشند که آیا می توان سیستم های هوش مصنوعی را با استفاده از تحقیقات موجود و مجموعه داده های منبع مناسب آموزش داد و اتکای غیرضروری به داده های شخصی را کاهش داد. این اقدامات نمی تواند حریم خصوصی را تضمین کند، اما نقطه شروع عملی برای طراحی سیستم هایی است که به رازداری بیمار احترام می گذارد.

پردازش محلی همه خطرات حفظ حریم خصوصی را از بین نمی برد. برنامه ها هنوز باید توضیح دهند که چه اطلاعاتی جمع آوری می شود، چه خروجی هایی تولید می شوند، چگونه آن خروجی ها ذخیره می شوند و چه کسی می تواند به آنها دسترسی داشته باشد.

رضایت باید معنی دار باشد و ارائه دهندگان مراقبت های بهداشتی در قبال رعایت الزامات قانونی و مقرراتی که برای خدمات آنها اعمال می شود، مسئول باقی می مانند. حتی اطلاعات مشتق شده نیز می تواند حساس باشد اگر حفظ شود یا برای تصمیم گیری های بعدی در مورد یک بیمار استفاده شود.

اصل ساده است: جمع آوری اطلاعات کمتر باید نقطه شروع باشد، نه یک فکر بعدی.

به همان اندازه مهم است که تعریف کنیم که این ابزارها نمی توانند انجام دهند. تحلیل رفتاری ذهن خوانی، آشکارساز دروغ یا تشخیص بالینی نیست. یک سیستم ممکن است تغییر در سیگنال های قابل مشاهده را شناسایی کند، اما نمی تواند به طور مستقل علت وقوع آن تغییر را مشخص کند.

این تفسیر متعلق به پزشک است که می تواند تاریخچه پزشکی، شرایط و گزارش خود از تجربه بیمار را در نظر بگیرد. یک مشاوره بهداشت روان را در نظر بگیرید که در آن بیمار احساس بهتری را توصیف می کند اما الگوهای رفتاری متفاوتی با قرار ملاقات های قبلی نشان می دهد.

یک ابزار تحلیلی ممکن است تغییر را به‌عنوان دلیلی برای پرسیدن سؤالات اضافی علامت‌گذاری کند. نباید به این نتیجه برسد که بیمار ناراحتی را پنهان می کند یا اینکه حساب او نادرست است. ارزش در باز کردن یک گفتگو نهفته است نه بسته شدن آن با یک قضاوت خودکار.

همین اصل در مورد مشاوره دارویی با بیماران مسن تر نیز صدق می کند. کسی که در حال بررسی تغییر درمان است، ممکن است بدون توضیح فوری علت تردید کند. یک سیگنال اضافی می تواند یک پزشک را تشویق کند تا نگرانی های مربوط به عوارض جانبی، مشکلات عملی یا عدم اطمینان را بررسی کند.

اما این احتمالات باید از طریق مکالمه ایجاد شوند نه اینکه تنها از حرکات صورت استنتاج شوند.

مشاوره های مکرر ممکن است فرصت هایی را برای بررسی تغییرات در طول زمان ارائه دهد، مشروط بر اینکه اطلاعات به طور مناسب جمع آوری شده و با احتیاط تفسیر شوند.

حتی در این صورت، تفاوت در نور، موقعیت دوربین، ناتوانی، بیان فرهنگی و رفتار فردی می تواند بر آنچه که یک سیستم مشاهده می کند تأثیر بگذارد. اعتبار سنجی بالینی باید مشخص کند که آیا یک ابزار به اندازه کافی برای استفاده مورد نظر قابل اعتماد است یا خیر، به جای اینکه فرض کنیم داده های بیشتر به طور خودکار مراقبت بهتری را ایجاد می کند.

در نهایت، سلامت از راه دور نیازی به بازتولید همه جنبه های یک قرار ملاقات حضوری برای موثر بودن ندارد. باید ضمن احترام به استقلال و حریم خصوصی بیماران، اطلاعات مورد نیاز را در اختیار پزشکان قرار دهد. زمینه اضافی تنها در صورتی مفید است که درک را بدون ایجاد خطرات نامتناسب بهبود بخشد.

از آنجایی که ارائه دهندگان مراقبت های بهداشتی در نظر دارند هوش مصنوعی احساسی را در مشاوره های دیجیتال بگنجانند، باید با سه سوال شروع کنند: آیا این فناوری نیاز بالینی به وضوح تعریف شده را برطرف می کند؟ آیا به طور مستقل برای آن استفاده ارزیابی شده است؟ و آیا می تواند ارزش معنی داری ارائه دهد و در عین حال جمع آوری، انتقال و نگهداری اطلاعات حساس را به حداقل برساند؟

گام بعدی برای ارائه دهندگان مراقبت های بهداشتی این است که این سیستم ها را تحت رضایت واضح، استانداردهای حفظ حریم خصوصی و اعتبار بالینی قبل از استقرار آنها در مقیاس آزمایش کنند.

بیماران باید آنچه را که تجزیه و تحلیل می شود درک کنند، پزشکان باید مسئولیت تفسیر را حفظ کنند و ارائه دهندگان باید اندازه گیری کنند که آیا این فناوری مشاوره ها را در عمل بهبود می بخشد یا خیر. مراقبت‌های بهداشتی دیجیتال نه با اندازه‌گیری هر چیزی که می‌تواند، بلکه با نشان دادن اینکه اطلاعاتی که جمع‌آوری می‌کند ضروری، مسئولانه و واقعا برای مراقبت از بیمار مفید هستند، اعتماد را به دست می‌آورد.

جاناتان جنین مدیر اجرایی است که با MorphCast، شرکتی که فناوری هوش مصنوعی مبتنی بر مرورگر را توسعه می‌دهد، کار می‌کند. کار او بر کاربرد تحلیل سیگنال رفتاری در تعاملات دیجیتال متمرکز است.