هوش مصنوعی در نظام سلامت: از مبارزه با بیماری‌های واگیر تا مطب پزشک خانواده

از ماه مه، تیم‌های مستقر در جمهوری دموکراتیک کنگو (DRK) با ویروس ابولا از نوع بوندیبوگیو مبارزه می‌کنند. هر روز، کارکنان موسوم به «Health Workers» (به معنای کارکنان سلامت) در خانه‌ها را می‌زنند و مشاوره ارائه می‌کنند. آنها موارد بهبود و مرگ را ثبت می‌کنند و افراد دارای علائم مشکوک را به مراکز درمانی ارجاع می‌دهند.دانش این کارکنان سلامت، که در دفترچه‌های یادداشتشان وضعیت یک جامعه کامل ثبت شده، بنا بر گزارشی از شرکت هوش مصنوعی Anthropic دیجیتال شده است.چه کسانی بیمار شده‌اند؟ این افراد با چه کسانی در تماس بوده‌اند و پیش از آنکه از آلودگی خود باخبر شوند، کجاها حضور داشته‌اند؟ برای تحلیل پاسخ‌ها و گزارش‌ها، از مدل «Claude» شرکت Anthropic استفاده شده است. در این مطالعه نهادهایی از جمله CEPI، دفتر منطقه‌ای سازمان جهانی بهداشت برای آفریقا و موسسه ملی تحقیقات زیست‌پزشکی INRB مشارکت داشته‌اند.هوش مصنوعی به ارزیابی سریع‌تر گسترش اپیدمی‌ها کمک می‌کنددکتر ماری روزلین دارنیکا بلیزر، مدیر آمادگی و پاسخ اضطراری در دفتر منطقه‌ای آفریقا در سازمان جهانی بهداشت (WHO)، می‌گوید: «گزارش وضعیت اکنون ظرف یک ساعت تهیه می‌شود، نه در طول یک روز کاری کامل.» به گفته او، هوش مصنوعی می‌تواند به برآورد سریع‌تر گسترش اپیدمی‌ها و هدفمندتر کردن کمک‌های پزشکی کمک کند. این معاون سازمان جهانی بهداشت روی صحنه رویداد جهانی Health Summits این نکته را مطرح کرد.در تحلیل داده‌ها، مناطق احتمالی بروز بیماری شناسایی شد و برای آنها تدارکاتی صورت گرفت؛ از جمله رساندن ذخایر اقلام کمک‌های پزشکی به گره‌های اصلی یا مناطق پرخطر.این اقدام در شرایط بحرانی می‌تواند تعیین‌کننده باشد. هرچه مقام‌های بهداشتی زودتر به یک احتمال شیوع واکنش نشان دهند، بهتر می‌توانند خود را آماده و سازماندهی تامین خدمات درمانی کنند. هدف از به‌کارگیری هوش مصنوعی این است که اطلاعات از منابع مختلف سریع‌تر تحلیل شود و تصمیم‌های مسئولان پشتیبانی شود.این نمونه مثبت از استفاده هوش مصنوعی در حوزه سلامت نشان می‌دهد در چه سطحی می‌توان این فناوری را با ریسک نسبتا کم به کار گرفت. با این حال، کارشناسان برای کاربردهای آینده هوش مصنوعی امکانات بسیار بیشتری متصور هستند.این فناوری می‌تواند دقت تشخیص‌ها را بالا ببرد، کادر درمان را از کارهای اداری سبک کند و کمک کند منابع محدود هدفمندتر استفاده شوند. در عین حال، پرسش‌های بنیادی مطرح است: نتایج تا چه حد قابل اعتمادند؟ آیا متخصصان پزشکی می‌توانند بفهمند هوش مصنوعی چگونه به یک تصمیم رسیده است؟ و آیا در نهایت خود بیماران از آن سود می‌برند؟هوش مصنوعی به عنوان پشتیبان کادر درمان فرسودهدر سراسر جهان نیاز به خدمات درمانی رو به افزایش است، در حالی که در بسیاری مناطق با کمبود نیروی انسانی، زمان و تجهیزات روبه‌رو هستیم. برای دکتر توماس زاپاتا، مدیر آکادمی سازمان جهانی بهداشت در لیون، این وضعیت نقطه آغاز مهمی برای استفاده از هوش مصنوعی است.توماس زاپاتا در یک میزگرد در نشست جهانی سلامت می‌گوید: «ما باید درباره پارادوکسی فکر کنیم که اکنون با آن روبه‌رو هستیم. امروز در جهان بیش از هر زمان دیگری نیروی متخصص سلامت داریم و به فناوری‌هایی بی‌سابقه دسترسی پیدا کرده‌ایم.» با این حال، به گفته او، همچنان کمبود عظیمی در کادر درمان وجود دارد. «تقاضا برای خدمات سلامت مدام در حال افزایش است.»او هوش مصنوعی را راهی برای کوچک‌تر کردن این شکاف می‌بیند. به باور او، نکته تعیین‌کننده این است که هوش مصنوعی به خودی خود هدف نباشد، بلکه به عنوان ابزاری دیده شود که در نظام‌های موجود سلامت ادغام می‌شود.زاپاتا هشدار می‌دهد: «هوش مصنوعی یک تسهیل‌گر است، ابزاری برای رسیدن به هدف. در حال حاضر ما به فناوری و هوش مصنوعی بسیار شیفته شده‌ایم، اما به گمان من باید آن را در چارچوب نظام سلامت در جای درست قرار دهیم.» به گفته او، هوش مصنوعی در دو حوزه می‌گنجد: از یک سو می‌تواند شیوه سازماندهی خدمات درمانی را دگرگون کند و از سوی دیگر، آموزش و بازآموزی کادر درمان نیز باید خود را با امکانات تازه تطبیق دهد.در نهایت، هوش مصنوعی می‌تواند به کاهش بار کاری، بهینه‌سازی امور اداری، بهبود تصمیم‌گیری بالینی و بهینه‌سازی فرایند تشخیص کمک کند. برای او مهم است که این فناوری زمانی را آزاد کند برای چیزی که به سادگی قابل خودکارسازی نیست و نباید هم باشد: مراقبت و رسیدگی به بیماران.به ویژه بحران ابولا در جمهوری دموکراتیک کنگو نشان داد که اعتماد به نظام‌های سلامت محلی اندک است.در نتیجه، وقت بیشتری برای رسیدگی پزشکان به مردم می‌ماندبه‌ویژه در جاهایی که کادر درمان زیر فشار شدید زمانی کار می‌کند، فرایندهای خودکار می‌تواند تفاوت ایجاد کند. دکتر سسیلیا مباکا، مشاور ارشد فنی در حوزه سلامت و وضعیت‌های اضطراری در سازمان امدادی CARE، چالش‌ها را از بیش از ۱۵ سال کار در خط مقدم به خوبی می‌شناسد.برای او سه پرسش اساسی است: آیا هوش مصنوعی می‌تواند تصمیم‌های پزشکی را پشتیبانی کند؟ آیا می‌تواند کارهای تکراری را بر عهده بگیرد؟ و آیا کمک می‌کند خدمات درمانی بیش از پیش با نیازهای فردی بیماران منطبق شود؟دکتر سسیلیا مباکا، مشاور ارشد فنی در حوزه سلامت و وضعیت‌های اضطراری در سازمان امدادی CARE، توضیح می‌دهد: «اگر هوش مصنوعی این کار را به‌خوبی انجام دهد، وقت بیشتری برای جنبه‌های شخصی مراقبت باقی می‌ماند؛ تا بتوانیم سوال بپرسیم، گوش بدهیم، بیماران را معاینه کنیم و آنها را به سطح بعدی مراقبت ارجاع دهیم.»او خود بیش از ۱۵ سال در خط مقدم کار کرده است؛ با حمایت اندک، منابع محدود و فشار کاری بالا.به‌ویژه در اپیدمی‌ها، موضوع فقط داده‌های پزشکی نیست. اعتماد مردم نیز نقش مهمی دارد. مردم باید مطمئن باشند که در یک مرکز درمانی محافظت و به طور مناسب درمان می‌شوند. در جوامع درگیر، این اعتماد می‌تواند تعیین کند که بیماران آیا به موقع به دنبال کمک پزشکی می‌روند یا نه.به گفته اپیدمیولوژیست ماکسیمیلیان گرتلر برآورد می‌شود حدود ۵۰ درصد مرگ‌ومیرها در روستاهای جمهوری دموکراتیک کنگو رخ می‌دهد و نه در مراکز درمانی. زیرا نظام سلامت محلی زیر فشار است و برای شیوع ابولا آماده نبود. روزانه به هزاران لباس محافظ نیاز است تا کادر پرستاری در برابر آلودگی مصون بماند. آلمان اخیرا کمک‌های خود را ۲۱ میلیون یورو افزایش داده است.به این ترتیب، هوش مصنوعی می‌تواند سازماندهی خدمات درمانی را پشتیبانی کند. با این حال، به تنهایی نمی‌تواند باعث شود مردم به مراکز درمانی اعتماد کنند. همان طور که خود کارشناسان هوش مصنوعی هم انتقاد می‌کنند، مسیر رسیدن به تشخیص در بسیاری موارد هنوز شفاف نیست.مسئله شفافیت: هوش مصنوعی چگونه به تشخیص می‌رسد؟سامانه‌های مدرن هوش مصنوعی می‌توانند حجم عظیمی از داده‌ها را تحلیل و الگوهایی را پیدا کنند که شاید از چشم انسان پنهان بماند. اما اغلب روشن نیست دقیقا چگونه به نتایج خود می‌رسند.دکتر توماس تسن، استاد آموزش پزشکی و انفورماتیک در دانشکده پزشکی گایزل در دانشگاه آمریکایی دارتموث، این مشکل را چنین توصیف می‌کند: «این سامانه‌ها در شناسایی الگوها بسیار توانمند هستند، اما در توضیح اینکه این الگوها دقیقا چیستند، واقعا ضعیف عمل می‌کنند.» چت‌بات‌ها و مدل‌های زبانی بزرگ مانند «Claude» یا «ChatGPT» به گفته او با مشکلی در توضیح روبه‌رو هستند. در اینجا هوش مصنوعی همچنان یک جعبه‌سیاه باقی می‌ماند.این موضوع به‌ویژه در نظام سلامت اهمیت دارد. وقتی سامانه‌ای یک تشخیص یا توصیه درمانی ارائه می‌دهد، متخصصان پزشکی باید بتوانند تشخیص دهند که آیا آن توصیه در مورد مشخص معنا دارد یا نه. صرفِ نتیجه همیشه کافی نیست؛ مسیر رسیدن به آن نیز باید قابل پیگیری باشد.او می‌گوید: «این همان مشکل توضیح‌پذیری است؛ این سامانه‌ها نمی‌توانند به زبانی قابل فهم برای انسان توضیح دهند چگونه به این نتایج رسیده‌اند.»این مشکل موسوم به جعبه‌سیاه تنها به شفافیت مربوط نمی‌شود، بلکه مسئولیت را هم در بر می‌گیرد: اگر هوش مصنوعی توصیه‌ای نادرست بدهد، چه کسی پاسخگو است؟ برای دکتر مباکا نیز مهم است که هوش مصنوعی صرفا نتیجه تحویل ندهد، بلکه واقعا فرایند تصمیم‌گیری را پشتیبانی کند.کارشناس: هوش مصنوعی نباید جای یادگیری در آموزش را بگیرددر آموزش کادر پزشکی نیز هوش مصنوعی می‌تواند کمک‌کننده باشد؛ مثلا با دسترس‌پذیر کردن سریع‌تر اطلاعات یا پشتیبانی در انجام کارهای تکراری. اما خود تسن، استاد آموزش پزشکی و انفورماتیک، در زمینه یادگیری خطرهایی می‌بیند.او به مطالعه‌ای اشاره می‌کند که در آن جست‌وجوی اطلاعات با موتورهای جست‌وجوی متداول با استفاده از چت‌بات‌های هوش مصنوعی مقایسه شده است. طبق این تحقیق، دانشجویانی که از چت‌بات استفاده کرده‌اند، دانشی سطحی‌تر و کمتر تثبیت‌شده داشتند.او می‌گوید: «این گونه دشواری‌های به اصطلاح مطلوب در واقع برای فرایند یادگیری بسیار مهم‌اند. اگر کل یادگیری شناختی را به یک چت‌بات واگذار کنیم، هرچند ممکن است بسیار کارآمد به نظر برسد، اما در این میان چیزی یاد نمی‌گیریم.»به باور او، کسانی که باید دانشی پایدار کسب کنند، نباید همه کار فکری را به هوش مصنوعی بسپارند. به‌ویژه در پزشکی، گاهی لازم است حتی در نبود حمایت فنی هم بتوان تصمیم درست گرفت.به همین دلیل، تسن نیز توصیه می‌کند هوش مصنوعی عمدتا در جاهایی به کار رود که بار کاری را کاهش می‌دهد. در حوزه‌هایی که هدف، فهم دانش و حفظ آن در بلندمدت است، یادگیری مستقل باید جایگاه خود را حفظ کند.