پزشکی از آن دست مشاغلی است که همیشه با دنیای بیرون در ارتباط بوده و خود را با تغییرات به سرعت آپدیت می کند! احتمالا الان تصور شما از پزشکی، یک آقا یا خانم با یک روپوش سفید تمیز و اتو کشیده است که در پشت میز خود نشسته است و شما نیز پس از مدتی در نوبت بودن و کمی معاینه، داروی خود را دریافت می کنید و به منزل می روید.

اما بهتر است نگاهی واضح تر به مسائل داشته باشیم. اگر شما بیماری مزمن داشته باشید که نیاز به پیگیری های مکرر یا به اصطلاح فالوآپ داشته باشد؛ پیدا کردن و دسته بندی حجم زیادی از اطلاعاتی که شما در هر جلسه ویزیت با پزشک خود جابجا می کنید کاری طاقت فرساست. چه بسا که ممکن است اطلاعات مهمی در این میان از بین برود. از سوی دیگر شما ممکن است هر از چند گاهی مجبور به تغییر دارو های خود شوید و پزشک نیاز دارد با توجه به تاریخچه بیماری شما و داروهایی که در گذشته مصرف می کردید؛ دارو های جدید را تنظیم کند.

حال فرض کنید که بیماری شما نیاز به تصویر برداری نیز دارد؛ دقت در تصویر برداری چقدر اهمیت دارد؟ پاسخ این سوال واضح است و بهتر است کار را به کاردان بسپریم؛ کسی که می تواند با بالاترین دقت ممکن مو را از ماست به بیرون بکشد و به پزشک کمک کند تشخیص خود را سریع تر اعلام کند و فرآیند درمان با سرعت هر چه تمام تر آغاز شود! این کاردان همان هوش مصنوعی ای است که در این مطلب قرار است به آن بپردازیم.

این مسائل، همه علم پزشکی نیست و با پیشرفت هایی که در دنیا صورت گرفته است؛ پزشکی مدرن نیز تغییر کرده است. برای مثال، پزشکی با آغوش باز پذیرای هوش مصنوعی بوده است تا بتواند با کمک آن بسیاری از کار ها را سریع تر و راحت تر انجام دهد!

بخش مراقبت های بهداشتی مدت هاست که اولین پذیرنده پیشرفت های تکنولوژیکی بوده است. یادگیری ماشینی یا به اصطلاح Machine Learning که زیر مجموعه ای از هوش مصنوعی است؛ نقش کلیدی در بسیاری از نوآوری های بهداشتی، از جمله توسعه روش های پزشکی جدید، مدیریت داده ها و سوابق بیمار و درمان بیماری های مزمن ایفا می کند.

این یادگیری ماشینی در حیطه های زیر تاثیر گذار بوده است:

- پیش بینی و درمان بیماری

- ارائه تصویربرداری و تشخیص پزشکی

- کشف و توسعه داروهای جدید

- ساماندهی مدارک پزشکی

برای مثال، فناوری یادگیری ماشینی می تواند با ساماندهی حجم زیادی از اطلاعات داده شده، به کادر درمان کمک کند تا در سریع ترین زمان ممکن بهترین درمان متناسب با ویژگی های فردی را ارائه دهند. بر اساس گزارش مرکوری نیوز، انتظار می رود یادگیری ماشین و هوش مصنوعی در آینده در آزمایشات بالینی سیستم عصبی مرکزی نقش مهمی ایفا کنند.

سایر پیشرفت‌های بالقوه یادگیری ماشین در مراقبت‌های بهداشتی شامل پزشکی از راه دور است، زیرا برخی از شرکت‌های یادگیری ماشینی در حال مطالعه نحوه سازماندهی و ارائه اطلاعات بیمار به پزشکان در طول جلسات پزشکی از راه دور، و همچنین گرفتن اطلاعات در طول بازدیدهای مجازی برای ساده‌سازی گردش‌های کاری هستند. شرکت‌های داروسازی نیز از یادگیری ماشینی برای کمک به کشف دارو و توسعه دارو استفاده می‌کنند. ML یا همان یادگیری ماشینی می تواند روزی داروسازان را به پیش بینی نحوه پاسخ بیماران به داروهای مختلف سوق دهد و مشخص کند که چه بیمارانی شانس بیشتری برای بهره مندی از دارو دارند.

در همین حال، سازمان غذا و داروی ایالات متحده چند سیاست را تصویب کرده است که به دستگاه‌های پزشکی اجازه می‌دهد از فناوری‌های هوش مصنوعی و یادگیری ماشینی استفاده کنند. در ادامه 11 شرکت را نام می بریم که توانسته اند از یادگیری ماشینی و هوش مصنوعی در سیستم پزشکی و خدمات درمانی استفاده کنند.

مایکروسافت:

پروژه InnerEye مایکروسافت با استفاده از نوعی بینایی کامپیوتری برای تمایز بین تومورها و آناتومی سالم با استفاده از تصاویر رادیولوژیکی سه بعدی استفاده می کند که به متخصصان پزشکی در رادیوتراپی و برنامه ریزی جراحی کمک می کند. با این رویکرد مبتنی بر هوش مصنوعی، مایکروسافت قصد دارد دارویی تولید کند که متناسب با نیازهای منحصر به فرد هر بیمار باشد.

تمپوس:

Tempus با جمع‌آوری مقادیر زیادی از داده‌های پزشکی و بالینی برای ارائه درمان‌های شخصی‌شده برای بیماران، به پیشرفت‌هایی در تحقیقات سرطان دست می‌یابد. Tempus با تجزیه و تحلیل کتابخانه داده‌های خود با الگوریتم‌های مبتنی بر هوش مصنوعی، به پروفایل ژنومی، تطبیق کارآزمایی‌های بالینی، نشان‌گذاری زیستی تشخیصی و تحقیقات آکادمیک کمک می‌کند.

پث آل:

کمپانی PathAl از یادگیری ماشینی برای کمک به آسیب شناسان برای تشخیص سریع تر و دقیق تر استفاده می کند. این شرکت همچنین ابزارهای هوش مصنوعی را برای جمع‌آوری اطلاعات بیمار، پردازش نمونه‌ ها و ساده ‌سازی سایر وظایف برای آزمایش‌های بالینی و توسعه دارو ارائه می‌دهد. یک شبکه مشارکتی از گروه‌های بیوفارما، آزمایشگاه‌ها و پزشکان، منابعی برای ارائه درمان‌های مؤثرتر به  PathAl ارائه دادند.

کارئو:

برای پشتیبانی از نیازهای فنی و تجاری فعالیت‌های مستقل، Kareo یک پلت فرم مدیریت بالینی و تجاری مبتنی بر ابر ارائه می‌دهد. با این روش سازمان ‌ها می‌توانند داده‌های مالی و سلامت بیمار را به پلتفرم صورت‌حساب Kareo انتقال دهند و مدیریت سوابق و تکمیل تراکنش‌ها را آسان ‌تر کنند. علاوه بر این، Kareo از فناوری هوش مصنوعی برای خودکارسازی کارهای تکراری استفاده می‌کند و زمان و هزینه ‌ها را برای تمرین‌کنندگان کاهش می‌دهد.

بتا بیونیک:

برای اینکه زندگی بیماران دیابتی، بدون استرس شود؛ بتا بیونیک در حال ساخت و تحقیق بر روی دستگاهی به نام iLet است که به نوعی پانکراس بدن انسان محسوب می شود. این دستگاه - که هنوز در مرحله تحقیقاتی است - به طور مداوم سطح قند خون بیماران مبتلا به دیابت نوع 1 را کنترل می کند، بنابراین بیماران مجبور نیستند بار ردیابی روزانه سطح گلوکز خون خود را به دوش بکشند.

Kensci :

KenSci از یادگیری ماشینی برای پیش بینی بیماری و درمان استفاده می کند، بنابراین پزشکان می توانند زودتر مداخله کنند و به بیماران کمک کنند تا از حوادث جدی ای که ممکن است برای آن ها پیش بیاید؛ اجتناب کنند. با تجزیه و تحلیل KenSci، متخصصان مراقبت های بهداشتی همچنین می توانند خطر های تهدید کننده سلامت جمعیت را با شناسایی الگو ها و نمایاندن نشانگر های پرخطر و مدل سازی پیشرفت بیماری پیش بینی کنند.

Ciox Health:

Ciox Health پلتفرم Datavant Switchboard خود را با یادگیری ماشینی تقویت می‌کند تا به متخصصان دسترسی سریع ‌تری به داده ‌های بیمار بدهد. سازمان‌ها می‌توانند کنترل های دلخواه خود را در پلتفرم ایجاد کنند و به کارکنان اجازه دهند درخواست‌هایی را برای انواع خاصی از داده‌ها ارسال کنند. فناوری Ciox Health همچنین از قوانین رعایت حریم خصوصی برای ایمن نگه داشتن سوابق سلامت الکترونیکی بیماران پیروی می کند.

Subtle Medical:

Subtle Medical  از پتانسیل هوش مصنوعی، یادگیری ماشینی و یادگیری عمیق یا Deep Learning برای تولید تصاویر پزشکی واضح ‌تر برای رادیولوژیست‌ ها بهره می‌برد. این شرکت با محصول SubtleMR خود قادر به جلوگیری از نویز تصویر و تمرکز بر روی نواحی مانند سر، گردن، شکم و سینه است. تصاویر با کیفیت بالا، رادیولوژیست ها را برای معاینه آسان تر می کند و می تواند زمان درمان را کوتاه تر کند.

بیشتر بخوانید: اولین بیمارستان متاورس جهان در امارات کار خود را آغاز می‌‌کند

فایزر:

فایزر با کمک فناوری هوش مصنوعی Watson IBM، از یادگیری ماشینی برای تحقیقات ایمنولوژی-انکولوژی در مورد اینکه چگونه سیستم ایمنی بدن می تواند با سرطان مبارزه کند، استفاده می کند. این مشارکت فایزر را قادر می‌سازد تا مقادیر زیادی از داده‌های بیمار را تجزیه و تحلیل کند و دیدگاه های جدیدتر و سریع تری در رابطه با درمان هایی در این زمینه داشته باشد.

Biosymetrics:

Biosymetrics از طریق پلت فرم یادگیری ماشینی و هوش مصنوعی احتمالی خود به سازمان‌ها کمک می‌کند تا مقادیر زیادی از داده‌های خام را تجزیه و تحلیل کنند تا امورات پزشکی ساده تر شوند. این شرکت به میلیون‌ها پرونده الکترونیکی سلامت و مدل‌های بیماری انسان ها دسترسی دارد و به پلتفرم Elion اجازه می‌دهد تا بینش جامع ‌تری در مورد پزشکی و درمان داشته باشد.

ConcertAI:

ConcertAI از یادگیری ماشینی برای تجزیه و تحلیل داده‌های سرطان ‌شناسی استفاده می‌کند و به متخصصان سرطان، شرکت‌های دارویی و سایر افراد فعال در این زمینه این فرصت را می دهد که دقیق تر و بهتر عمل کنند. محصول RWD360 این شرکت به عنوان یک پایگاه داده گسترده برای داده های بالینی در حیطه تومور ها فعالیت دارد که با کمک این پایگاه، متخصصان می توانند درمان ها را با اطلاعات جمعیت شناختی و بالینی بیمار تنظیم کنند.

با بررسی این 11 شرکت پیشتاز در این زمینه متوجه شدیم که هوش مصنوعی در پزشکی به زبان ساده، استفاده از مدل‌های یادگیری ماشینی برای جستجوی داده‌های پزشکی و کشف بینش‌های جدید برای کمک به بهبود نتایج سلامت و تجربیات بیمار است. به لطف پیشرفت‌های اخیر در علم کامپیوتر و انفورماتیک، هوش مصنوعی (AI) به سرعت در حال تبدیل شدن به بخشی جدایی ناپذیر از مراقبت‌های بهداشتی مدرن است. الگوریتم‌های هوش مصنوعی و سایر برنامه‌های کاربردی مجهز به هوش مصنوعی برای حمایت از متخصصان پزشکی در محیط‌های بالینی و در تحقیقات استفاده می‌شوند.

در حال حاضر، رایج ترین نقش های هوش مصنوعی در پزشکی، کمک به تصمیم گیری های بالینی و تصویر برداری هاست. ابزارهای پشتیبانی تصمیم گیری بالینی به فعالان این زمینه کمک می‌کنند تا با فراهم کردن دسترسی سریع به اطلاعات یا تحقیقات مرتبط با بیمار؛ درباره درمان‌ها، داروها، سلامت روان و سایر نیاز های بیمار تصمیم‌گیری کنند. در تصویربرداری پزشکی، از ابزار های هوش مصنوعی برای تجزیه و تحلیل سی تی اسکن، اشعه ایکس، MRI و سایر تصاویر برای ضایعات یا سایر یافته‌هایی که ممکن است از قلم یک انسان رادیولوژیست جا بیفتد استفاده می شود.

کابرد هوش مصنوعی تنها به تصمیم گیری های بالینی و گرد هم آوردن اطلاعات محدود نمی شود و هوش مصنوعی با روش های متعددی می تواند به کمک پزشکان و سایر اعضای کادر درمان بشتابد. در ادامه به چند مورد دیگر از کاربرد های آن اشاره خواهیم کرد.

تشخیص بیماری از طریق هوش مصنوعی:

برخلاف انسان ها، هوش مصنوعی هرگز نیازی به خواب ندارد. مدل‌های یادگیری ماشینی را می‌توان برای مشاهده علائم حیاتی بیمارانی که مراقبت‌های ویژه دریافت می‌کنند به کار برد تا در صورتی که بیمار در شرایط هشدار قرار گرفت، پزشکان به سرعت از خطر آگاه شوند.

در حالی که دستگاه‌های پزشکی مانند مانیتورهای قلب می‌توانند علائم حیاتی را ردیابی کنند، هوش مصنوعی می‌تواند داده‌های آن دستگاه‌ ها را جمع‌آوری کند و شرایطی را که تشخیص آن برای پزشکان پیچیدگی بیشتری دارد_ برای مثال سپسیس_ را شناسایی کند. در این رابطه جالب است بدانید که یکی از افراد IBM یک مدل هوش مصنوعی پیش‌بینی‌کننده برای نوزادان نارس ایجاد کرده است که 75 درصد در تشخیص سپسیس شدید دقت دارد.

هوش مصنوعی در تصویربرداری پزشکی

هوش مصنوعی در حال حاضر نقش برجسته ای در تصویربرداری پزشکی ایفا می کند. تحقیقات نشان داده است که هوش مصنوعی با استفاده از شبکه های عصبی مصنوعی می تواند به اندازه رادیولوژیست های انسانی در تشخیص علائم سرطان سینه و همچنین سایر شرایط موثر باشد. علاوه بر کمک به پزشکان در تشخیص علائم اولیه بیماری، هوش مصنوعی همچنین می‌تواند با شناسایی بخش‌های حیاتی از تاریخچه بیمار و ارائه تصاویر مربوطه به آن ها، تعداد خیره‌کننده تصاویر پزشکی را که پزشکان باید آن‌ها را پیگیری کنند، قابل کنترل و قابل پیگیری کند.

کارایی کارآزمایی بالینی:

زمان زیادی در طول آزمایش‌های بالینی صرف اختصاص کدهای پزشکی به نتایج بیمار و به‌روزرسانی مجموعه داده‌های مربوطه می‌شود. هوش مصنوعی می‌تواند با ارائه جستجوی سریع‌ تر و هوشمندانه ‌تر برای کد های پزشکی به سرعت بخشیدن به این فرآیند کمک کند. دو فرد در IBM Watson Health اخیرا دریافتند که با هوش مصنوعی، می‌توانند تعداد جستجو های کد پزشکی خود را با کمک هوش مصنوعی بیش از 70 درصد کاهش دهند.

توسعه سریع تر دارو ها:

کشف دارو اغلب یکی از طولانی ترین و پرهزینه ترین بخش های توسعه دارو است. هوش مصنوعی می‌تواند به کاهش هزینه ‌های توسعه داروهای جدید به دو صورت کمک کند: ایجاد طرح‌ های دارویی بهتر و یافتن ترکیب ‌های دارویی نویدبخش. با هوش مصنوعی می توان بر بسیاری از چالش هایی که صنعت علوم زیستی با آن مواجه است غلبه کرد.

به طور خلاصه می توان مزیت های هوش مصنوعی را در علم پزشکی به صورت زیر بیان کرد:

- مراقبت از بیمار

- کاهش خطا

- کاهش هزینه های مراقبت از بیمار

- افزایش تعامل پزشک و بیمار

- ارائه ارتباطات بین تاریخچه و زمان حال بیمار