یادگیری ماشین و هوش مصنوعی در خدمات پزشکی: ضرورت یا بالقوگی؟

در نتیجه روند دیجیتالی شدن سیستم مراقبت‌های بهداشتی در سراسر جهان، تخمین زده می‌شود که داده‌های مراقبت‌های بهداشتی تولید شده به 2314 اگزابایت از داده‌های جدید تولید شده در سال 2020 برسد. توسعه مداوم سیستم‌های هوشمند با هدف ارائه استدلال بهتر و استفاده بهتر از داده‌های جمع آوری شده است. کاربرد آن گذشته نگر نیست و به صورت تشخیصی نتیجه‌گیری می‌‌‌شود.

گفته می‌شود پزشكانی كه می‌توانند از این سیستم‌ها كمك بگیرند، خود را میان بررسی‌های عمیق فنی و موارد بالینی می‌بینند. این مطلب با هدف ارائه بصیرت آسان از دانش هوش مصنوعی AI) و Machine Learning (ML) در زمینه پزشکی، در اختیار پزشکان علاقمند قرار گرفته است. برای این منظور ابتدا در مورد مسیر های کلی توسعه در مورد استفاده از مفهوم AI و ML در سیستم های بهداشتی سپس فیلدهایی را نشان می‌دهیم که در حال حاضر مورد آزمایش قرار گرفته‌اند؛ از جمله فناوری‌های مورد آزمایش می‌توان خون شناسی، مغز و اعصاب، قلب و عروق، انکولوژی، رادیولوژی، چشم، زیست شناسی سلولی و سلول درمانی اشاره کرد.

برای تصمیم‌گیری‌های بالینی، داده ها و سوابق بیمار را دیجیتالی و الکترونیکی کردند . روند دیجیتالی شدن سیستم مراقبت های بهداشتی و داده های مراقبت های بهداشتی تولید شده در سال 2011 در سراسر جهان 150 اگزبایت تخمین زده می‌شود و همچنین 2314 اگزبایت از جدیدترین داده های تولید شده در سال 2020 را داریم. با این حال ، پردازش این داده ها به طور موثر به گونه ای که اطلاعات مفید و دانش جدید بتواند از آن استخراج شود می تواند یک چالش واقعی باشد. اطلاعات پزشکی جمع آوری شده را می توان با روشهای مختلف و تجزیه و تحلیل کرد که در سطوح مختلف به آن می‌پردازیم .

سطح اول : به دست آوردن اطلاعات بیمار

این اطلاعات توسط سیستم های هشدار دهنده معمولی می توانند جمع آوری شوند . به عنوان مثال هنگامی که مقادیر از مقدار طبیعی و نرمال خارج است مثلا برای قلب ، مانیتورهای الکتروکاردیوگرافی (ECG) مورد استفاده است .

سطح دوم : در این سطح منابع مختلف داده ها جمع آوری می‌شوند .

این داده ها به صورت پردازش گونه هستند به طوری که بتوان از آن ها به صورت نتیجه استفاده کرد که آن ورودی نوع دیگری از سیستم است که دیفرانسیل پیشنهادی را ارائه می‌دهد . آن ورودی ، تشخیص و نتیجه گیری را بر اساس مجموعه ای از قوانین ارائه می‌دهد . سلسله مراتبی مانند درخت با استفاده از داده ها ارائه می‌شود که این سیستم ها به این روش می توانند کمک کنند . این سیستم ها مبتنی بر قاعده " سیستم های خبره " هستند . کارشناس سیستم ها این تجربه را در نظر می‌گیرند تا تصمیم گیری نهایی را انجام دهند . اغلب این سیستم ها قادر هستند به سوالاتی که با "چه" به جای "چگونه" هستند پاسخ دهند و همزمان استدلال پشت آنها را توضیح می‌دهند . در بخش بعدی ، پس از یک معرفی کوچک درباره بیمار و فرآیند دستیابی به داده ها ، زمینه های پزشکی زیر را بررسی خواهیم کرد. در مسائلی که فناوری‌های هوش مصنوعی قبلاً در آن ها استفاده شده اند: پذیرش بیمار، رادیولوژی ، خون شناسی ، مغز و اعصاب ، انکولوژی ، بیولوژی سلولی و سلول درمانی ، قلب و عروق.

پذیرش بیمار: به دست آوردن اطلاعات اولیه بیمار

پذیرش بیمار: به دست آوردن اطلاعات اولیه بیمار فرآیند بالینی ، اقدامات انجام شده توسط مراقبت های بهداشتی متخصصان به منظور ارزیابی و بهبود سلامت یک بیمار یک نقطه شروع دارد که به صورت قرار ملاقات ، ویزیت اضطراری و غیره است . قرار ملاقات بیمار از 1960 انجام شده است و این مرحله تا حدی دیجیتالی شده است که اغلب ذخیره سازی و بازیابی به صورت دیجیتالی است ولی جمع‌آوری داده ها هنوز توسط شخص انجام می‌شود زیرا تکیه بر سیستم خودکار دشوار است و در روند جمع‌آوری این اطلاعات انسان می‌تواند به خوبی اطلاعات داده شده توسط بیمار را تعریف کند . به عنوان مثال وقتی یک بیمار می‌گوید : فکر می کنم دیابت دارم ، پزشک تا قبل از بررسی علائم و آزمایشات آن را تایید نمی‌کند .

حالا سیستم چگونه این ورودی ها را تجزیه می‌کند ؟

اگرچه ما پیشرفتهای خارق العاده ای در زمینه طبیعی داشته ایم ولی هیچ سیستمی نمی‌تواند اصطلاحات پزشکی را مستقیما از ورودی بیمار پس از جمع آوری داده ها استخراج کند و تجزیه و تحلیل آن به صورت بالینی است . سوابق بهداشتی می تواند راه های مختلفی برای تشریح و یا حتی پیش‌بینی ارائه دهد مثلا به صورت مدل سازی در مورد آینده بیمار بر اساس سلامت فعلی پزشکی ، سوابق و اطلاعات بیمار .

گردآوری: مهشید خانعلی