هوش مصنوعی دارای پتانسیل‌هایی برای بهبود تصمیم‌گیری‌های پزشکی است
هوش مصنوعی
هوش مصنوعی دارای پتانسیل‌هایی برای بهبود تصمیم‌گیری‌های پزشکی است
امروزه به دلیل گسترش دانش و پیچیده‌تر شدن تصمیم‌گیری، استفاده از سیستم‌های اطلاعاتی به خصوص سیستم‌های هوش مصنوعی در حمایت از تصمیم‌گیری اهمیت بیشتری یافته است.
هوش مصنوعی به سیستم‌هایی اطلاق می‌شود که می‌توانند رفتارهایی مشابه رفتارهای هوشمند انسانی از جمله درک شرایط پیچیده، شبیه‌سازی فرایندهای تفکری و شیوه‌های استدلالی انسان و پاسخ موفق به آن، یادگیری و توانایی کسب دانش و استدلال برای حل مسایل داشته باشند. محققان در پژوهشی با عنوان «کاربرد سیستم‌های هوش مصنوعی در تصمیم‌گیری‌های پزشکی»آورده‌اند «گسترش دانش در حوزه پزشکی و پیچیدگی تصمیمات مرتبط با تشخیص و درمان، توجه متخصصان را به استفاده از سیستم‌های پشتیبان تصمیم‌گیری در امور پزشکی جلب نموده است».
در این پژوهش که توسط فرحناز صدوقی دانشیار مدیریت اطلاعات بهداشتی درمانی و عباس شیخ طاهری دانشجوی دکتری مدیریت اطلاعات بهداشتی درمانی دانشگاه علوم پزشکی تهران انجام شده آمده است، «استفاده از انواع مختلف سیستم‌های هوشمند در پزشکی رو به افزایش است؛ به طوری که امروزه تأثیر انواع سیستم‌های هوشمند در پزشکی مورد مطالعه قرار گرفته است».
مطالعات فراوان، قابلیت سیستم‌های هوش مصنوعی را در پشتیبانی از تصمیمات پزشکی نشان داده است. یکی از مزایای این سیستم‌ها، در نظر گرفتن راه‌حل‌های متنوع‌تر است. هوش مصنوعی به پزشک کمک می‌کند تا متغیرهای بیشتر و متنوع‌تری را در زمان تشخیص بیماری یا انتخاب درمان در نظر بگیرد. به عبارتی، با توجه به محدودیت یادآوری ذهن، پزشک ممکن است تمام متغیرهای لازم برای تصمیم‌گیری را در آن واحد در نظر نگیرد یا آنها را فراموش کند یا در پی کسب اطلاعات در خصوص آن نباشد.
اما از آنجا که روابط بین این متغیرها در زمان طراحی سیستم در آن لحاظ می‌شود، احتمال نادیده گرفتن بعضی از این عوامل یا در نظر گرفتن تأثیر آنها کمتر/ بیشتر از حد معقول، کاهش می‌یابد. بنابراین با توجه به کیفیت تعریف این روابط، می‌توان انتظار داشت تا تصمیمات پزشکان دقیق‌تر شود. وجود متغیرهای زیاد و ناشناخته به معنی پیچیدگی بیشتر تصمیم‌گیری است.
به کمک این سیستم‌ها، می‌توان متغیرهای بیشتری را در تصمیم‌گیری دخالت داد. همچنین می‌توان با شبکه عصبی متغیرهای ناشناخته، روابط ناشناخته بین متغیرها و همچنین متغیرهایی با تأثیر ناشناخته بر متغیر نتیجه را در نظر گرفت. بدین ترتیب با استفاده از این سیستم‌ها، می‌توان دقت بیشتر در تصمیم‌گیری‌های پیچیده‌تر را انتظار داشت. اما می‌توان با در نظر گرفتن تمام این متغیرها در سیستم‌های هوشمند، به پزشک در اتخاذ تصمیم صحیح کمک کرد.
پژوهشگران می‌گویند، استفاده از منطق خبرگان و کنترل دانش، از دیگر مزایای این سیستم‌ها است. در زمان طراحی سیستم‌های خبره پزشکی، دانش تخصصی در زمینه مورد نظر از خبرگان آن موضوع استخراج و وارد پایگاه دانش می‌شود. این موضوع به این معنی است که دانش و تجربه متخصصین در زمینه‌های مختلف مانند بیماری‌های نادر را می‌توان در تصمیم‌گیری افراد مختلف وارد کرد که این موضوع می‌تواند منجر به کاهش ترس و افزایش اعتماد به نفس شود.
به کارگیری هوش مصنوعی در تصمیم‌گیری و وقت پزشکان بسیار موثر است
با توجه به وفور و تداخل متغیرها در تصمیمات پزشکی، پزشکان می‌توانند با به کارگیری سیستم‌های هوش مصنوعی سریع‌تر و یکدست‌تر تصمیم‌گیری کنند و وقت خود را بیشتر صرف ارزیابی تصمیم نمایند. در نهایت، با این سیستم‌ها، سرعت تحلیل و دسترسی به توصیه‌ها در هر زمان و مکان افزایش می‌یابد؛ به عنوان مثال پیش‌بینی خوشبیم یا بدخیم بودن ضایعه بدون انجام بیوپسی یا پیش‌بینی درست عود یا متاستاز سرطان باعث می‌شود تا پزشکان بتوانند سریع‌تر به درمان یا پیشگیری اقدام کنند.
با وجود مزایای زیاد، به کارگیری سیستم‌های هوش مصنوعی در پزشکی با موانع و چالش‌های بسیار زیاد و جدی روبه‌رو است. از جمله این محدودیت‌ها می‌توان به محدودیت تکنولوژی و هزینه سیستم اشاره کرد. از طرفی، عملکرد آنها مستلزم به روزرسانی مداوم است. همچنین استفاده از این سیستم‌ها، مستلزم وارد کردن داده‌های بیمار در سیستم به منظور دریافت توصیه‌های تشخیصی یا درمانی است. این موضوع بدین معناست که پزشک باید اطلاعات بیمار را یک بار در این سیستم و بار دیگر در پرونده بیمار وارد نماید.
تکرار ورود اطلاعات در سیستم‌های مختلف می‌تواند مانعی برای استفاده از این سیستم‌ها باشد؛ مگر اینکه داده‌های بیمار به صورت الکترونیک در پرونده بیمار وجود داشته باشد و بتوان از این سیستم‌ها همراه با پرونده الکترونیک به طور یکپارچه استفاده کرد. از دیگر چالش‌های مهم پیش روی سیستم‌های هوشمند، مشکلات مربوط به کسب دانش است.
برای طراحی سیستم خبره، مشکلاتی در فرایند مهندسی دانش وجود دارد، از جمله اینکه «متخصصین حوزه چه کسانی هستند؟ آیا بین آنها در مورد راه‌حل مشکل توافق وجود دارد؟ آیا آنها از رویکردهای یکسان استفاده می‌کنند؟ آیا آنها تمایل کار با مهندس دانش را دارند؟ علاوه بر این موارد، مهندس دانش چگونه باید دانش خبرگان را استخراج کند؟ آیا خبرگان دانش ناقص یا غلط در اختیار مهندس دانش قرار می‌دهند؟
در حوزه‌ای مانند پزشکی، در صورتی که کاربران به پایگاه دانش سیستم اعتماد نداشته باشند یا آن را به روز ندانند، آن سیستم نمی‌تواند موفق شود. بنابراین ضروری است که فرایند انتخاب خبرگان بسیار دقیق باشد و سیستم به تناسب رشد سریع دانش پزشکی از طریق معرفی قواعد جدید یا آموزش مداوم از طریق نمونه‌های آزمایشی جدید به طور مداوم به روز شود. از دیگر مشکلاتی که منجر به پیچیدگی کسب دانش می‌شود، کمبود روش‌های استاندارد برای بیان شرایط بالینی به صورت قابل فهم برای کامپیوتر است.
محققان می‌گویند، برای ایجاد پایگاه دانش، باید شرایط بالینی مد نظر به صورت قابل فهم برای کامپیوتر تبدیل شود، اما تصویر کردن پزشکی در این قالب ساده نیست و به مدل سازی‌های پیچیده نیاز دارد، از جمله اینکه «چه داده‌هایی از بیمار مرتبط با آن تصمیم است؟ در ارتباط با آن تصمیم چه مفاهیمی وجود دارد؟ ارتباط این مفاهیم چگونه است؟ چه استراتژی‌هایی باید برای حل این مسأله استفاده شود؟ در این استراتژی‌ها چگونه باید از دانش مربوط استفاده کرد؟»
تأیید عملکرد سیستم یکی از مهمترین چالش‌های این سیستم‌ها است. به طور معمول عملکرد این سیستم‌ها با استاندارد طلایی مقایسه می‌شود و اغلب این استاندارد طلایی خود متخصصین هستند. در مواردی توافق در خصوص این استاندارد بسیار سخت است، زیرا بسیاری از متخصصین در مورد تشخیص یا درمان توافق ندارند. از طرفی، سؤال مهم این است که کدام متخصصین باید در ارزیابی سیستم شرکت کنند؟ آنهایی که خود پایگاه دانش را طراحی کرده‌اند؟ اگر خود خبرگان صحت سیستم را بررسی کنند و به عبارتی توصیه سیستم با توصیه آنان (به عنوان استاندارد طلایی) مقایسه شود، ممکن است صحت سیستم، بالاتر به نظر آید.
اکثر سیستم‌های خبره و شبکه‌های عصبی مکانیزمی برای کنترل صحت توصیه‌های خود ندارند. این موضوع علاوه بر این که می‌تواند منجر به بی اعتمادی کاربران شود، تعیین مسؤول در برابر توصیه‌های اشتباه را بسیار سخت می‌کند. در واقع، در صورت اشتباه در توصیه‌های سیستم چه کسی را باید مسؤول دانست؟ طراح سیستم، افراد خبره، مهندس دانش یا پزشکی که از سیستم استفاده کرده است؟ بنابراین، موضوعات اخلاقی و قانونی متعاقب استفاده از این سیستم‌ها از جمله مسایل بسیار مهمی است که باید مورد توجه قرار گیرد.
سیستم‌های هوش مصنوعی در حوزه مشخصی کاربرد دارند و برای نمونه جهت تشخیص یک بیماری خاص مورد استفاده قرار می‌گیرند. این موضوع سؤالاتی را پیش می‌آورد آیا برای تمام بیماری‌ها چنین سیستم‌هایی مورد نیاز است؟ در مورد کدام بیماری‌ها باید چنین سیستم‌هایی را طراحی کرد؟ آیا سیستم‌های مختلف برای تشخیص‌های مختلف باید با یکدیگر یکپارچه شوند؟ یکپارچگی آنها چگونه باید انجام شود؟ آیا باید پایگاه دانش جامع و مشترک در حوزه‌های مختلف طراحی شود؟
هوش مصنوعی دارای پتانسیل‌های زیادی برای بهبود تصمیم‌گیری‌های پزشکی است
براساس این پژوهش، در ظاهر این موارد باعث شده‌اند تا سیستم‌های هوش مصنوعی به طور عمومی در قالب امور پژوهشی مطرح باشند و کمتر دیده می‌شود که چنین سیستم‌هایی به طور واقعی در عمل مورد استفاده قرار گیرند. در صورتی که این سیستم‌ها باید با امور بالینی جاری ادغام شوند تا بتوان انتظار داشت که بر کیفیت تصمیم‌ها تأثیر بگذارند. به طور خلاصه، هوش مصنوعی دارای پتانسیل‌های زیادی برای بهبود تصمیم‌گیری‌های پزشکی است، اما اجرای موفق این نوع سیستم‌ها در پزشکی، علاوه بر توجه به اصول مورد نیاز برای هر سیستم اطلاعاتی دیگر از جمله توجه به عوامل سازمانی، رفتاری، فرهنگی، مدیریتی، اقتصادی، آموزشی و فنی، مستلزم موارد دیگری نیز است.
در این مقاله، مهمترین چالش‌ها و سؤالات پیش رو در حوزه کاربرد هوش مصنوعی در پزشکی مورد بحث قرار گرفت که لازم است توسط اندیشمندان، صاحب نظران و پژوهشگران مورد بررسی قرار گیرد و راهکارها یا پاسخ‌های مناسب برای آنها ارائه شود تا بتوان انتظار داشت که کاربرد این نوع سیستم‌ها در حرفه پزشکی افزایش یابد.
منبع : ایسنا
