تصور کنید یک واحد پردازش گرافیکی (GPU) در داخل بیمارستان بتواند ۱۰۰ جریان تصویری همزمان را تحلیل کند، بدون آنکه حتی یک بایت داده از محیط امن مرکز درمانی خارج شود. این همان دستاوردی است که مدل بنیادی (Foundation Model) — شبیه به یک زیربنای دانش جامع که میتوان آن را برای کارهای خاص شخصیسازی کرد — Nightingale در تاریخ ۹ سپتامبر ۲۰۲۶ به ارمغان آورد. طبق اعلام شرکت Cloudphysician، این مدل برای نظارت دقیق بر علائم حیاتی بیماران در بخشهای مراقبت ویژه طراحی شده است. در حالی که اکثر سیستمهای هوش مصنوعی فعلی تنها حرکات کلی یا حضور بیمار را تشخیص میدهند، Nightingale روی سیگنالهای بالینی بسیار ظریف تمرکز دارد.
همانطور که در تحلیلهای پیشین ما دربارهی رایانش لبه (Edge Computing) اشاره کردیم، انتقال پردازش از ابر به محیط محلی، کلید حل معضل حریم خصوصی و هزینه در صنایع حساس است. این رویکرد در Nightingale به معنای حذف گلوگاههای پهنای باند است؛ شبیه به این است که بهجای ارسال تمام فیلمهای دوربینهای مداربسته به یک مرکز دوردست، یک نگهبان هوشمند در هر طبقه مستقر باشد که فقط گزارشهای ضروری را ارسال کند.
زمینه و ریشهها
شرکت Cloudphysician در سال ۲۰۱۷ توسط دکتر Dhruv Joshi و دکتر Dileep Raman تأسیس شد. هر دو بنیانگذار پزشک مراقبتهای ویژه هستند که هزاران ساعت را در محیطهای درمانی با شدت بالای مراقبت (High-Acuity) گذراندهاند. دکتر Joshi متخصص پزشکی ریه و مراقبتهای ویژه است و سوابق همکاری با MedStar Health و بنیاد کلینیک کلیولند (Cleveland Clinic Foundation) را در کارنامه دارد. دکتر Raman نیز در زمینههای پزشکی خواب، ریه و مراقبتهای ویژه تخصص دارد و با مرکز علوم سلامت دانشگاه تگزاس تک (Texas Tech University Health Sciences Center) و بنیاد کلینیک کلیولند همکاری داشته است.
این شرکت یک دهه زمان را صرف ساخت یکی از بزرگترین مجموعهدادههای چندوجهی (Multimodal) در جهان از مراقبتهای بستری با شدت بالا کرد. این مجموعهداده ترکیبی از ویدئوها، علائم حیاتی و دادههای پرونده الکترونیک سلامت (EMR) است. این تمرکز بر تحلیل حجم عظیمی از دادههای ویدئویی بالینی، یادآور رویکرد مشابه در دنیای رباتیک است که در آن استفاده از میلیونها ساعت ویدئوی انسانی برای بازنویسی قوانین مقیاسپذیری به یک استاندارد تبدیل شده است. هدف اعلام شده آنها، تامین ایمنی بیمار از طریق مراقبتهای خودمختار در زمان بستری شدن است. اکثر هوشهای مصنوعی بیمارستانی بر مدلهای چندمنظوره متکی هستند که فقط حرکات پایه یا حضور فرد را تشخیص میدهند. این موضوع باعث ایجاد یک گلوگاه عظیم در پهنای باند و هزینهها میشود. تصور کنید پرستاری وجود داشته باشد که بتواند هر بیمار را بهطور همزمان ببیند و متوجه تغییر ظریفی در تنفس شود که مانیتورهای استاندارد نادیده میگیرند؛ این همان شکافی است که Nightingale قصد پر کردن آن را دارد.
جزئیات فنی
بر اساس مستندات فنی شرکت، Nightingale برخلاف بسیاری از ابزارها، از مدلهای وزنباز (Open Weights) — یعنی مدلهایی که دستور پخت آنها علناً منتشر شده — استفاده نمیکند، بلکه از ابتدا با دادههای بالینی اختصاصی و یادداشتهای متخصصان آموزش دیده است. این رویکرد در تضاد با ترند فعلی است که در آن بسیاری از مراکز درمانی برای حذف ریسکهای دادهای به مدلهای وزنباز روی آوردهاند. این مدل بر روی هزاران ساعت ویدئوی بالینی آموزش دیده تا تغییراتی را شناسایی کند که معمولاً تنها در زمان بازدیدهای دورهای پزشکان (Rounds) آشکار میشوند.
این مدل بهطور خاص برای شناسایی سیگنالهای بالینی دقیق مهندسی شده است، از جمله:
- الگوهای غیرطبیعی تنفس و باز شدن پرههای بینی (Nasal Flaring)
- تشخیص تفاوت میان لولههای تغذیه و لولههای تنفسی
- شناسایی نشانههای هذیان (Delirium) و سطح آرامبخشها (Sedation)
- ارزیابی ریسک سقوط بیمار و احتمال زخم بستر
پردازش دادهها بهطور کامل در محل (On-site) انجام میشود. این استراتژی استقرار در لبه (Edge-deployment)، هزینههای استنتاج و پهنای باند را در مقایسه با مدلهای مبتنی بر توکن و ابری، تقریباً ۱۰۰ برابر کاهش میدهد. این سیستم در حال حاضر در بیش از ۱۵۰ بیمارستان در هند مستقر شده و در حال گسترش فعال به بازار ایالات متحده است. این خبر از سانفرانسیسکو و بنگلور هند منتشر شد.
به نقل از دکتر Dhruv Joshi، مدیرعامل شرکت، این مدل مانند «چشمان پزشک» عمل میکند و سیگنالهایی را میبیند که مانیتورهای کنار تخت نادیده میگیرند. او سالهایی را به عنوان پزشک به یاد میآورد که شاهد بیمارانی بود که وضعیتشان میتوانست در عرض چند دقیقه تغییر کند؛ مثلاً بیماری که بدون نظارت سعی میکند از تخت بلند شود. جوشی میگوید: «Nightingale از اتاقهای بیمار شروع شد تا سیگنالهایی را شناسایی کند که مانیتور کنار تخت از دست میدهد و اگر پزشک میتوانست در هر لحظه در همه جا باشد، آنها را میدید.»
این شرکت ادعا میکند که مجموعه گستردهتر هوش مصنوعی آنها پیش از این به نجات بیش از ۱۰,۰۰۰ جان در شبکهای از بیش از ۲۰۰ بیمارستان کمک کرده است. دادههای دیگر شرکت نشان میدهد که آنها بیش از ۲۰۰,۰۰۰ بیمار را در بیش از ۳۰۰ بیمارستان درمان کردهاند و به کاهش نرخ مرگومیر تا ۴۰٪ اشاره کردهاند.
اکوسیستم محصول
زیرساخت Cloudphysician مستقل از سختافزار است و با تبلتها، گوشیها و دوربینهای موجود یکپارچه میشود. این سیستم میتواند بهصورت محلی (On-premises) یا در ابر اختصاصی مشتری اجرا شود. این شرکت دارای هشت گواهنامه ثبت اختراع (Patent) است که روشهای مدل هوش مصنوعی آن را پوشش میدهد.
آنها چندین خط محصول تخصصی ارائه میدهند:
- Smart-ICU، Smart-NICU، Smart-Dialysis و Smart-ER
- یک کمکخلبان (Co-pilot) ویدئویی هوش مصنوعی که از عاملهای (Agents) پیشآموزشدیده و بیماری-محور استفاده میکند
- یک لایه سازماندهنده (Orchestrator) که عاملها را در متدهای مختلف هماهنگ میکند تا بینشها در بستر متن (Contextual) باقی بمانند.
این عاملها مواردی مانند تشخیص نرخ تنفس و تلاش برای تنفس (Work-of-breathing)، نظارت بر درد و آرامبخشها، و پیشگیری از عفونت خط مرکزی را پوشش میدهند. نمونههای نمایش داده شده شامل شناسایی زودهنگام ریسک هذیان و ارسال هشدارهای ریسک سقوط به تیمهای کنار تخت در زمانی است که نردههای تخت پایین آورده میشوند.
این چرخش به سمت مدلهای بنیادی درونسازمانی و دامنه-محور، نشاندهنده یک روند گستردهتر در هوش مصنوعی سلامت است. مدلهای زبانی بزرگ (LLM) عمومی برای مراقبتهای ویژه بیش از حد گران و ریسکی هستند. با مالکیت مجموعهداده و لایهی محاسبات، Cloudphysician در حال تبدیل شدن به لایهی ادراک بصری برای بازاری است که آن را چند میلیارد دلاری توصیف میکند.
برای مدیران بیمارستان، این یعنی هوش مصنوعی بالاخره بدون انفجار صورتحسابهای ابری یا نقض قوانین سختگیرانه حریم خصوصی بیماران، قابل مقیاسپذیری است. توانایی نظارت بر ۱۰۰ جریان تصویری روی یک GPU، اقتصاد نظارت بصری ۲۴ ساعته را برای اولین بار توجیهپذیر میکند.
با وجود حدود یک میلیون تخت بیمارستانی در آمریکا، پتانسیل رشد بسیار زیاد است. Cloudphysician انتظار دارد تعداد تختهای دارای دوربین از ۲۰۰,۰۰۰ تخت فعلی به ۵۰۰,۰۰۰ تخت تا سال ۲۰۳۰ افزایش یابد و بدین ترتیب زیربنای سختافزاری لازم برای گسترش Nightingale فراهم شود.
گام بعدی شما
- مدیران فناوری سلامت باید مدلهای «عمومی» را با مدلهای «دامنه-محور» (Domain-specific) مقایسه کنند تا هزینههای استنتاج را بهینه کنند.
- بررسی استراتژیهای رایانش لبه برای کاهش وابستگی به پهنای باند در محیطهای حساس.
- رصد یکپارچگی دادههای بصری با پروندههای الکترونیک سلامت (EMR) برای رسیدن به دیدی جامع از بیمار.
اما نبرد بعدی در این حوزه، ادغام این دادههای بصری با علائم حیاتی لحظهای و EMR است تا یک نمای کاملاً چندوجهی از وضعیت بیمار ایجاد شود؛ تحولی که در گزارشهای آینده بررسی خواهیم کرد.
گفتگو