تصور کنید پزشک در حین بررسی علائم بیمار، بهجای جستوجوی دستی در دیتابیسهای حجیم، دقیقترین مقاله علمی مرتبط را بهصورت خودکار روی نمایشگر ببیند. این تجربه اکنون برای بیش از ۱۰ هزار متخصص در Penn Medicine به واقعیت تبدیل شده است. این دسترسی گسترده به سیستم پشتیبانی تصمیمات مبتنی بر هوش مصنوعی، حاصل یک مشارکت جهانی با شرکت OpenEvidence است که در ۱۵ سپتامبر ۲۰۲۶ به طور رسمی آغاز شد.
این استقرار استراتژیک، ادبیات پزشکی بهروز و دادههای پروندههای الکترونیک سلامت (EHR) را مستقیماً در جریان کاری بالینی ادغام میکند تا اطمینان حاصل شود که بیماران در لحظه تماس با پزشک، مراقبتهایی دریافت میکنند که کاملاً بر اساس شواهد علمی (Evidence-based care) باشد. همانطور که در تحلیلهای قبلی ما دربارهی ادغام مدلهای زبانی در محیطهای تخصصی اشاره کردیم، روند فعلی صنعت از چتباتهای عمومی به سمت ابزارهای تخصصی حرکت میکند که درون پروندههای سلامت بیمار زندگی میکنند. این رویکرد یادآور یکپارچهسازی گسترده ChatGPT با سامانه Epic است که دسترسی به دادههای میلیونها بیمار را برای بهینهسازی مراقبتها فراهم کرد. برای یک پزشک، تفاوت این دو در این است که بهجای جستوجوی دستی در یک پایگاه داده، مرتبطترین مطالعه علمی بهطور خودکار در حین بررسی علائم بیمار ظاهر شود. این مشارکت هم بیمارستانهای با منابع بالای ایالات متحده و هم مناطق محروم را از طریق مشارکت بوتسوانا-پنسیلوانیا (BUP) هدف قرار داده است.
طبق اعلام رسمی، OpenEvidence در حال حاضر پرکاربردترین ابزار هوش مصنوعی پزشکی در میان پزشکان آمریکایی است. مطالعات مستقلی که توسط این شرکت نقل شده، نشان میدهد تعداد پزشکان آمریکایی که از پلتفرم آنها استفاده میکنند، از مجموع تمام پلتفرمهای دیگر هوش مصنوعی بیشتر است. این ابزار بهطور متوسط روزانه توسط اکثریت پزشکان ایالات متحده مورد استفاده قرار میگیرد و برای تمامی پزشکان تأیید شده در آمریکا رایگان باقی مانده است.
جزئیات یکپارچهسازی و دامنه سیستم
سرینات آدوسومالی، نایبرئیس و مدیر ارشد اطلاعات سلامت در سیستم بهداشتی دانشگاه پنسیلوانیا و متخصص بیماریهای قلبی، خاطرنشان کرد که این هوش مصنوعی در چندین حوزه کلیدی تعبیه خواهد شد:
- برنامه پشتیبانی تصمیمات بالینی Penn Pathways.
- برنامههای مشاوره الکترونیک و مراقبتهای مجازی.
- مراکز درمانی فیزیکی در هفت بیمارستان در ایالتهای پنسیلوانیا و نیوجرسی.
آدوسومالی بیان کرد که این مشارکت به پزشکان اجازه میدهد، چه در خانه باشند و چه در محیط بیمارستان، بلافاصله بهترین شواهد پزشکی موجود را در بافتار (Context) مربوط به بیماری که در مقابل آنهاست، استخراج کنند. سیستم درمانی Penn Medicine که شامل سیستم بهداشتی دانشگاه پنسیلوانیا و دانشکده پزشکی پرلمن است، در حال حاضر بیش از ۴۹ هزار عضو تیم را در استخدام دارد و سالانه نزدیک به ۵۰۰ هزار بیمار اورژانسی را مدیریت میکند. هدف نهایی این است که دسترسی به مراقبتهای تخصصی، بهویژه برای جوامع محروم، گسترش یابد.
ابتکار عمل در بوتسوانا
در خارج از آمریکا، این توافق به Penn Medicine اجازه میدهد تا یک ابزار هوش مصنوعی سفارشیسازیشده را از پایه برای منطقه بوتسوانا بسازد. فاروک داکو، مدیر BUP و مشاور استراتژیک مشارکتهای آکادمیک در مرکز سلامت جهانی دانشکده پزشکی پرلمن، تأکید کرد که هوش مصنوعی بالینی مؤثر باید توسط تخصصهای محلی شکل بگیرد و با شرایط خاص آن منطقه سازگار شود.
تراویس زک، مدیر پزشکی OpenEvidence، اظهار داشت که این شرکت بر این باور تأسیس شده است که بهترین شواهد پزشکی باید به دست هر پزشک برسد، نه فقط کسانی که در ثروتمندترین بیمارستانهای جهان هستند. این شرکت اکنون در حال ارزیابی دقیق این ابزارها برای شرایط متنوعی است که اکثر پزشکان در جهان در واقعیت با آن روبرو هستند.
این تلاش بر پایه ۲۵ سال تاریخچه همکاری استوار است. از سال ۲۰۰۱، دانشگاه پنسیلوانیا با دانشگاه بوتسوانا و وزارت بهداشت دولت بوتسوانا برای مبارزه با HIV/AIDS همکاری کرده است. همچنین در سال ۲۰۰۹، برای مقابله با کمبود شدید پزشکان، نخستین دانشکده پزشکی این کشور با حمایت پنسیلوانیا تأسیس شد.
زمینه تاریخی و اثرات
دانشگاه پنسیلوانیا در سال ۲۰۰۱، پس از درخواست رئیس وقت بوتسوانا، فستوس موگائه از سازمان ملل متحد، برای ارائه حمایتهای آموزشی بالینی دعوت شد. این اتفاق با تبدیل شدن بوتسوانا به اولین کشور آفریقایی که مراقبتهای رایگان HIV را ارائه میکرد، همزمان بود.
مقیاس این بحران در آن زمان بسیار شدید بود: در اوج اپیدمی، ۲۵ درصد از جمعیت کشور آلوده بودند. بین سالهای ۱۹۸۶ تا ۲۰۰۲، امید به زندگی در این کشور از ۶۱ سال به ۵۰ سال کاهش یافت.
در طول ربع قرن گذشته، تأثیرات این همکاری قابل اندازهگیری بوده است:
- نرخ مرگومیر مرتبط با ایدز بیش از ۷۵ درصد کاهش یافت.
- در گروه سنی ۱۵ تا ۶۴ سال، بوتسوانا از اهداف ۹۵-۹۵-۹۵ سازمان UNAIDS پیشی گرفت.
- ۹۵ درصد از افراد مبتلا به HIV از وضعیت خود آگاهاند.
- ۹۸ درصد از این افراد تحت درمان هستند.
- ۹۸ درصد از کسانی که درمان میشوند، دارای بار ویروسی غیرقابل تشخیص هستند.
جزئیات عملیاتی
در حال حاضر، برنامه BUP به عنوان یکی از دفاتر دانشگاه پنسیلوانیا در گابورون فعالیت میکند؛ ساختاری که باعث میشود بودجهها در داخل مؤسسه حفظ شوند. این برنامه حدود ۱۲۰ کارکن بالینی و پژوهشی تماموقت را به خدمت گرفته است و در اوج فعالیت خود تا ۱۴۰ کارمند داشته است.
دانشجویان پزشکی از سال ۲۰۰۴ دورههای چرخش اختیاری ششهفتهای را در بیمارستان پرنسس مارینا بوتسوانا آغاز کردند. داکو، که دانشیار رادیولوژی در Penn Medicine است، اشاره کرد که این برنامه فراتر از آموزش رزیدنتهای پنسیلوانیا، به توسعه نیروی کار محلی کمک میکند.
پروژههای جدید در حال حاضر در حال بررسی استفاده از هوش مصنوعی برای خودکارسازی تفسیر تصاویر پزشکی و خلاصهسازی متون پیچیده پزشکی هستند. داکو پیشبینی میکند که تلهمدیسین (پزشکی از راه دور) و سلامت دیجیتال بتواند بیماران در مناطق کمجمعیت را پوشش دهد.
این حرکت نشاندهنده چرخش به سمت «هوش مصنوعی بومیسازیشده» در پزشکی است. بهجای صادرات یک مدل غربی به صورت کلی، شرکای این پروژه استقرار در بوتسوانا را به عنوان یک چالش طراحی مجزا میبینند. این رویکرد اذعان میکند که شواهد پزشکی برای کاربردی بودن، باید از فیلتر دسترسی به منابع محلی عبور کنند. در این راستا، بهینهسازی هزینههای عملیاتی حیاتی است، مشابه آنچه در مدل Nightingale برای کاهش هزینههای AI بیمارستانی از طریق پردازش محلی مشاهده شد.
برای بازار گستردهتر سلامت، این مشارکت ثابت میکند که پذیرش هوش مصنوعی به سمت ادغام عمیق سازمانی میرود. وقتی ابزاری در جریان کار ۱۰ هزار پزشک قرار میگیرد، دیگر یک ابزار نوظهور یا تفننی نیست، بلکه به استانداردی برای ارائه خدمات تبدیل میشود. اثر ثانویه این اتفاق احتمالاً ایجاد انتظاری بالاتر برای دقت مبتنی بر شواهد در هر مواجهه با بیمار خواهد بود.
گام بعدی شما
- دنبال کردن نتایج کنفرانس آکادمیک گابورون در ۱۲ و ۱۳ نوامبر ۲۰۲۶ برای مشاهده دادههای عملکردی ابزارهای بومی بوتسوانا باشید.
- بررسی کنید که آیا ابزارهای پشتیبانی تصمیمات بالینی در سازمان شما با پروندههای الکترونیک سلامت (EHR) یکپارچه شدهاند یا همچنان به صورت جداگانه عمل میکنند.
- مطالعه مدلهای «بومیسازی هوش مصنوعی» برای کاربردهای پزشکی در مناطق با منابع محدود.
اما تأثیر این یکپارچهسازی بر کاهش خطاهای پزشکی در مقیاس کلان، موضوعی است که در گزارشهای بعدی بررسی خواهیم کرد.
گفتگو