تصور کنید پرونده‌های پزشکی شما دیگر فقط یادداشتی از گذشته نباشند، بلکه موتور پیش‌بینی سلامت آینده‌تان شوند. مدل جدید یادگیری ماشین دانشگاه هاروارد اکنون می‌تواند ریسک ۳۴۸ بیماری مختلف را تنها با تحلیل داده‌های ژنتیکی و سوابق الکترونیکی تخمین بزند. این عدد خیره‌کننده نشان می‌دهد که هوش مصنوعی اکنون قادر است طیف وسیعی از شرایط پزشکی را پیش‌بینی کند.
این تحول نشان‌دهنده یک چرخش راهبردی است؛ عبور از هوش مصنوعی‌هایی که صرفاً متن‌های پزشکی تولید می‌کنند به سمت سامانه‌هایی که بینش‌های عملی از داده‌های بالینی استخراج می‌کنند. برای سال‌ها، تمرکز هوش مصنوعی در حوزه سلامت بر دانش عمومی بود، اما اکنون صنعت سلامت با داده‌های بیمار به عنوان ارزشمندترین دارایی برای نوآوری برخورد می‌کند. این گذار در حالی رخ می‌دهد که پزشکان با پرونده‌های پراکنده و پژوهشگران با تعاریف متناقض داده‌ها دست‌وپنجه نرم می‌کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حریم خصوصی داده‌های حساس اشاره کردیم، این تغییر رویکرد به معنای آن است که رقابت در هوش مصنوعی سلامت اکنون بر سر این است که ماشین‌ها چگونه با داده‌هایی کار کنند که پزشکان و پژوهشگران از پیش در اختیار دارند. هدف این است که با متصل کردن هوش مصنوعی به جریان‌های داده‌ای مجاز، زمان صرف شده برای جستجو در پرونده‌های پزشکی پراکنده به حداقل برسد.
در این میان، هوش مصنوعی زاینده (Generative AI) — شبیه دستیاری که میلیارد‌ها صفحه متن را خوانده و حالا می‌تواند خلاصه‌ای دقیق از آن‌ها ارائه دهد — وارد میدان شده است. طبق اعلام OpenAI در ۱ سپتامبر ۲۰۲۴، ابزار ChatGPT for Healthcare با داده‌های پرونده الکترونیک سلامت (EHR) شرکت Epic ادغام شد. این سیستم به سازمان‌های مجاز اجازه می‌دهد بستر اختصاصی هر بیمار را وارد گردش‌کارهای هوش مصنوعی کنند. این همکاری در واقع بخشی از استراتژی گسترده‌تر OpenAI برای دسترسی به پرونده‌های میلیون‌ها بیمار در سامانه Epic جهت بهینه‌سازی تشخیص‌های پزشکی است.
این ابزار در حالت «فقط خواندنی» (Read-only) است، به این معنی که نمی‌تواند پرونده‌های پزشکی را تغییر دهد یا اصلاح کند، اما می‌تواند یادداشت‌ها، لیست داروها و نتایج آزمایشات را ترکیب و سنتز کند تا زمان پزشکان را به‌شدت کاهش دهد.
علاوه بر این، OpenAI این ابزار را به منابع شواهد عمومی متصل کرده است. این منابع شامل PubMed، ClinicalTrials.gov، DailyMed و داده‌های CMS (مرکز خدمات مدیریتیe MEDICARE و MEDICARE) است. این اقدام باعث می‌شود تاریخچه منحصربه‌فرد یک بیمار با شواهد جهانی پزشکی در یک رابط واحد ترکیب شود و امکان سنتز بستر بیمار با شواهد خارجی فراهم گردد.
در لایه پژوهشی، ابتکارات جدیدی برای تحلیل‌های پیش‌بینانه در مقیاس بزرگ آغاز شده است:
- شرکت PurpleLab مرکز CARES (مرکز پیشبرد مطالعات شواهد دنیای واقعی) را برای کمک به مؤسسات آکادمیک، شبکه‌های شواهد و جوامع بیماران در استفاده مؤثرتر از داده‌های دنیای واقعی راه‌اندازی کرد.
- این مرکز بر حل مشکلاتی مثل مجموعه‌داده‌های پراکنده و دشواری در بازتولید مطالعات قبلی تمرکز دارد. CARES بر روش‌های شفاف و پژوهش‌های بیمار-محور تأکید می‌کند تا الگوهای درمان، نتایج و هزینه‌ها را در حوزه‌های سرطان، قلب، سلامت روان و بیماری‌های نادر بررسی کند.
- اسکات دووال، نایب‌رئیس ارشد شواهد دنیای واقعی در PurpleLab، تأکید می‌کند که شواهد دنیای واقعی زمانی قدرتمند هستند که «دقیق، توسط همتایان بازبینی‌شده و به‌صورت باز منتشر شوند».
به نقل از گزارش unite.ai، مدل Aladynoulli که توسط پژوهشگران مؤسسه سرطان دانا-فاربر و بیمارستان عمومی ماساچوست توسعه یافته، روی بیش از ۶۸۳,۰۰۰ پرونده بیمار در سه بانک زیستی (Biobanks) آموزش دیده است. این مدل می‌تواند با افزایش سن بیمار، ارزیابی ریسک او را به‌طور پویا به‌روزرسانی کند.
با این حال، یک نکته حیاتی وجود دارد: مدل Aladynoulli تاکنون فقط با استفاده از داده‌های تاریخی ارزیابی شده است. پژوهشگران باید پیش از استفاده فعال در تشخیص‌های بالینی، عملکرد آن را در محیط‌های زنده پزشکی بسنجند تا مشخص شود آیا این دقت در دنیای واقعی نیز تکرار می‌شود یا خیر.
این تکامل به این معناست که تاریخچه پزشکی شما دیگر صرفاً سندی از گذشته نیست، بلکه به موتور پیش‌بینی برای سلامت آینده شما تبدیل می‌شود. برای کسب‌وکار سلامت، ارزش از خودِ الگوریتم به سمت کیفیت و حاکمیت داده‌های زیربنایی منتقل شده است.
بزرگ‌ترین مانع در این مسیر فنی نیست، بلکه اعتماد است. همان‌طور که سازمان‌های بهداشتی پرونده‌های الکترونیک، پایگاه‌های داده پژوهشی و سیستم‌های هوش مصنوعی را به هم متصل می‌کنند، سؤال مرکزی این است که آیا سیستم می‌تواند بدون از دست دادن اعتماد بیمار، ارزش استخراج کند. داده‌های بیمار می‌توانند الگوهایی را آشکار کنند که شناسایی آن‌ها برای انسان در طول سال‌ها دشوار است، اما این سوابق حاوی حساس‌ترین اطلاعاتی هستند که یک فرد تولید می‌کند. در همین راستا، بحث‌های جدی‌تری درباره اخلاقیات جمع‌آوری داده‌ها شکل گرفته است، از جمله تلاش‌های OpenAI برای بهره‌برداری از آرشیوهای محرمانه شرکت‌های بیوتکنولوژی ورشکسته که چالش‌های حریم خصوصی را برجسته می‌کند.
آینده هوش مصنوعی سلامت به این بستگی دارد که داده‌ها دقیق، نماینده همه گروه‌ها، امن و به‌صورت مسئولانه مدیریت شوند. اگر بیماران بترسند که داده‌هایشان مورد سوءاستفاده قرار می‌گیرد، انتقال از آزمایشگاه به کلینیک متوقف خواهد شد.
گام بعدی شما
- اگر مدیر ارشد سلامت یا توسعه‌دهنده هستید، مدل‌های ادغام‌شده با EHR را برای کاهش نرخ خطای انسانی در ثبت پرونده‌ها بررسی کنید.
- نتایج کارآزمایی‌های بالینی مدل Aladynoulli را دنبال کنید تا ببینید دقت تاریخی به پیشگیری واقعی تبدیل می‌شود یا خیر.
- استانداردهای حاکمیت داده (Data Governance) را برای جلب اعتماد بیماران در سیستم‌های پیش‌بینانه مطالعه کنید.
اما چالش‌های سخت‌افزاری برای پردازش این حجم از داده‌های حساس حتی پیچیده‌تر است — به تحلیل ما درباره‌ی زیرساخت‌های رایانش لبه در پزشکی مراجعه کنید.
گفتگو