تصور کنید در برابر توموری قرار دارید که تنها در یک مورد از هر ۴۲۰ هزار نفر رخ می‌دهد و پزشکان بر اساس نتایج مبهم، شما را به سمت پرتودرمانی در نزدیکی قلب می‌رانند. در چنین وضعیتی، تفاوت بین یک درمان تهاجمی و بهبودی کامل، تنها در توانایی تحلیل داده‌های پراکنده نهفته است. کونو کریستو (Conno Christou) در سال‌های ۲۰۲۵ و ۲۰۲۶ با چنین وضعیتی مواجه شد. او با این ذهنیت پیش رفت که این تجربه را به عنوان یک «مسئله مهندسی مبتنی بر داده» مدیریت کند. او به جای آنکه یک بیمار منفعل باشد، سلامت خود را با دقت حداکثری مدیریت کرد و با استفاده از تخمین ۹۰ درصدی یک مدل هوش مصنوعی، از پرتودرمانی غیرضروری در ناحیه حساس قلب و ریه‌هایش جلوگیری کرد.
زمینه: توهم بهینه‌سازی
کریستو پیش از تشخیص بیماری، زندگی‌اش را بر محور بهینه‌سازی شدید سلامت بنا کرده بود. او خواب خود را با مچ‌بند Whoop رصد می‌کرد، نتایج آن را با حلقه Oura تطبیق می‌داد و سالانه آزمایش‌های خونی مفصلی را برای بررسی نزدیک به ۱۰۰ نشانگر زیستی (Biomarker) انجام می‌داد. او برای چهار سال متوالی، پروتکل‌های طول عمر محققانی نظیر پیتر آتیا (Peter Attia) و راندا پاتریک (Rhonda Patrick) را دنبال کرد و با دقت وسواس‌گونه‌ای میزان مصرف پروتئین و ریتم شبانه‌روزی (Circadian Rhythm) خود را بهینه کرد.
او در سن ۳۵ سالگی، در حالی که مشغول تأسیس دومین شرکتش بود، باور داشت که در اوج سلامت جسمانی قرار دارد. آخرین چکاپ او در سال ۲۰۲۵ «در تمام بخش‌ها سبز» بود؛ وضعیتی که کریستو آن را بهترین گزارش سلامتی در سال‌های اخیر توصیف می‌کند. با این حال، تمام این بهینه‌سازی‌ها هیچ سدی در برابر جهش ژنتیکی تصادفی که منجر به بیماری او شد، ایجاد نکرد.
بیماری او با یک تورم ناگهانی در دست پس از یک جلسه تمرین ورزشی آغاز شد. یک هفته بعد، پزشک دو لخته خون در رگ‌های او پیدا کرد. در حین معاینات پیش از جراحی برای لخته‌ها، تیم پزشکی توموری به ابعاد ۱۱ در ۱۱ در ۸ سانتی‌متر را در پشت استخوان جناغ سینه او کشف کردند. طبق گزارش TechCrunch که در ۲۷ ژوئن ۲۰۲۶ منتشر شد، این تومور تنها سه ماه قدمت داشت. اگر سه هفته دیرتر شناسایی می‌شد، به مرحله چهارم می‌رسید. کریستو خود را «در بدشانسی‌اش خوش‌شانس» می‌داند، زیرا این توده تنها به این دلیل پیدا شد که او برای درمان لخته‌های خون به پزشک مراجعه کرده بود.
جست‌وجو برای پروتکل درست
در طول درمان، کریستو بر این باور بود که وقتی موضوع بقای انسان در میان است، باید حداکثر داده‌های ممکن جمع‌آوری شود. او حاضر نشد تنها به یک نظر پزشکی تکیه کند. اولین آنکولوژیست او، که متخصصی مشهور بود، یکی از دو رژیم شیمی‌درمانی موجود را که «خفیف‌تر» بود پیشنهاد داد. کریستو نوبت تزریق را برای سه روز بعد رزرو کرد، اما شب قبل از شروع، به دنبال نظر دوم رفت.
دومین پزشک، رژیم سخت‌تر را توصیه کرد: تزریق مداوم در بیمارستان که هر سه هفته یک‌بار طی شش ماه تکرار می‌شد. مخاطرات به صورت کمی quantified شده بودند: درمان خفیف‌تر برای آسیب‌شناسی خاص او ۶۰ درصد نرخ موفقیت داشت، در حالی که درمان تهاجمی این احتمال را به حدود ۸۵ درصد می‌رساند.
کریستو برای تأیید این موضوع، دو روز بعدی را صرف جمع‌آوری مجموعاً ۱۲ نظر تخصصی کرد. او از شبکه ارتباطات حرفه‌ای خود استفاده کرد و با هماتولوژیست‌ها و آنکولوژیست‌ها در سراسر جهان تماس گرفت. یازده نفر از دوازده متخصص به نفع مسیر سخت‌تر رأی دادند. از نظر کریستو، این تصمیم مربوط به شجاعت نبود، بلکه منطق بود. او این رویکرد را «ذهنیت یک بنیان‌گذار» (Founder's Mindset) می‌نامد: «شما چیزهای زیادی می‌شنوید؛ لازم نیست اولین توصیه‌ای که دریافت می‌کنید را دنبال کنید.»
پشته داده‌ها (The Data Stack)
او برای پیمودن مسیر شیمی‌درمانی، با آن مانند یک «ماراتن از دوی‌های کوتاه» برخورد کرد، دقیقاً شبیه روشی که شرکت‌هایش را می‌سازد. او همچنین از انضباطی که در دوران ۲۵ ماه خدمت اجباری نظامی در قبرس در ۱۸ سالگی آموخته بود، کمک گرفت و به خودe گفت که باید یک «سرباز خوب» باشد و به فرآیند شش چرخه درمان اعتماد کند.
او یک داشبورد سلامت شخصی را با ترکیبی از سخت‌افزار و نرم‌افزار ساخت:
- گجت‌های پوشیدنی: استفاده از مچ‌بند Whoop و حلقه Oura. Whoop در پیش‌بینی روزهایی که سیستم ایمنی او به پایین‌ترین سطح می‌رسید بسیار دقیق بود و اغلب پیش از ظهور علائم جسمی، این وضعیت را هشدار می‌داد.
- نشانگرهای زیستی: او سالانه نزدیک به ۱۰۰ نشانگر زیستی را رصد می‌کرد و بر سه متغیر کلیدی تمرکز داشت: خواب، تغذیه و روان‌شناسی. او اشاره می‌کند که روان‌شناسی «بیش از هر چیز دیگری تأثیرگذار است» و هرگز اجازه نداد سؤال «چرا من؟» در ذهنش شکل بگیرد.
- ثبت علائم: او یک ژورنال با تبدیل صدا به متن (Voice-transcribed) داشت و هر دارو، داروی مقابله‌کننده، عارضه جانبی و هر تغییر کوچک در وضعیت جسمی‌اش را ثبت می‌کرد.
هوش مصنوعی به عنوان ابزار سنتز پزشکی
کریستو تمام این مجموعه داده‌ها — شامل نتایج آزمایش خون، داده‌های اسکن، خروجی‌های گجت‌های پوشیدنی و یادداشت‌های ژورنال — را به Claude داد. او از AI برای جایگزینی پزشکان استفاده نکرد، بلکه برای «بهبود کیفیت پرسش‌هایی» که از پزشکان می‌پرسید بهره برد. او اشاره کرد که برای بیماری‌ای به این نادری — که یک آنکولوژیست شاید سالی یک‌بار ببیند — مدلی که روی کل ادبیات پزشکی آموزش دیده، سنتز عمیق‌تری نسبت به یک جست‌وجوی استاند در گوگل ارائه می‌دهد.
کریستو بخشی از یک روند رو به رشد است؛ یک نظرسنجی عمومی در ماه مارس نشان داد که یک‌سوم بزرگسالان آمریکایی اکنون برای توصیه‌های سلامتی از چت‌بات‌ها استفاده می‌کنند. این اتفاق علیرغم هشدارهای متخصصانی چون دانیل بیترمن (Danielle Bitterman)، مدیر علمی داده‌ها and AI در Mass General Brigham رخ می‌دهد. او به New York Times گفته است که چت‌بات‌های عمومی مکرراً اشتباه می‌کنند و برای تشخیص‌های شخصی‌سازی‌شده به طور کامل ارزیابی نشده‌اند.
حیاتی‌ترین مداخله در پایان درمان رخ داد. نتایج آخرین اسکن PET او مبهم بود. آنکولوژیست او شروع به بحث درباره خط دوم درمان کرد که احتمالاً شامل پرتودرمانی در نزدیکی قلب و ریه‌ها بود. کریستو تحقیقات شخصی خود را انجام داد و دریافت که برای این لنفوم خاص، نرخ مثبت-کاذب در اسکن‌های PET پایان درمان حدود ۶۰ درصد است. او سه اسکن PET و یک MRI را در Claude بارگذاری کرد.
مدل هوش مصنوعی پدیده‌ای را شناسایی کرد که شناخته شده اما به راحتی نادیده گرفته می‌شد: در بیماران زیر ۴۰ سال که در حال بهبودی از این نوع لنفوم هستند، غده تیموس می‌تواند پس از شیمی‌درمانی دوباره فعال شود و ظاهری شبیه به بیماری فعال داشته باشد. با توجه به سن او و ویژگی‌های اسکن، AI احتمال وقوع این «برگشت تیموس» (Thymus Rebound) را ۹۰ درصد تخمین زد. پس از مشورت با سه پزشک دیگر، پزشک چهارم یافته AI را تأیید کرد. هیچ بیماری فعالی وجود نداشت و او از تابش‌های مضر نجات یافت.
شکست‌های سیستمیک و چشم‌انداز آینده
کریستو که شرکت Keragon را برای خودکارسازی عملیات اداری پزشکی تأسیس کرده است، ناکارآمدی‌های شدیدی را در سیستم بهداشت و درمان مشاهده کرد. او پرستاران و پزشکانی را دید که زیر فشار کارهای اداری دفن شده‌اند؛ کارهایی که هیچ ارتباطی با مراقبت از بیمار نداشت. این تلاش برای بهینه‌سازی فرآیندهای پیچیده سازمانی، مشابه رویکردهایی است که در سایر حوزه‌های تکنولوژی می‌بینیم، مانند استراتژی NewCore برای شناسنامه‌دار کردن عامل‌های هوش مصنوعی در محیط‌های شرکتی تا بهره‌وری اداری افزایش یابد. او همچنین به فقدان شخصی‌سازی اشاره کرد و دید که یک زن ۸۰ ساله دقیقاً همان پروتکل شیمی‌درمانی او را دریافت می‌کرد و عوارض جانبی او با زنجیره‌ای از داروهای اضافی مدیریت می‌شد که خود باعث مشکلات جدیدی می‌شدند.
او معتقد است روزی به این دوران درمان نگاه خواهیم کرد و از آن «احساس شرم» خواهیم کرد. این تجربه اولویت‌های شخصی او را تغییر داد. او اکنون یکشنبه‌ها را استراحت می‌کند و بر حضور کیفیت‌مند در کنار سگش، دوستانش و گفتگوها تمرکز دارد. او توصیه یکی از دوستان سرمایه‌گذارش (VC) را به یاد می‌آورد که گفته بود «همین حالا خوشحال باش»، چیزی که اکنون آن را یکی از سخت‌ترین اما مهم‌ترین اهداف زندگی می‌داند.
کریستو همچنان حامی ادغام داده‌ها توسط خودِ بیمار است. در حالی که نهادهای پزشکی توصیه به احتیاط می‌کنند، او استدلال می‌کند که برای بیمارانی که مایل به استفاده از این ابزارها هستند، مزایا برای ۱۰ سال آینده نیست، بلکه همین امروز در حال رخ دادن است.
گام بعدی شما
- اگر داده‌های سلامتی خود را رصد می‌کنید، یاد بگیرید چگونه آن‌ها را در قالب ساختاریافته برای تحلیل در مدل‌های استدلالی قرار دهید.
- در مواجهه با تشخیص‌های پزشکی مبهم، از AI برای یافتن «پدیده‌های نادر» (Rare Phenomena) مشابه وضعیت خود استفاده کنید تا پرسش‌های دقیق‌تری از پزشک بپرسید.
- برای تحلیل متون علمی، از مدل‌هایی با پنجره متنی بزرگ استفاده کنید تا بتوانند چندین گزارش پزشکی را به‌صورت هم‌زمان مقایسه کنند.
اما این تنها بخشی از پتانسیل AI در پزشکی است؛ اثر این ابزارها بر کاهش هزینه‌های اداری بیمارستان‌ها را در گزارش بعدی بررسی خواهیم کرد.
گفتگو