تصور کنید پزشک سرطان در یک کلینیک محلی، بدون نیاز به تماس با متخصصان ژنتیک در نیویورک، دقیقاً بداند کدام جهش ژنتیکی در تومور بیمارش به کدام دارو پاسخ می‌دهد. این رویای «پزشکی دقیق» اکنون با ادغام داده‌های تخصصی در پرونده‌های دیجیتال بیماران در حال تحقق است.
در ۱۶ سپتامبر ۲۰۲۶، مرکز سرطان مموریال اسلون کترینگ (MSK) و شرکت OpenEvidence همکاری استراتژیکی را آغاز کردند تا پایگاه دانش OncoKB را در جریان کاری Epic — یکی از گسترده‌ترین سامانه‌های پرونده الکترونیک سلامت (EHR) — جای‌گذاری کنند. این اقدام برای حل مشکل «مایل آخر» در انکولوژی طراحی شده است؛ وضعیتی که در آن توالی‌یابی ژنومیک حجم عظیمی از داده‌ها را فراهم می‌کند، اما تفسیر این داده‌ها نیازمند تخصص ویژه‌ای است که اکثر انکولوژیست‌های محلی فاقد آن هستند. این ادغام تلاش می‌کند با قرار دادن شواهد منتخب توسط متخصصان دقیقاً در جایی که پزشک تصمیم می‌گیرد، این شکاف را پر کند.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ادغام هوش مصنوعی در سیستم‌های بهداشتی اشاره کردیم، چالش اصلی نه در تولید داده، بلکه در تبدیل آن به اقدام بالینی است. این رویکرد یادآور همکاری گسترده OpenAI با سامانه Epic برای دسترسی به پرونده‌های میلیون‌ها بیمار است که گامی بزرگ در جهت هوشمندسازی داده‌های سلامت بود. این سیستم جدید با قرار دادن شواهد تخصصی دقیقاً در لحظه‌ی تصمیم‌گیری پزشک، این شکاف را پر می‌کند.
طبق اعلام این دو سازمان، سازوکار این ادغام دوطرفه است. ابتدا، پلتفرم هوش مصنوعی پزشکی OpenEvidence در جریان کاری داخلی Epic در مرکز MSK جای می‌گیرد. در گام دوم، پایگاه OncoKB در پلتفرم OpenEvidence ادغام می‌شود تا ارائه‌دهندگان مراقبت‌های بهداشتی خارج از MSK نیز بتوانند از آن استفاده کنند. وقتی پزشک درباره یک تغییر ژنتیکی خاص پرس‌وجو می‌کند، سیستم موارد زیر را ارائه می‌دهد:
- ارزیابی تخصصی MSK درباره قابلیت اقدام بالینی (Clinical Actionability) آن تغییر.
- پاسخ‌های مبنی‌سازی شده (Grounding) — شبیه به دانش‌آموزی که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — بر اساس متون پزشکی داوری‌شده.
- یادداشت‌های تخصصی (Curated Annotations) که اثرات سرطان‌زا و درمان‌های مرتبط را پوشش می‌دهد.
این ساختار باعث می‌شود هوش مصنوعی بتواند دانش تخصصی OncoKB را با بستر بالینی هر بیمار به‌صورت لحظه‌ای ترکیب کند. طبق این بیانیه، این امر منجر به ایجاد یک سیستم هوش بالینی «آگاه از بیمار» (Patient-aware) می‌شود. این سازمان‌ها این همکاری را یک مشارکت پیشرو توصیف می‌کنند که نخستین جریان کاری انکولوژی از نوع خود را راه‌اندازی می‌کند؛ جریانی که OncoKB را با ادغام در EHR و هوش مصنوعی پزشکی متحد می‌کند تا از پزشکان در نقطه مراقبت (Point of Care) پشتیبانی کند.
باید توجه داشت که OncoKB یک هوش مصنوعی زاینده (Generative AI) نیست، بلکه یک پایگاه دانش منتخب (Curated Knowledge Base) است. تیمی از متخصصان انکولوژی و ژنتیک، برچسب‌های دارویی FDA، دستورالعمل‌های حرفه‌ای و متون علمی را به‌صورت دستی بررسی و یادداشت می‌کنند. این فرآیند از یک استاندارد عملیاتی با کنترل نسخه (Version-controlled SOP) پیروی می‌کند. سیستم از یک مقیاس درجه‌بندی «سطوح شواهد» (Levels of Evidence) برای طبقه‌بندی میزان اثرگذاری یک جهش برای یک نوع تومور خاص استفاده می‌کند. این سطوح با توصیه‌های اجماع مشترک از انجمن آسیب‌شناسی مولکولی (AMP)، انجمن انکولوژی بالینی آمریکا (ASCO) و کالج آسیب‌شناسان آمریکا (CAP) همسو است.
به نقل از مستندات رسمی، سازمان غذا و داروی آمریکا (FDA) در ۷ اکتبر ۲۰۲۱، وضعیت شناسایی جزئی (Partial Recognition Status) را به OncoKB اعطا کرد. این نخستین بار بود که یک پایگاه داده از گونه‌های سوماتیک در سرطان در بخش «پایگاه‌های داده عمومی گونه‌های ژنتیکی انسانی» این سازمان به رسمیت شناخته شد. این شناسایی به‌طور خاص بخشی از OncoKB را هدف قرار داد که برای حمایت از توسعه تست‌های توالی‌یابی نسل جدید (NGS) در نظر گرفته شده است. برای کمک به توسعه‌دهندگان تست، یک تب اختصاصی در سیستم وجود دارد که سطوح شواهد OncoKB را مستقیماً به سطوح شواهد FDA به عنوان منبعی برای اعتبار بالینی (Clinical Validity) متصل می‌کند.
در زمان این شناسایی، پایگاه داده حاوی اطلاعات بیش از ۵۶۰۰ تغییر ژنومیک در ۶۸۰ ژن مرتبط با سرطان بود. MSK این پایگاه را ماهانه به‌روزرسانی می‌کند و اولویت را به ارتباطات جدید میان درمان و جهش می‌دهد که حاصل تأییدیه‌های دارویی FDA است. تمام اطلاعات جدید توسط یک کمیته تخصصی از پزشکان MSK بازبینی می‌شود.
در حال حاضر، OncoKB در عملیات داخلی MSK عمیقاً ریشه دوانده و برای یادداشت‌گذاری خودکار گزارش‌های توالی‌یابی بیش از ۱۲ هزار بیمار در سال استفاده می‌شود. این بیماران توسط تست MSK-IMPACT که تأییدیه FDA دارد، تحلیل می‌شوند. در حالی که این پایگاه داده در پرونده‌های بالینی بیماران MSK ادغام شده است، برای استفاده در تحقیقات دانشگاهی به‌صورت رایگان در دسترس است. برای نهادهای تجاری، MSK این پایگاه دانش را به‌صورت غیرانحصاری ارائه می‌دهد.
از سوی دیگر، OpenEvidence گزارش می‌دهد که بیش از نیمی از متخصصان خون و سرطان (Hematologist-Oncologists) در آمریکا در حال حاضر از پلتفرم آن برای پرسش‌های پیچیده استفاده می‌کنند. این شرکت بیان می‌کند که میلیون‌ها متخصص بهداشت و درمان تأییدشده در آمریکا برای تصمیمات حساس به این ابزار اعتماد دارند. OpenEvidence برای تمام پزشکان تأییدشده در ایالات متحده رایگان است.
آنایز اوفودیل، مدیر استراتژی MSK، تأکید می‌کند که هدف این است تا اصطکاک برای پزشکان کاهش یابد. او اظهار داشت که هوش مصنوعی پتانسیل این را دارد که نحوه تبدیل یک بدنه پیچیده از دانش به تصمیمات بهتر برای بیمار را به‌طور بنیادی تغییر دهد، به شرطی که متفکرانه در ارائه مراقبت‌ها ادغام شود. MSK با جای‌گذاری ابزارهای قابل اعتماد در محیط عملیاتی، قصد دارد تخصص پزشک را تقویت کند، نه اینکه جایگزین آن شود.
دبیانی چاکراوارتی، دانشمند ارشد OncoKB در مرکز انکولوژی مولکولی کراویس در MSK، اشاره کرد که این همکاری دسترسی OncoKB را گسترش می‌دهد تا به ارائه‌دهندگان در سراسر آمریکا کمک کند تصمیماتی مبتنی بر مولکول بگیرند. او خاطرنشان کرد که اکنون که پروفایلینگ مولکولی برای تقریباً تمام سرطان‌ها به یک استاندارد مراقبتی تبدیل شده، این دسترسی حیاتی است. تراویس زک، مدیر پزشکی OpenEvidence، OncoKB را «استاندارد طلایی» برای درک ژنتیک تومور می‌نامد. او اشاره کرد که این ادغام به هر پزشکی اجازه می‌دهد متون اولیه علمی را با تفسیرات منتخب MSK درباره اینکه کدام تغییرات اهمیت دارند و چه اقداماتی باید انجام شود، ترکیب کند.
سامیوکتا مولانگی، معاون استراتژی بالینی در OpenEvidence، افزود که هدف این مشارکت، گسترش یادداشت‌گذاری ژنومیک MSK در سطح جهانی است تا بیماران در سراسر جهان بتوانند در نهایت داده‌های توالی‌یابی نسل جدید خود را با همان دقت و سخت‌گیری تحلیل کنند.
این حرکت بخشی از یک روند گسترده‌تر از مشارکت‌های بالینی هوش مصنوعی است. در ۱۵ سپتامبر ۲۰۲۶، OpenEvidence همچنین یک همکاری جهانی با Penn Medicine را اعلام کرد تا پشتیبانی تصمیم‌گیری مبتنی بر هوش مصنوعی را برای بیش از ۱۰ هزار پزشک فراهم کند و این ابزارها را از طریق مشارکت Botswana-UPenn به کشورهای کم‌درآمد و متوسط گسترش دهد. این استقرار گسترده در Penn Medicine نشان‌دهنده سرعت بالای پذیرش ابزارهای پشتیبان تصمیم‌گیری در مراکز آکادمیک است.
برای خواننده، این به معنای خروج «استاندارد طلایی» ژنتیک سرطان از برج عاج MSK و تبدیل آن به یک ابزار دیجیتال توزیع‌شده است. لازم به ذکر است که MSK برای بیش از ۳۰ سال توسط U.S. News & World Report به عنوان یکی از دو بیمارستان برتر سرطان در آمریکا معرفی شده و در لیست سال ۲۰۲۶ نیوزویک، به عنوان بهترین بیمارستان انکولوژی در جهان شناخته شده است.
اثر ثانویه این اتفاق، استانداردسازی احتمالی مراقبت‌های انکولوژی دقیق در سراسر آمریکا و کاهش تفاوت میان مراکز تراز اول و کلینیک‌های محلی است. باید منتظر بود و دید که چگونه سایر پایگاه‌های دانش تخصصی — مانند پایگاه‌های مربوط به بیماری‌های نادر یا قلب و عروق — برای عبور از LLMهای عمومی به سمت هوش بالینی دامنه-محور (Domain-specific)، شروع به ادغام در سیستم‌های EHR می‌کنند.
گام بعدی شما
- اگر در حوزه HealthTech فعالیت می‌کنید، مدل ادغام «پایگاه دانش منتخب» با «مدل‌های زبانی» را به جای تکیه صرف بر LLMها بررسی کنید.
- روند پذیرش استانداردهای FDA برای پایگاه‌های داده ژنومیک را دنبال کنید تا فرصت‌های توسعه ابزارهای تشخیصی را شناسایی کنید.
- بررسی کنید که چگونه سیستم‌های EHR در حال تبدیل شدن از مخزن داده به موتورهای پشتیبانی تصمیم‌گیری هستند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو