خط مهندسی
مجله ی آنلاین مهندسی

کاربردهای هوش مصنوعی در پزشکی و سلامتی

1 212

هوش مصنوعی (AI) ، طی چند دهه گذشته نقش مهم  و رو به رشدی در جهان داشته است. هوش مصنوعی (AI) و فناوری‌های مرتبط با آن به طور فزاینده‌ای در تجارت و زندگی رواج دارند و به تدریج در حوزه سلامت استفاده می‌شوند. رسانه‌های اجتماعی، پست الکترونیکی و سیستم‌عامل‌های خرید آنلاین، همه شامل الگوریتم‌های هوش مصنوعی برای بهبود تجربه کاربر هستند.

هوش مصنوعی (AI) برای اهداف درمانی و تحقیقاتی مختلفی از جمله تشخیص بیماری، مدیریت بیماری‌های مزمن، ارائه خدمات درمانی و کشف دارو مورد استفاده قرار می‌گیرد. فناوری هوش مصنوعی پتانسیل مراقبت از بیمار، فرآیندهای اداری سازمان‌های داروسازی و توانایی تشخیص بیماری را بهتر از انسان دارد.

برنامه‌های بهداشتی هوش مصنوعی (AI) شرایطی را فراهم می‌کنند تا مردم بتوانند علائم بیماری خود را ارزیابی کرده و در صورت امکان از خود مراقبت کنند. سیستم‌های هوش مصنوعی (AI) کیفیت زندگی افراد را افزایش می‌دهند.  بیمارستان‌ها به دنبال راه‌حل‌های هوش مصنوعی برای افزایش صرفه‌جویی در هزینه‌ها، بهبود رضایت بیماران و برآوردن نیازهای پرسنلی و نیروی کار هستند.

در این مقاله، نحوه تغییر زندگی عصر حاضر و آینده توسط هوش مصنوعی در حوزه سلامت و پزشکی، آورده شده است.

هوش مصنوعی AI چیست؟

هوش مصنوعی (AI) شاخه گسترده‌ای از علوم رایانه است که مربوط به ساخت ماشین‌های هوشمند است. در حوزه سلامت، هوش مصنوعی (AI) از الگوریتم‌ها و نرم‌افزارهای پیچیده برای تجزیه و تحلیل داده‌های پزشکی پیچیده استفاده می‌کند. هدف اصلی برنامه‌های هوش مصنوعی در حوزه سلامت و پزشکی، تجزیه و تحلیل تکنیک‌های پیشگیری یا درمان بیماری است.

انواع هوش مصنوعی

هوش مصنوعی را می‌توان به AI ضعیف و AI  قوی طبقه‌بندی کرد. AI ضعیف یک سیستم هوش مصنوعی است که برای نوع خاصی از کار طراحی و آموزش داده می‌شود. AI قوی به عنوان هوش عمومی مصنوعی نیز شناخته می‌شود. این نوع سیستم هوش مصنوعی با توانایی‌های شناختی تعمیم‌یافته انسانی است. به گونه‌ای که وقتی کار ناآشنا به ربات ارائه می‌شود، دارای هوش کافی برای یافتن راه‌حل است. آرنت هینتز، استادیار زیست شناسی تلفیقی و علوم کامپیوتر و مهندسی کامپیوتر در دانشگاه ایالتی میشیگان، هوش مصنوعی را به چهار دسته طبقه‌بندی کرده است:

نوع ۱: ماشینهای واکنشی

به عنوان مثال Deep Blue ، یک برنامه شطرنج IBM است که می‌تواند قطعات را در صفحه شطرنج شناسایی کند و بر این اساس پیش‌بینی کند. این مورد حافظه‌ای ندارد و نمی‌تواند از تجربیات گذشته برای آگاهی از آینده استفاده کند.

نوع دوم: حافظه محدود

این سیستم‌های هوش مصنوعی می‌توانند از تجربیات گذشته برای آگاهی از تصمیمات آینده استفاده کنند. بیشتر کارکردهای تصمیم‌گیری در وسایل نقلیه اتومات، از این طریق طراحی شده‌اند.

نوع ۳: تئوری ذهن

این یک اصطلاح روانشناسی است، که اشاره به درک و فهمی دارد که دیگران در عقاید و اهداف خود دارند در حال حاضر این نوع هوش مصنوعی وجود ندارد.

نوع ۴: خودآگاهی

در این دسته، سیستم‌های هوش مصنوعی دارای حس هستند و آگاهی دارند. ماشین‌آلات با خودآگاهی وضعیت فعلی خود را درک می‌کنند و می‌توانند از این اطلاعات برای استنباط آنچه دیگران احساس می‌کنند استفاده کنند. این نوع هوش مصنوعی نیزهنوز وجود ندارد.

ربات هوشمند

تشخیص بیماری‌ها

تشخیص صحیح بیماری‌ها نیاز به سال‌ها آموزش پزشکی دارد. تشخیص، یک روند سخت و زمان‌بر است. این امر پزشکان را تحت فشار قرار می‌دهد و اغلب نجات زندگی بیماران را به تأخیر می‌اندازد.

Machine Learning – بخصوص الگوریتم‌های Deep Learning، اخیراً پیشرفت‌های چشمگیری در تشخیص خودکار بیماری‌ها و ارزان‌تر و در دسترس‌ترشدن تشخیص‌ها داشته‌اند.

یادگیری ماشین مخصوصاً در حوزه‌هایی که اطلاعات پزشکی دیجیتالی شده است، بسیار مفید است.

مانند:

  • تشخیص سرطان ریه یا سکته مغزی مبتنی برسی تی اسکن
  • ارزیابی خطر مرگ ناگهانی قلبی یا سایر بیماری‌های قلبی براساس الکتروکاردیوگرام و تصاویر MRI قلبی
  • طبقه‌بندی ضایعات پوستی در تصاویر پوست
  • یافتن شاخص‌های رتینوپاتی دیابتی در تصاویر چشم

در حوزه هوش مصنوعی، الگوریتم‌ها می توانند در کسری از ثانیه نتیجه‌گیری کنند. بدین‌ترتیب همه افراد در همه جای جهان می‌توانند به این اطلاعات با قیمت پایین دسترسی داشته باشند.

نگهداری سوابق و سایر اطلاعات پزشکی

از آنجا که اولین قدم در مراقبت‌های بهداشتی، جمع‌آوری و تجزیه و تحلیل اطلاعات (مانند سوابق پزشکی) است، مدیریت داده‌ها کاربرد گسترده‌ای از هوش مصنوعی و اتوماسیون دیجیتال است. روبات‌ها داده‌های جدید را جمع‌آوری، ذخیره، قالب‌بندی مجدد و ردیابی می‌کنند تا دسترسی سریع‌تر و مداوم‌تری داشته باشند.

انجام کارهای تکراری

روبات‌ها می‌توانند آزمایشات پرتو ایکس، سی تی اسکن و سایر وظایف مشابه را سریع‌تر و دقیق‌تر انجام دهند. کاردیولوژی و رادیولوژی دو رشته‌ای هستند که داده‌های بسیار زیاد و وقت‌گیر جهت آنالیز دارند. متخصیص قلب و عروق و رادیولوژیست‌های آینده باید روی مواردی که نظارت مستقیم انسان در آن‌ها لازم است، توجه کنند.

طراحی درمان

سیستم‌های هوش مصنوعی برای تجزیه و تحلیل داده‌ها، یادداشت‌ها و گزارشات پرونده بیمار و تحقیقات تخصص بالینی ایجاد شده‌اند تا در انتخاب مسیر درمانی مناسب کمک کنند.

مشاوره دیجیتال

برنامه‌هایی مانند Babilon در انگلستان از AI استفاده می‌کنند تا براساس تاریخچه پزشکی هر شخص و دانش پزشکی عمومی، مشاوره پزشکی ارائه دهد. کاربران علائم خود را به برنامه گزارش می‌دهند، سپس از بانک اطلاعاتی برای مقایسه علائم با بیماری‌ها استفاده می‌شود. با توجه به سابقه پزشکی کاربر، Babylon اقدامات پیشنهادی را ارائه می‌دهد.

پرستاران مجازی

Sense.ly ، یک پرستار دیجیتالی را ایجاد کرده است که به افراد کمک می‌کند تا وضعیت بیماران را تحت نظر بگیرد و اقدامات درمانی مراجعین پزشکان را دنبال کنند. این برنامه با استفاده از machine learning (یادگیری ماشین) از بیماران، بویژه بیماران بیماری‌های مزمن حمایت می‌کند. در سال ۲۰۱۶، بیمارستان کودکان بوستون برنامه‌ای را برای آمازون الکسا تهیه کرد که اطلاعات اولیه و توصیه‌های بهداشتی را به والدین کودکان بیمار ارائه می‌داد.

مدیریت دارو به کمک هوش مصنوعی

مدیریت دارو

انستیتوی بهداشت و درمان بیمار، برنامه‌ای بی‌نظیر را برای نظارت بر استفاده از داروهای بیماران ایجاد کرده است. وب‌کم تلفن هوشمند با AI همکاری کرده تا به طور خودکار تأیید کند که بیماران نسخه‌های خود را مصرف می‌کنند.

تولید دارو

تولید دارو یک فرایند بسیار گران است. بسیاری از فرآیندهای تحلیلی درگیر در تولید دارو، با هوش مصنوعی می‌توانند کارآمدتر شوند.

AI  در ۴ مرحله تولید دارو استفاده شده است:

مرحله ۱: شناسایی هدف

مرحله ۲: کشف کاندیداهای دارو

مرحله ۳: سرعت بخشیدن به آزمایشات بالینی

مرحله ۴: یافتن نشانگرهای زیستی برای تشخیص بیماری

اولین قدم در تولید دارو، شناخت منشأ بیولوژیکی یک بیماری (مسیرها) و همچنین مکانیسم‌های مقاومت آن است. سپس باید اهدافی را (به طور معمول پروتئین) برای درمان بیماری شناسایی کرد.

الگوریتم‌های یادگیری ماشینی می‌توانند به راحتی تمام داده‌ها را تجزیه و تحلیل کنند و حتی می‌توانند به طور خودکار پروتئین‌های خوب را نیز شناسایی کنند.

پزشکی دقیق

ژنتیک، به دنبال جهش‌ها و پیوندهای مربوط به بیماری از طریق اطلاعات موجود در DNA است. به کمک هوش مصنوعی و اسکن‌ بدن می‌توان براساس ژنتیک هر فرد، سرطان، بیماری‌های عروقی و خطراتی که سلامت هر فرد را تهدید می‌کند پیش‌بینی کرد.

نظارت بر سلامت

ردیاب‌های سلامت مانند Fitbit ، Apple ، Garmin و غیره، ضربان قلب و میزان فعالیت آن‌ها را تحت‌نظر دارند. آن‌ها می‌توانند هشدارهایی را به کاربران ارسال کنند تا بیشتر ورزش کنند و این اطلاعات را با پزشکان (و سیستم‌های هوش مصنوعی) به اشتراک بگذارند.

تجزیه و تحلیل سیستم مراقبت سلامت

در هلند، ۹۷٪ فاکتورهای مراقبت سلامت دیجیتال وجود دارد. یک شرکت هلندی از هوش مصنوعی استفاده می‌کند تا از بستری شدن غیرضروری بیماران در بیمارستان و ناکارآمدی در روند درمان جلوگیری کند.

شخصی‌سازی روش درمان

بیماران مختلف، به داروها و برنامه‌های درمانی به صورتی متفاوت پاسخ می‌دهند. بنابراین شخصی‌سازی روش درمان، دارای پتانسیل بالایی برای افزایش طول عمر بیماران است. اما تشخیص اینکه چه عواملی باید در انتخاب روش درمان تأثیر بگذارد، بسیار سخت است.

هوش مصنوعی می‌تواند این کار پیچیده آماری را به طور خودکار انجام دهد و با کشف ویژگی‌های مربوطه، نشان می‌دهد که یک بیمار چه پاسخی به یک درمان خاص خواهد داد. بنابراین الگوریتم می‌تواند پاسخ احتمالی یک بیمار را به یک درمان خاص پیش‌بینی کند.

این سیستم با مراجعه به بیماران مشابه و مقایسه درمان‌ها و نتایج آن‌ها، این کار را انجام می‌دهد. پیش‌بینی نتیجه، پزشکان را در طراحی روش درمان مناسب کمک می‌کند.

جراحی با کمک روبات

جراحی به کمک روبات‌های مجهز به هوش مصنوعی به پزشکان کمک می کنند تا خطرات احتمالی ناشی از عدم دقت در حین جراحی از بین بروند. ناکارآمدی‌ها و پیامدهای ضعیف بطور قابل ملاحظه‌ای کاهش می‌یابد و در نهایت منجر به مراقبت و ارائه خدمات بهتر به بیمار می‌شود. با استفاده از روبات‌هایی که پزشکان را در جراحی راهنمایی می‌کنند، می‌توان هزینه‌های آموزش را کاهش داد.

جراحی با ربات

چگونگی غلبه بر موانع و آماده‌سازی برای آینده هوش مصنوعی در سلامت

به گفته گارتنر بزرگترین مانع برای آینده هوش مصنوعی، عدم اعتماد به فن‌آوری‌های مبتنی بر هوش مصنوعی است. پزشکان باید به هوش مصنوعی اعتماد کنند، زیرا با استفاده از آن اطلاعات بسیار زیادی در دسترس خواهند داشت که واقعاً فراتر از توانایی‌های مغز انسان برای پردازش همه آن‌هاست.

به نقل از ایده آل تک

بسیاری از متخصصین پیش‌بینی می‌کنند که با ورود روبات‌ها و ماشین‌ های هوشمند به دنیای کار انسان شغل خود را از دست خواهد داد. ماشین آلات می توانند کارهایی را که ما انجام می‌دهیم سریع‌تر، دقیق‌تر و با هزینه پایین‌تر انجام دهند. هم‌چنین مسائلی از قبیل بیماری، اعتصاب و یا درخواست افزایش حقوق ندارند.

موارد گفته شده در مقاله، نمونه‌ای از راه‌حل‌هایی است که هوش مصنوعی به صنعت پزشکی و سلامت ارائه می‌دهد. هوش مصنوعی در حال حاضر به ما کمک می‌کند تا بیماری‌ها را بهتر تشخیص دهیم، دارو تولید کنیم، روش درمان را شخصی‌سازی کنیم و حتی ژن را ویرایش کنیم.

هرچه بیشتر داده‌های پزشکی را دیجیتالی کنیم، بیشتر می‌توانیم از AI برای تصمیم‌گیری دقیق و مقرون به صرفه در فرایندهای پیچیده تحلیلی استفاده کنیم.

 

نظرات
  1. محمد برآبادی می گوید

    با سلام
    در خصوص استفاده از تکنولوژی جدید در مرحله عملیاتی (بالینی) بایستی بدنیال استفاده از این تکنولوژی برای جلوگیری از خطا و اشتباه باشیم. داروهای با نام مشابه و تداخل دارویی، که زمینه آن طراحی سیستمی است که بتوان بر اساس آن با توجه به تشخیص بیماری و داروهای لازم برای درمان طوری طراحی شود که با تعریف پایه ای، و بیماری فرد، داروهای مورد نیاز تطابق داشته باشد. احتمال خطا در تجویز ، تزریق و کاربرد را به صفر برساند . در علم پزشکی و پرستاری مهمترین ابزار انسان است ، تکنولوژی بعنوان یک سطح اطلاعاتی و پشتیبانی، بطور مداوم بایستی این اطلاعات را در مرحله کاربرد با دانش پایه بیماری، و درمان ذکر شده در آن بررسی و از بروز خطای انسانی جلوگیری یا یادآوری نماید.

نظر شما درباره این مطلب

آدرس ایمیل شما منتشر نخواهد شد.