نگاهی به آینده؛ جایگاه کلاندادهها، یادگیری ماشین و هوش مصنوعی در حوزه مراقبتهای بهداشتی
در این گزارش از نتایج تحقیق جدیدی رونمایی میشود که بهکارگیری هوش مصنوعی در زمینه مراقبتهای بهداشتی را به دقت بررسی میکند. محتوای این گزارش حاصل مصاحبهای با بن لوریکا، رییس شرکت «Gardient Flow» و دیوید تالبی، مدیر ارشد فناوری شرکت «John Snow Labs»، در مورد یافتهها و وضعیت هوش مصنوعی در زمینه مراقبتهای بهداشتی است که در ادامه آورده شده است.در سال ۲۰۲۰ شرایط در بسیاری از زمینهها خوب نبود و رشد چندانی ایجاد نشد. هوش مصنوعی و مراقبتهای بهداشتی مواردی از این قبیل بودند. جو مککندریک[۱]، مدیر سایت زددینت[۲] اخیراً اذعان داشته است که هوش مصنوعی رشد ثابتی داشته و تحقیقات جدیدی در این زمینه انجام نشده است (احتمالاً به دلیل بحران کووید ۱۹). مراقبتهای بهداشتی نقش مهمی را در سرمایهگذاری در هوش مصنوعی ایفا میکرد.
جهت دانلود و مشاهده عناوین ماهنامه ” اقتصاد دیجیتال” اینجا کلیک نمایید.
در این گزارش از نتایج تحقیق جدیدی رونمایی میشود که بهکارگیری هوش مصنوعی در زمینه مراقبتهای بهداشتی را به دقت بررسی میکند. محتوای این گزارش حاصل مصاحبهای با بن لوریکا[۳] رییس شرکت «گاردینت فلو»[۴] و دیوید تالبی[۵] مدیر ارشد فناوری شرکت «جان اسنو لبز»[۶] در مورد یافتهها و وضعیت هوش مصنوعی در زمینه مراقبتهای بهداشتی است که در ادامه آورده شده است.
پیشرفت، از کاغذ و قلم تا هوش مصنوعی
لوریکا و پاکو ناتان[۷] این تحقیق را با حمایت مالی شرکت «جان اسنو لبز» انجام دادهاند. در مجموع ۳۷۳ نفر از ۴۹ کشور در این تحقیق شرکت کردند. یک چهارم پاسخدهندگان (۲۷ درصد) مسئولیت مدیریت فنی را بر عهده داشتند. در این قسمت برخی از یافتههای مهم و دانستههای لوریکا و تالبی آورده شده است.
زمانی که از پاسخدهندگان سوال شد که قصد دارند تا پایان سال ۲۰۲۱ از چه فناوریهایی استفاده کنند، تقریباٌ نیمی از آنها عنوان کردند که به دنبال یکپارچهسازی دادههای خود هستند. حدود یک سوم آنها گفتند که اکنون از پردازش زبان طبیعی[۸] و هوش تجاری استفاده میکنند یا قصد دارند تا پایان سال از آن استفاده کنند.
این پاسخها ما را کمی سردرگم کرد. همانطور که قبلاً نیز به آن اشاره کردیم، یکپارچهسازی دادهها لازمه آنالتیکس، یادگیری ماشین و هوش مصنوعی است.
با وجود این که تنها نیمی از مراکز خدمات بهداشتی توانستهاند به یکپارچهسازی دادهها دست پیدا کنند، چطور قصد دارند به سراغ پردازش زبان طبیعی و یادگیری ماشین بروند؟
لوریکا خاطر نشان کرد که شاید بهتر است این مسئله را به صورت ترتیبی بررسی کنیم و نه شمارشی. به عبارتی دیگر، شاید پاسخدهندگان فناوریها را به ترتیب اهمیتشان رتبهبندی کرده باشند. وی ادامه داد: «از این نظر واضح است که یکپارچهسازی دادهها در صدر لیست و پردازش زبان طبیعی در جایگاه دوم قرار میگیرد». نتایج سوالات نیز در جدول زیر نشان داده است.
یکپارچهسازی دادهها پیشزمینه ساخت اپلیکیشنهای آنالتیکس و هوش مصنوعی است. به نظر میرسد که پردازش طبیعی زبان در زمینه مراقبتهای بهداشتی نیز بسیار اهمیت دارد.
تالبی خاطر نشان کرد که در ده سال گذشته در زمینه مراقبتهای بهداشتی از پروندههای پزشکی الکترونیکی[۹] بسیار استفاده شده است. در این روش کاغذبازی حذف شده و مدارک افراد به صورت دیجیتالی ارائه میشود. وی افزود متخصصان اکنون فهمیدهاند که تمام اطلاعات جالبتوجه بالینی هنوز به صورت متنی ذخیره شدهاند. حجم کمی از اطلاعات به صورت ساختاریافته هستند و این موضوع در صنعت سلامت صدق میکند تا هر حوزه دیگری.
«حتی وقتی بخواهیم سوالهای سادهای را جواب دهیم (مثلاً اینکه ببینیم کدام بیمارها به یک مشکل خاص مبتلا هستند) باید از پرستارها و پزشکها بخواهیم تکتک پروندهها را چک کنند زیرا اکثر دادههای بالینی به صورت متنهای بدون ساختار ذخیره شدهاند.»
تالبی توضیح داد که علت این مسئله کمبود دادههای ساختاریافته (پایگاه دادهها) در حیطه مراقبتهای بهداشتی نیست. در زمینههای مثل زنجیره تامین و صدور صورتحساب، از پایگاه دادهها، سیستمهای نرمافزاری و گزارشهای هوش تجاری استفاده میشود اما وقتی صحبت از مسائل پزشکی باشد، همه مدارک متنمحور هستند.
پزشکان همین الآن هم احساس میکنند که وقت زیادی را صرف کارهای اداری میکنند. هر پزشک به طور متوسط سه ساعت از روز را صرف پر کردن اطلاعات در پروندههای پزشکی الکترونیکی میکند، بنابراین نمیتوان از آنها انتظار داشت که وقتی بیشتری صرف پر کردن لیستهای کشویی و چکباکسها[۱۰] کنند. تالبی معتقد است که این اتفاق نخواهد افتاد.
در چند سال اخیر ما از الگوریتمهایی استفاده میکنیم که دست کم با توانایی نیروی انسانی متخصص در استخراج این نوع اطلاعات مطابقت دارد. این مسئله به همراه پردازش زبان طبیعی تحول عظیمی را ایجاد کردهاند. در واقع این یک پیشرفت بسیار بزرگ است (استفاده از هوش مصنوعی به جای کاغذ و قلم) و در این شرایط متخصصان میتوانند وقتشان را صرف کاری کنند که در آن تبحر دارند.
مکانیزه کردن جستجوی دارو با استفاده از الگوریتمها و نمودار دانش
پاسخدهندگان تحقیق بر اساس سطح توسعه سازمانهایشان در استفاده از فناوری هوش مصنوعی به سه بخش مختلف (کاوش، مرحله ابتدایی و پیشرفته) دستهبندی میشوند. پزشکان، سایر افراد ارائهدهنده خدمات سلامت و بیمارها هر کدام به ترتیب با ۵۴، ۴۵ و ۳۴ درصد استفاده، پرمصرفترین کاربرهای اپلیکیشنهای سلامت بودهاند.
این آمار تعجبآور نیست، چرا که احتمالا این افراد، بزرگترین گروههای کاربران این صنعت هستند. با این حال نکته قابلتوجهی که به آن پی بردیم، درصد فوقالعاده زیاد اپلیکیشنهایی بود که متخصصان دارو در سازمانهای بالغ را هدف میگرفتند (۴۳ درصد). این رقم ۲۱ درصد بیشتر از سطح متوسط بود.
تالبی خاطر نشان کرد که تحقیق و توسعه در حوزه دارو، به ویژه در مراحل ابتدایی پیدا کردن داروهای جدید، به سرعت به مشکلی نرمافزاری تبدیل شده است. مسیر شغلی رایج میان افراد دارای دکتری زیستشناسی و بیوشیمی ۴۰ سال کار در یک شرکت داروسازی، خواندن مقالات تحقیقاتی و تلاش برای یافتن همبستگی بین داروها و بیماریهای مختلف بود.
امروزه الگوریتمها میتوانند این کار را به نحو احسنت و حتی بسیار بهتر از متخصصان انجام دهند. با استفاده از این الگوریتمها میتوان تمام مقالات دانشگاهی موجود، تمام پتنتهای ثبت شده و تمام مدارک افشای سرمایهگذاریها را هر هفته بررسی کرد.
استفاده از الگوریتمهای پردازش زبان طبیعی برای خلق گراف دانش و جهت کشف دارو رو به افزایش است.
اکنون میتوان به صورت خودکار گراف دانش تولید کرد و ملکولهای مختلف داروها را با هم ترکیب کرد و آثار درمانی و عوارض جانبی آنها را بررسی کرد. اکنون شرکتهای داروسازیای وجود دارند که از آنتولوژیهای دارویی، ژنتیکی و ادبیات موجود برای ساخت خطوط تحقیق و توسعه خودکار استفاده کردهاند.
تالبی گفت: «تحقیقات مبنی بر نرمافزار به تنهایی میتوانند حتی تا آزمایشهای قبل از مرحله اول نیز پیش روند. مولکولهای پتانسیلدار ثبت میشوند و سپس به شرکتهای بزرگ داروسازی فروخته میشوند و مجوز میگیرند.» محسنه این اقدامات این است که احتمال موفقیت ۵ درصد بالاتر برود اما این ۵ درصد، چندین مرتبه بالاتر از شانس موفقیتی است که روش سنتی تحقیق و توسعه دارو دارد.
«این صنعت در گذشته بسیار وابسته به نیروهای انسانی بود و تعداد دکترهایی که در یک شرکت داروسازی کار میکردند، مزیت رقابتی آن شرکت به حساب میآمد. اکنون در شرایطی هستیم که شما در عرض سه یا چهار سال میتوانید بگویید که من با استفاده از نرمافزار میتوانم بهتر از همه آنها کار کنم.»
به نظر میرسد که شرکتهای پیشرفته این کار را بیشتر انجام میدهند. دلیل این موضوع ممکن است این باشد که این شرایط به مهارتهایی نیاز دارد. علت دیگر آن ممکن است افزایش جریان درآمد در این شرکتها باشد.
مراقبت بهداشتی مسئلهای ویژه است
لوریکا خاطر نشان کرد که در دسترس قرار گرفتن نسبی هوش مصنوعی برای همه افراد (از این نظر دسترسی به ابزارهای منبع باز وجود دارد) بدین معناست که افراد عادی که تخصصی در یادگیری ماشین ندارند، میتوانند از برخی از تکنیکهای این حوزه استفاده کنند. علاوه بر این وجود بنچمارکها نیز بسیار کمک میکند. در بینایی کامپیوتر[۱۱] بنچمارک معروفی به نام ایمیج نت[۱۲] وجود دارد که در واقع منجر به پیشرفت زیادی شده است. اکنون بنچمارکهای مشابهی برای یافتن دارو وجود دارد.
استفاده از ابزارهای منبع باز و فضای ابری، که غالباً با همدیگر همراه هستند، پدیدهای رایج در صنایع است. با وجود این که مراقبتهای بهداشتی ویژگیهای مختص به خود را دارند اما از این نظر تفاوتی ندارند. مهم ترین نکته این است که این حیطه، صنعتی رگوله شده است. طبق گفته لوریکا شرکتهای فعال در این صنعت همیشه در زمینه استفاده از محیطهای ابری مجبور به پیروی از قوانین و مقررات هستند.
تالبی بعد دیگری به این صحبت اضافه کرد. اگر شرکتی، اطلاعات بیماری را بخواهند اولین نکته این است که به اشتراک گذاشتن اطلاعات بیمار بدون رضایت او کاملاً غیرقانونی است و حتی اگر این کار انجام شود، باید هویت او را حذف کرد. بنابراین اگر سازمانهایی که با گوگل یا آمازون کار میکنند بخواهند برای بهبود مدلهای یادگیری ماشین خود از این اطلاعات استفاده کنند، باید از شخص صاحب دادهها رضایت بگیرند.
علاوه بر این، فروش داده میتواند جریانی درآمدی برای شرکتهای مراقبتهای بهداشتی باشد. برای مثال اگر یک شرکت داروسازی بخواهد به پرونده ۵۰ هزار بیمار دست پیدا کند، برای یک بار دسترسی به اطلاعات باید طی پروژهای شش ماهه نیم میلیون دلار هزینه کند. تالبی گفت:
«بخش خدمات وب شرکت آمازون اعلام کرد که اسناد خود را برای قسمت پردازش زبان طبیعی این شرکت بفرستید و از این طریق ما نیز میتوانیم از این اطلاعات برای آموزش نمونههای خود استفاده کنیم. این حرف از نظر کارکنان بخش مراقبتهای بهداشتی و دارو احمقانه بود. چون آمازون هم از اطلاعات آنها استفاده میکرد و هم برای ارائه خدماتش پول میگرفت.»
تالبی گفت که در بخش مراقبتهای بهداشتی نیز همانند دیگر بخشها همچنان رشد چندانی در زمینه هوش مصنوعی نداشتهایم و شرکتهای ابری باید خود را با شرایط وفق دهند. این صنعت، عرصه شکست حریف و پیشروی نیست. با این حال ممکن است پیشرفتهای فنی مثل یادگیری انتقالی به این معنا باشند که رابطه کاملاً معکوس بین حریم خصوصی و دقت مسئله شدت کمتری پیدا میکند.
برای آموزش و مطابقت دادن نمونهها نیازی به استفاده از مجموعه بزرگی از دادهها نیست و تالبی معتقد بود که بدون داشتن میلیونها پرونده نیز میتوان پیشرفت کرد.
یکی دیگر از یافتههای جالب این نظرسنجی این بود که میزان تنوع دادهها در صنعت مراقبت سلامت کم است. اطلاعات نوشتاری و ساختاری بسیار متداول هستند، تصاویر پزشکی و دادههای سریزمانی نیز استفاده میشوند، ولی دادههای صوتی و ویدئویی هنوز چندان استفاده نمیشوند.
همانطور که لوریکا اشاره میکند، صوت و ویدئو قابلیتهای پیشرفتهتری دارند ولی متخصصان موضوعی باید آنها را علامتگذاری کنند و این امر در زمینه مراقبتهای بهداشت به آسانی قابل حصول نیست. با این حال نکته قابل توجه این است که به نظر میرسد سازمانهای تازهکار خیلی بیشتر از صوت و ویدئو استفاده میکنند. این امر میتواند به این معنا باشد که به زودی شاهد استفاده بیشتر از دادههای صوتی و ویدئویی خواهیم بود.
بهطور کلی، در زمینه مراقبتهای بهداشتی، مانند سایر صنایع، همچنان در مراحل ابتدایی بهکارگیری هوش مصنوعی هستیم. به غیر از شرکتهای پیشرفتهی فناوری، هنوز راه زیادی تا دیجیتالیسازی وجود دارد و باید با محدودیتهای این مدلها، توانایی و نقایص آنها کنار آمد. مردم در زمینهی مراقبتهای بهداشتی بیشتر از سایر صنایع دقتنظر به خرج میدهند. همچنین مراقبت بهداشتی جزو صنایعی است که هر چه بیشتر نیاز به شفافیت، توضیحپذیری، و انصاف در آن وجود دارد. لذا مراقبت بهداشتی میتواند الگویی برای سایر صنایع باشد.
تهیه شده در گروه علوم و فناوریهای نوین پژوهشگاه فضای مجازی
بیشتر از سلامتی هوشمند در اقتصادالکترونیکی:
اپلیکیشنی که به درک اثرات رفتار ما بر محیطزیست کمک میکند
سهم اینترنت در آلودگی هوا
توسعه هوش مصنوعی که با اسپیکر هوشمند و بدون تماس روی ریتم قلب نظارت میکند
هوش مصنوعی تحلیل ژنتیک را دقیقتر و سریع تر میکند
اپلیکیشن آی بی ام برای کنترل دیجیتالی کرونا
توسعه سلامت دیجیتال در گرو گسترش زیرساختهای IT
با هوش مصنوعی؛ بینی الکترونیک افراد سرطانی را شناسایی میکند
لینک منبع
[۱] Joe McKendrick
[۲] ZDNet
[۳] Ben Lorica
[۴] Gardient Flow
[۵] David Talby
[۶] John Snow Labs
[۷] Paco Nathan
[۸] NLP
[۹] EMRs
[۱۰] checkbox
[۱۱] computer vision
[۱۲] ImageNet
۵ دیدگاه ها