سیستم های هوشمند (سیستم خبره و شبکه ی عصبی) دارای ساختار، اجزا و قابلیتهایی هستند كه در مجموع قابلیت تصمیم گیری را ارتقا میدهند و به همین دلیل، از آنها در موارد بسیاری در پزشكی استفاده شده است كه در ادامه به برخی از این موارد اشاره میشود.
در مطالعه های به منظور بهبود كیفیت كمكهای اولیه از سیستم خبره استفاده شد كه طبق نتایج آن، گروهی كه از سیستم خبره استفاده كرده بودند، به طور تقریبی در تمام عملكردها، بین 8/3 تا 1/70 درصد عملكرد بهتری داشتند در مطالعه ی دیگری از سیستم خبره برای تشخیص انواع سردرد استفاده شد و ارزیابی آن نشان داد كه این سیستم قادر است 4/94 درصد انواع میگرن (شامل سردرد فشاری) و 93 درصد سندروم های روزانه را به درستی تشخیص دهد. به طور كلی، صحت تشخیص این سیستم 89 درصد بود همچنین در مطالعه های برای تشخیص و طبقه بندی ضربانهای آریتمیك و ایسكمیك قلب از این سیستم ها استفاده شد. نتایج مطالعه، صحت 4/90 درصدی در تشخیص ضربان ایسكمیك و صحت 4/94 درصدی در تشخیص ضربانهای آریتمیك را نشان داد در مطالعهی دیگری از شبكه ی عصبی برای تشخیص و تمییز انواع استرابیسموس (لوچی چشم)استفاده شد. این سیستم به صورت مبتنی بر وب استو پزشك میتواند به راحتی پس از معاینه ی بیمار، اطلاعات را وارد سیستم كند. ارزیابی این سیستم نشان داده است كه دقت آن برای دادههای واقعی 100 درصد است در مطالعهی دیگری از تركیب سیستم خبره و هوش مصنوعی برای مشخص كردن متغیرهای درمانی و بهینه سازی آن برای بیماران جدید استفاده شد. طبق نتایج مطالعه، 96 درصد برنامه های پرتو درمانی توصیه شده توسط سیستم نسبت به درمان انجام شده توسط دوزیمتریست، قابل قبول بود از سیستم های هوش مصنوعی در تشخیص انواع سرطان، پیشبینی میزان بقا، نتیجه ی بیوپسی، پیشبینی عود و متاستاز استفاده شده است برای نمونه، در مطالعهای مشخص شد كه شبكه ی عصبی میتواند با صحت 70 درصدی، خوشخیم یا بدخیم بودن ضایعات پستان را بدون بیوپسی تشخیص دهد.بحث و نتیجه گیری مطالعات فراوان، قابلیت سیستم های هوش مصنوعی را در پشتیبانی از تصمیمات پزشكی نشان داده است.
یكی از مزایای این سیستم ها، در نظر گرفتن راه حل های متنوع تر است هوش مصنوعی به پزشك كمك میكند تا متغیرهای بیشتر و متنوع تری را در زمان تشخیص بیماری یا انتخاب درمان در نظر بگیرد. به عبارتی، با توجه به محدودیت یادآوری ذهن، پزشك ممكن است تمام متغیرهای لازم برای تصمیم گیری (برای نمونه علایم یا نتایج آزمایشها) را در آن واحد در نظر نگیرد یا آنها را فراموش كند یا در پی كسب اطلاعات در خصوص آن نباشد. اما از آنجا كه روابط بین این متغیرها در زمان طراحی سیستم در آن لحاظ میگردد، بنابراین احتمال نادیده گرفتن برخی از این عوامل یا در نظر گرفتن تأثیر آنها كمتر/ بیشتر از حد معقول، كاهش مییابد. بنابراین با توجه به كیفیت تعریف این روابط، می توان انتظار داشت تا تصمیمات پزشكان دقیق تر شود.
وجود متغیرهای زیاد و ناشناخته به معنی پیچیدگی بیشتر تصمیم گیری است. به كمك این سیستم ها، میتوان متغیرهای بیشتری را در تصمیم گیری دخالت داد. همچنین میتوان با شبكه ی عصبی متغیرهای ناشناخته، روابط ناشناخته بین متغیرها و همچنین متغیرهایی با تأثیر ناشناخته بر متغیر نتیجه را در نظر گرفت. بدین ترتیب با استفاده از این سیستم ها، میتوان دقت بیشتر در تصمیم گیریهای پیچیده تر را انتظار داشت (برای نمونه، جهت تصمیم گیری برای ارجاع بیمار مبتلا به سكته ی قلبی به سایر بیمارستانها، متغیرهای زیادی (مانند وضع عمومی بیمار، تحمل مسافت و غیره) باید مد نظر قرار گیرد كه اتخاذ تصمیم را بسیار پیچیده میكند. اما میتوان با در نظر تمام این متغیرها در سیستم های هوشمند، به پزشك در اتخاذ تصمیم صحیح كمك كرد استفاده از منطق خبرگان و كنترل دانش، از دیگر مزایای این سیستم ها است. در زمان طراحی سیستم های خبرهی پزشكی، دانش تخصصی در زمینه ی مورد نظر از خبرگان آن موضوع (یا راهنماهای بالینی) استخراج و وارد پایگاه دانش میشود.
این موضوع به این معنی است كه دانش و تجربهی متخصصین در زمینه های مختلف مانند بیماری های نادر را میتوان در تصمیمگیری افراد مختلف وارد نمود كه این موضوع میتواند منجر به كاهش ترس (ناشی از فقدان دانش و مهارت یا تنها بودن) و افزایش اعتماد به نفس شود با توجه به وفور و تداخل متغیرها در تصمیمات پزشكی، پزشكان میتوانند با به كارگیری سیستم های هوش مصنوعی سریعتر و یكدست تر تصمیم گیری نمایند و وقت خود را بیشتر صرف ارزیابی تصمیم نمایند در نهایت، با این سیستم ها، سرعت تحلیل و دسترسی به توصیه ها در هر زمان و مكان افزایش مییابد كه در خصوص تصمیمات پزشكی از اهمیت زیادی برخوردار است. برای نمونه، پیشبینی خوشبیم یا بدخیم بودن ضایعه بدون انجام بیوپسی، یا پیشبینی درست عود یا متاستاز سرطان باعث میشود تا پزشكان بتوانند سریعتر به درمان یا پیشگیری اقدام كنند. با وجود مزایای زیاد، به كارگیری سیستم های هوش مصنوعی در پزشكی با موانع و چالش های بسیار زیاد و جدی روبه رو است. از جمله این محدودیت ها میتوان به محدودیت تكنولوژی و هزینه ی سیستم اشاره كرد. از طرفی، عملكرد آنها مستلزم به روز رسانی مداوم است برخی بر این باورند كه وابستگی به سیستم هوشمند ممكن است در بلند مدت میزان ابتكار را كاهش دهد (همچنین استفاده از این سیستم ها، مستلزم وارد كردن داده های بیمار در سیستم به منظور دریافت توصیه های تشخیصی یا درمانی است. این موضوع بدین معنی است كه پزشك باید اطلاعات بیمار را یك بار در این سیستم و بار دیگر در پروندهی بیمار دستی یا الكترونیك) وارد نماید.
تكرار ورود اطلاعات در سیستم های مختلف میتواند مانعی برای استفاده از این سیستم ها باشد؛ مگر اینكه داده های بیمار به صورت الكترونیك در پروندهی بیمار وجود داشته باشد و بتوان از این سیستم ها همراه با پرونده ی الكترونیك به طور یكپارچه استفاده كرد. از دیگر چالش های مهم پیش روی سیستم های هوشمند، مشكلات مربوط به كسب دانش است. برای طراحی سیستم خبره، مشكلاتی در فرایند مهندسی دانش وجود دارد، از جمله اینكه «متخصصین حوزه چه كسانی هستند؟ آیا بین آنها در مورد راه حل مشكل توافق وجود دارد؟ آیا آنها از رویكردهای یكسان استفاده میكنند؟ آیا آنها تمایل كار با مهندس دانش را دارند؟ علاوه بر این موارد، مهندس دانش چگونه باید دانش خبرگان را استخراج كند؟ آیا خبرگان دانش ناقص یا غلط در اختیار مهندس دانش قرار میدهند؟» در طراحی شبكه ی عصبی نیز چنین مشكلاتی وجود دارد: «چه نمونه هایی باید برای آموزش سیستم استفاده شود؟ چه متغیرهایی از نمونه ها باید برای آموزش سیستم به كار رود؟ آیا خبرگان باید این متغیرها را تعیین كنند؟ آیا این دانش به روز است؟» در حوزهای مانند پزشكی، در صورتی كه كاربران به پایگاه دانش سیستم اعتماد نداشته باشند، یا آن را به روز ندانند، آن سیستم نمیتواند موفق گردد.
بنابراین ضروری است كه فرایند انتخاب خبرگان بسیار دقیق باشد و سیستم به تناسب رشد سریع دانش پزشكی از طریق معرفی قواعد جدید یا آموزش مداوم از طریق نمونه های آزمایشی جدید به طور مداوم به روز گردد از دیگر مشكلاتی كه منجر به پیچیدگی كسب دانش میشود، كمبود روشهای استاندارد برای بیان شرایط بالینی به صورت قابل فهم برای كامپیوتر (مدل سازی دانش پزشكی) است برای ایجاد پایگاه دانش، باید شرایط بالینی مد نظر به صورت قابل فهم برای كامپیوتر تبدیل شود، اما تصویر كردن پزشكی در این قالب ساده نیست و به مدل سازیهای پیچیده نیاز دارد، از جمله اینكه «چه دادههایی از بیمار مرتبط با آن تصمیم است؟ در ارتباط با آن تصمیم چه مفاهیمی وجود دارد؟ ارتباط این مفاهیم چگونه است؟ چه استراتژیهایی باید برای حل این مسأله استفاده شود؟ در این استراتژی ها چگونه باید از دانش مربوط استفاده كرد؟» تأیید عملكرد سیستم یكی از مهمترین چالش های این سیستم ها است.
در سامانه تله ویزیت، بصورت آنلاین توسط
دکتر فاطمه نعمت اللهی ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.
به طور معمول عملكرد این سیستم ها با استاندارد طلایی مقایسه میشود و اغلب این استاندارد طلایی خود متخصصین هستند. در مواردی توافق در خصوص این استاندارد بسیار سخت است، زیرا بسیاری از متخصصین در مورد تشخیص یا درمان توافق ندارند از طرفی، سؤال مهم این است كه كدام متخصصین باید در ارزیابی سیستم شركت كنند؟ آنهایی كه خود پایگاه دانش را طراحی كردهاند؟ اگر خود خبرگان صحت سیستم را بررسی كنند و به عبارتی توصیه ی سیستم با توصیه ی آنان (به عنوان استاندارد طلایی) مقایسه شود، ممكن است صحت سیستم، بالاتر به نظر آید. از طرفی، اگر متخصصین دیگر ارزیابی را انجام دهند، اختلاف آنها با سیستم میتواند ناشی از اختلاف آنها با طراحان پایگاه دانش باشد ولی ناشی از ضعف سیستم قلمداد شود. از سوی دیگر، چه میزان صحت را باید مناسب در نظر گرفت؟ آیا صحت 90 درصدی سیستم خبره برای توصیه ی تشخیص مناسب است؟ صحت 90 درصدی تشخیص به معنی 10 درصد تشخیص غلط و پیرو آن درمان غلط است.
در سامانه تله ویزیت، بصورت آنلاین توسط
دکتر سیروس مومن زاده ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.
اكثر سیستم های خبره و شبكه های عصبی مكانیزمی برای كنترل صحت توصیه های خود ندارند. این موضوع علاوه بر این كه میتواند منجر به بی اعتمادی كاربران شود، تعیین مسؤول در برابر توصیه های اشتباه را بسیار سخت میكند در واقع، در صورت اشتباه در توصیه های سیستم چه كسی را باید مسؤول دانست؟ طراح سیستم، افراد خبره، مهندس دانش یا پزشكی كه از سیستم استفاده كرده است؟ بنابراین، موضوعات اخلاقی و قانونی متعاقب استفاده از این سیستم ها، از جمله مسایل بسیار مهم است كه باید مورد توجه قرار گیرد. سیستم های هوش مصنوعی در حوزه ی مشخصی كاربرد دارند و برای نمونه جهت تشخیص یك بیماری خاص مورد استفاده قرار میگیرند. این موضوع سؤالاتی را پیش میآورد: «آیا برای تمام بیماری ها چنین سیستم هایی مورد نیاز است؟ در مورد كدام بیماری ها باید چنین سیستم هایی را طراحی كرد؟ آیا سیستم های مختلف برای تشخیص های مختلف باید با یكدیگر یكپارچه شوند؟ یكپارچگی آنها چگونه باید انجام شود؟ آیا باید پایگاه دانش جامع و مشترك در حوزه های مختلف طراحی گردد؟» در ظاهر این موارد باعث شده اند تا سیستم های هوش مصنوعی به طور عمومی در قالب امور پژوهشی مطرح باشند و كمتر دیده میشود كه چنین سیستم هایی به طور واقعی در عمل مورد استفاده قرار گیرند. در صورتی كه این سیستم ها باید با امور بالینی جاری ادغام شوند تا بتوان انتظار داشت كه بر كیفیت تصمیم ها تأثیر بگذارند به طور خلاصه، هوش مصنوعی دارای پتانسیل های زیادی برای بهبود تصمیم گیری های پزشكی است، اما اجرای موفق این نوع سیستم ها در پزشكی، علاوه بر توجه به اصول مورد نیاز برای هر سیستم اطلاعاتی دیگر از جمله توجه به عوامل سازمانی، رفتاری، فرهنگی، مدیریتی، اقتصادی، آموزشی و فنی، مستلزم موارد دیگری است.
در این مقاله، مهمترین چالش ها و سؤالات پیش رو در حوزه ی كاربرد هوش مصنوعی در پزشكی و حتی پزشکی از راه دور مورد بحث قرار گرفت كه لازم است توسط اندیشمندان، صاحب نظران و پژوهشگران مورد بررسی قرار گیرد و راهكارها یا پاسخهای مناسب برای آنها ارایه شود؛ تا بتوان انتظار داشت كه كاربرد این نوع سیستم ها در حرفه ی پزشكی افزایش یابد.
همچنین بخوانید:
گزینه های پزشکی از راه دور
مدل مستند سازی مدارك پزشكی از راه دور
آشنایی با سه حوزه تله مدیسین