سیستم های هوشمند (سیستم خبره و شبکه ی عصبی) دارای ساختار، اجزا و قابلیتهایی هستند که در مجموع قابلیت تصمیم گیری را ارتقا میدهند و به همین دلیل، از آنها در موارد بسیاری در پزشکی استفاده شده است که در ادامه به برخی از این موارد اشاره میشود.
در مطالعه های به منظور بهبود کیفیت کمکهای اولیه از سیستم خبره استفاده شد که طبق نتایج آن، گروهی که از سیستم خبره استفاده کرده بودند، به طور تقریبی در تمام عملکردها، بین 8/3 تا 1/70 درصد عملکرد بهتری داشتند در مطالعه ی دیگری از سیستم خبره برای تشخیص انواع سردرد استفاده شد و ارزیابی آن نشان داد که 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 کلی، صحت تشخیص این سیستم 89 درصد بود همچنین در مطالعه های برای تشخیص و طبقه بندی ضربانهای آریتمیک و ایسکمیک قلب از این سیستم ها استفاده شد. نتایج مطالعه، صحت 4/90 درصدی در تشخیص ضربان ایسکمیک و صحت 4/94 درصدی در تشخیص ضربانهای آریتمیک را نشان داد در مطالعهی دیگری از شبکه ی عصبی برای تشخیص و تمییز انواع استرابیسموس (لوچی چشم)استفاده شد. این سیستم به صورت مبتنی بر وب استو پزشک میتواند به راحتی پس از معاینه ی بیمار، اطلاعات را وارد سیستم کند. ارزیابی این سیستم نشان داده است که دقت آن برای دادههای واقعی 100 درصد است در مطالعهی دیگری از ترکیب سیستم خبره و هوش مصنوعی برای مشخص کردن 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 که شبکه 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 پزشکی نشان داده است.
یکی از مزایای این سیستم ها، در نظر گرفتن راه حل های متنوع تر است هوش مصنوعی به پزشک کمک میکند 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، پزشک ممکن است تمام متغیرهای لازم برای تصمیم گیری (برای نمونه علایم یا نتایج آزمایشها) را در آن واحد در نظر نگیرد یا آنها را فراموش کند یا در پی کسب اطلاعات در خصوص آن نباشد. اما از آنجا که 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 کمتر/ بیشتر از حد معقول، کاهش مییابد. بنابراین با توجه به کیفیت تعریف این روابط، می توان انتظار داشت تا تصمیمات پزشکان دقیق تر شود.
وجود متغیرهای زیاد و ناشناخته به معنی پیچیدگی بیشتر تصمیم گیری است. به کمک این سیستم ها، میتوان متغیرهای بیشتری را در تصمیم گیری دخالت داد. همچنین میتوان با شبکه 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 سکته ی قلبی به سایر بیمارستانها، متغیرهای زیادی (مانند وضع عمومی بیمار، تحمل مسافت و غیره) باید مد نظر قرار گیرد که اتخاذ تصمیم را بسیار پیچیده میکند. اما میتوان با در نظر تمام این متغیرها در سیستم های هوشمند، به پزشک در اتخاذ تصمیم صحیح کمک کرد استفاده از منطق خبرگان و کنترل دانش، از دیگر مزایای این سیستم ها است. در زمان طراحی سیستم های خبرهی پزشکی، دانش تخصصی در زمینه ی مورد نظر از خبرگان آن موضوع (یا راهنماهای بالینی) استخراج و وارد پایگاه دانش میشود.
در سامانه تله ویزیت، بصورت آنلاین توسط
دکتر فاطمه نعمت اللهی ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.
این موضوع به این معنی است که دانش و تجربهی متخصصین در زمینه های مختلف مانند بیماری های نادر را میتوان در تصمیمگیری افراد مختلف وارد نمود که این موضوع میتواند منجر به کاهش 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 پزشکی، پزشکان میتوانند با به کارگیری سیستم های هوش مصنوعی سریعتر و یکدست 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 مکان افزایش مییابد که در خصوص تصمیمات پزشکی 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 پزشکان بتوانند سریعتر به درمان یا پیشگیری اقدام کنند. با وجود مزایای زیاد، به کارگیری سیستم های هوش مصنوعی در پزشکی با موانع و چالش های بسیار زیاد و جدی روبه رو است. از جمله این محدودیت ها میتوان به محدودیت تکنولوژی و هزینه ی سیستم اشاره کرد. از طرفی، عملکرد آنها مستلزم به روز رسانی مداوم است برخی بر این باورند که وابستگی به سیستم هوشمند ممکن است در بلند مدت میزان ابتکار را کاهش دهد (همچنین استفاده از این سیستم ها، مستلزم وارد کردن داده های بیمار در سیستم به منظور دریافت توصیه های تشخیصی یا درمانی است. این موضوع بدین معنی است که پزشک باید اطلاعات بیمار را یک بار در این سیستم و بار دیگر در پروندهی بیمار دستی یا الکترونیک) وارد نماید.
تکرار ورود اطلاعات در سیستم های مختلف میتواند مانعی برای استفاده از این سیستم ها باشد؛ مگر اینکه داده های بیمار به صورت الکترونیک در پروندهی بیمار وجود داشته باشد و بتوان از این سیستم ها همراه با پرونده ی الکترونیک به طور یکپارچه استفاده کرد. از دیگر چالش های مهم پیش روی سیستم های هوشمند، مشکلات مربوط به کسب دانش است. برای طراحی سیستم خبره، مشکلاتی در فرایند مهندسی دانش وجود دارد، از جمله اینکه «متخصصین حوزه چه کسانی هستند؟ آیا بین آنها در مورد راه حل مشکل توافق وجود دارد؟ آیا آنها از رویکردهای یکسان استفاده میکنند؟ آیا آنها تمایل کار با مهندس دانش را دارند؟ علاوه بر این موارد، مهندس دانش چگونه باید دانش خبرگان را استخراج کند؟ آیا خبرگان دانش ناقص یا غلط در اختیار مهندس دانش قرار میدهند؟» در طراحی شبکه ی عصبی نیز چنین مشکلاتی وجود دارد: «چه نمونه هایی باید برای آموزش سیستم استفاده شود؟ چه متغیرهایی از نمونه ها باید برای آموزش سیستم به کار رود؟ آیا خبرگان باید این متغیرها را تعیین کنند؟ آیا این دانش به روز است؟» در حوزهای مانند پزشکی، در صورتی که کاربران به پایگاه دانش سیستم اعتماد نداشته باشند، یا آن را به روز ندانند، آن سیستم نمیتواند موفق گردد.
بنابراین ضروری است که فرایند انتخاب خبرگان بسیار دقیق باشد و سیستم به تناسب رشد سریع دانش پزشکی از طریق معرفی قواعد جدید یا آموزش مداوم از طریق نمونه های آزمایشی جدید به طور مداوم به روز گردد از دیگر مشکلاتی که منجر به پیچیدگی کسب دانش میشود، کمبود روشهای استاندارد برای بیان شرایط بالینی به صورت قابل فهم برای کامپیوتر (مدل سازی دانش پزشکی) است برای ایجاد پایگاه دانش، باید شرایط بالینی مد نظر به صورت قابل فهم برای کامپیوتر تبدیل شود، اما تصویر کردن پزشکی در این قالب ساده نیست و به مدل سازیهای پیچیده نیاز دارد، از جمله اینکه «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 کرد؟» تأیید عملکرد سیستم یکی از مهمترین چالش های این سیستم ها است.
به طور معمول عملکرد 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 که کدام متخصصین باید در ارزیابی سیستم شرکت کنند؟ آنهایی که خود پایگاه دانش را طراحی کردهاند؟ اگر خود خبرگان صحت سیستم را بررسی کنند و به عبارتی توصیه ی سیستم با توصیه ی آنان (به عنوان استاندارد طلایی) مقایسه شود، ممکن 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.
اکثر سیستم های خبره و شبکه های عصبی مکانیزمی برای کنترل صحت توصیه های خود ندارند. این موضوع علاوه بر این که میتواند منجر به بی اعتمادی کاربران شود، تعیین مسؤول در برابر توصیه های اشتباه را بسیار سخت میکند در واقع، در صورت اشتباه در توصیه های سیستم چه کسی را باید مسؤول دانست؟ طراح سیستم، افراد خبره، مهندس دانش یا پزشکی که از سیستم استفاده کرده است؟ بنابراین، موضوعات اخلاقی و قانونی متعاقب استفاده از این سیستم ها، از جمله مسایل بسیار مهم است که باید مورد توجه قرار گیرد. سیستم های هوش مصنوعی در حوزه ی مشخصی کاربرد دارند و برای نمونه جهت تشخیص یک 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 کدام بیماری ها باید چنین سیستم هایی را طراحی کرد؟ آیا سیستم های مختلف برای تشخیص های مختلف باید با یکدیگر یکپارچه شوند؟ یکپارچگی آنها چگونه باید انجام شود؟ آیا باید پایگاه دانش جامع و مشترک 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 کمتر دیده میشود که چنین سیستم هایی به طور واقعی در عمل مورد استفاده قرار گیرند. در صورتی که این سیستم ها باید با امور بالینی جاری ادغام شوند تا بتوان انتظار داشت که بر کیفیت تصمیم ها تأثیر بگذارند به طور خلاصه، هوش مصنوعی دارای پتانسیل های زیادی برای بهبود تصمیم گیری های پزشکی است، اما اجرای موفق این نوع سیستم ها در پزشکی، 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 کاربرد هوش مصنوعی در پزشکی و حتی پزشکی از راه دور مورد بحث قرار گرفت که لازم است توسط اندیشمندان، صاحب نظران و پژوهشگران مورد بررسی قرار گیرد و راهکارها یا پاسخهای مناسب برای آنها ارایه شود؛ تا بتوان انتظار داشت که کاربرد این نوع سیستم ها در حرفه ی پزشکی افزایش یابد.