فناوری درمان

تشخیص بهتر، درمان شخصی‌شده بیماران، کشف سریع‌تر داروها، و کارایی بالاتر مزایای هوش مصنوعی هستند که در تمام حوزه‌ها شور و هیجان برپا کرده است، اما در حوزه درمان این توان بالقوه را دارد که تحول‌آفرین باشد. تحلیلگران پیش‌بینی می‌کنند که استفاده از هوش مصنوعی سالانه جان هزاران نفر را در اروپا نجات دهد. به گفته آنها، هوش مصنوعی در آمریکا در هزینه‌ها صرفه‌جویی می‌کند و هزینه‌کرد پزشکی سالانه -که هم‌اکنون 5 /4 تریلیون دلار معادل 17 درصد GDP است- را 200 تا 360 میلیارد دلار کاهش می‌دهد. فرصت‌ها فراوان‌اند و دامنه وسیعی از گوشی‌های طبی هوشمند تا تحلیل داده‌های بزرگ یا قابلیت گفت‌وگو با پزشک هوش مصنوعی را که چهره‌ای انسانی دارد دربر می‌‌گیرد.  شواهد زیادی دال بر این وجود دارد که سامانه‌های هوش مصنوعی می‌توانند دقت تشخیص و رهگیری بیماری را بالا ببرند، پیش‌بینی وضعیت بیمار را بهبود بخشند و درمان‌های بهتری توصیه کنند. همچنین هوش مصنوعی می‌تواند در مطب پزشکان و بیمارستان‌ها وظایفی مانند ثبت شرح درمان، پایش بیماران و یکنواخت‌سازی امور اداری را انجام دهد و به این ترتیب کارایی را بالا ببرد. هم‌اکنون هوش مصنوعی سرعت رسیدن داروهای جدید به مرحله آزمایش‌های بالینی را افزایش داده است. ابزارهای جدیدتر از جمله هوش مصنوعی زایشی این قابلیت‌ها را چند برابر می‌‌کنند. اما با وجود استفاده چندساله از هوش مصنوعی در بخش درمان، فرآیند یکپارچگی و تلفیق آن آهسته و نتایج به‌‌دست‌آمده اغلب ناچیز است. دلایل خوب و بدی برای این امر وجود دارد. از جمله دلایل خوب آن است که بخش درمان در زمان معرفی ابزارهای جدید شواهد زیاد و باکیفیتی مطالبه می‌کند تا از ایمنی بیماران محافظت کند. از دلایل بد می‌توان به داده‌ها، مقررات و انگیزه‌ها اشاره کرد. غلبه بر این مشکلات می‌تواند درس‌هایی را برای استفاده از هوش مصنوعی در دیگر حوزه‌ها به همراه داشته باشد. سامانه‌های هوش مصنوعی از طریق پردازش حجم بالایی از داده‌ها به یادگیری‌ می‌پردازند و ارائه‌دهندگان درمان داده‌‌های زیادی در اختیار دارند. این داده‌ها پراکندگی زیادی دارند و برای استفاده از آن مقررات سخت‌گیرانه‌ای اعمال می‌شود. دولت‌ها می‌‌دانند که بیماران خواستار حفظ حریم خصوصی درمان خود هستند اما بیماران همزمان درمان بهتر و شخصی‌شده را می‌خواهند. لازم به یادآوری است که هر سال 800 هزار آمریکایی به خاطر تصمیمات پزشکی نادرست آسیب می‌بینند.  بهبود صحت و کاهش یک‌سونگری در ابزارهای هوش مصنوعی مستلزم آن است که ابزارها با داده‌‌های زیادی آموزش ببینند که تنوع کامل بیماران را نشان می‌دهند. پیدا کردن روش‌های ایمن جابه‌جایی آزادانه داده‌‌های درمان به این امر کمک خواهد کرد و به نفع بیماران نیز خواهد بود. بیماران هم باید حق دسترسی به سوابق درمان خود را در یک قالب دیجیتال و قابل حمل داشته باشند. بنگاه‌‌های خدمات درمان مصرفی هم‌اکنون از داده‌‌های ابزارهای پوشیدنی استفاده می‌کنند. سوابق پزشکی دیجیتال و قابل حمل به افراد امکان می‌دهد تا بهترین استفاده را از داده‌ها ببرند و مسئولیت‌پذیری بیشتری در قبال سلامت خود داشته باشند. مشکل دیگر به مدیریت و تنظیم‌گری نوآوری‌ها بازمی‌گردد. در بسیاری از کشورها حکمرانی هوش مصنوعی در بخش درمان (و دیگر حوزه‌ها) از روند سریع نوآوری‌ها عقب می‌ماند. مقامات تنظیم‌گر به کندی ابزارهای جدید هوش مصنوعی را تایید می‌کنند یا از ظرفیت و مهارت لازم برخوردار نیستند. دولت‌ها باید تنظیم‌گران را به ابزارهای ارزیابی هوش مصنوعی جدید مجهز کنند. همچنین آنها باید شکاف‌های مقرراتی در پایش رویدادهای ناگوار و تداوم نظارت بر الگوریتم‌ها را پر کنند تا از صحت، ایمنی، اثربخشی و شفافیت امور اطمینان یابند. چنین کاری دشوار خواهد بود. یک راه‌حل آن است که کشورها با یکدیگر همکاری کنند، از هم بیاموزند و حداقل استانداردهای جهانی را تدوین کنند. وجود یک سازمان ساده تنظیم‌گری بین‌المللی به خلق بازاری می‌انجامد که در آن شرکت‌های کوچک نوآوری می‌کنند. کشورهای فقیری که زیرساختارهای درمان توسعه‌نیافته‌ای دارند می‌توانند از ابزارهای جدیدی مانند دستگاه اولتراسوند قابل حمل و مجهز به هوش مصنوعی در بخش زنان و زایمان استفاده کنند. در چنین کشورهایی جایگزینی درمانی برای ابزار هوش مصنوعی وجود ندارد بنابراین آنها می‌توانند موانعی را دور بزنند که سامانه‌های درمان کشورهای ثروتمند را گرفتار کرده‌اند. البته کمبود داده‌ها، ارتباطات اینترنتی و توان رایانش سد راه آنها می‌شود. مشکل آخر به نهادها و انگیزه‌ها مربوط می‌شود. هوش مصنوعی می‌تواند با کمک به کارکنان یا جایگزینی آنها، بهبود بهره‌وری، کاهش خطا و یکنواخت‌سازی امور هزینه‌های درمان را پایین آورد و همزمان روند آن را بهبود بخشد. ما شدیداً به چنین چیزی نیاز داریم. جهان تا سال 2030 به 10 میلیون کارمند بخش درمان (معادل 15 درصد نیروی کار کنونی) نیاز خواهد داشت. همچنین در سال 2022 امور اداری 30 درصد از هزینه‌های مازاد درمان در ایالات‌متحده را به خود اختصاص می‌داد. اما هدف صرفه‌جویی با استفاده از نوآوری‌ها می‌تواند فریبنده باشد. سامانه‌های درمان باید از نوآوری برای بهبود درمان و نه کاهش هزینه‌ها استفاده کنند. فناوری‌های جدید مسئول نیمی از رشد سالانه هزینه‌کرد درمان هستند. استفاده از سامانه‌های جدید هزینه‌ها و پیچیدگی‌ها را بالا می‌برد. ممکن است بیماران و کادر درمان با طراحی مجدد فرآیندها با هدف استفاده موثر از هوش مصنوعی مخالفت کنند. هوش مصنوعی حتی می‌تواند معاینه اولیه بیماران و فرآیندهای عادی را از طریق تلفن انجام دهد اما برخی بیماران خواستار معاینه حضوری و شخصی هستند. از آن بدتر، اکثر سامانه‌های درمان از جمله در آمریکا به حجم کار کارکنان پاداش و دستمزد می‌دهند. آنها برای استفاده از فناوری‌هایی که شمار ویزیت، آزمایش یا فرآیندها را کاهش می‌دهند انگیزه‌ای ندارند. حتی برخی سامانه‌های دولتی درمان به این خاطر انگیزه‌ای برای پذیرش فناوری‌های کاهش‌دهنده هزینه‌ها ندارند چون ممکن است صرفه‌جویی باعث شود سال بعد بودجه کمتری به آنها تعلق گیرد. دولت‌ها باید این انگیزه‌ها را تغییر دهند تا هوش مصنوعی بتواند درمان بهتر را با کارایی‌های جدید ترکیب کند. در غیر این صورت نوآوری با افزایش هزینه‌ها همراه خواهد شد. به همین ترتیب، دولت‌ها و مقامات بخش درمان باید طرح‌های تامین منابع برای سنجش و استفاده از فناوری‌های جدید هوش مصنوعی داشته باشند. کشورهایی از قبیل آمریکا، بریتانیا و کانادا در این مسیر پای گذاشته‌اند.  بخش بزرگی از بار تقویت هوش مصنوعی در بخش درمان بر دوش دولت‌ها و مقررات‌‌‌گذاران می‌افتد. اما شرکت‌ها هم وظیفه‌ای دارند. بیمه‌گران از هوش مصنوعی به‌طور ناعادلانه‌ای برای عدم پذیرش درمان بهره برده‌اند. بنگاه‌ها در مورد قابلیت ابزارهای درمان اغراق کرده و آنها را به فروش رسانده‌اند. الگوریتم‌ها هم اشتباهاتی داشته‌اند. بنگاه‌ها وظیفه دارند اطمینان یابند که محصولاتشان ایمن، معتبر و قابل اتکا هستند.  این موانع بزرگ هستند اما مزایای بالقوه استفاده از هوش مصنوعی در بخش درمان آنقدر زیاد است که غلبه بر ‌آن موانع کاملاً منطقی می‌نماید. همچنین، اگر هوش مصنوعی بتواند در پزشکی کار کند راه پذیرش آن در دیگر حوزه‌ها هم باز خواهد شد.