صفحه نخست

آموزش و دانشگاه

علم‌وفناوری

ارتباطات و فناوری اطلاعات

ورزش

سلامت

پژوهش

سیاست

اقتصاد

فرهنگ‌ و‌ جامعه

علم +

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

هرمزگان

همدان

یزد

هومیانا

پخش زنده

دیده بان پیشرفت علم، فناوری و نوآوری

پزشکان برای تحول در حوزه پزشکی با هوش مصنوعی آماده هستند؟

ادغام ابزار‌های هوش مصنوعی در پزشکی به متخصصان در تصمیم‌گیری‌های حیاتی تشخیص و درمان بیماری کمک می‌کند. با این حال، موفقیت این فناوری تا حد زیادی به درک پزشکان از این ابزار‌ها بستگی دارد.
کد خبر : 861903

به گزارش خبرنگار خبرگزاری علم و فناوری آنا، هوش مصنوعی در حال تبدیل به بخشی جدایی‌ناپذیر از تصمیم‌گیری‌های پزشکی است؛ اما پزشکان باید درک خود از این ابزار‌ها را برای استفاده بهینه افزایش دهند. توصیه‌های تخصصی خواستار آموزش هدفمند و رویکرد یادگیری عملی هستند.

همانطور که سیستم‌های هوش مصنوعی مانند چت جی‌پی‌تی راه خود را برای استفاده در زندگی روزمره پیدا می‌کنند، پزشکان کم کم این ابزار‌ها را در عمل بالینی خود خواهند دید تا به آن‌ها در تصمیم گیری‌های مهم تشخیص و درمان بیماری‌های رایج پزشکی کمک کنند. این ابزارها، که به عنوان الگوریتم‌های پشتیبانی از تصمیم گیری بالینی «سی‌دی‌اس» (CDS) شناخته می‌شوند، برای راهنمایی ارائه دهندگان مراقبت‌های بهداشتی در تصمیم گیری‌های حیاتی، مانند اینکه کدام آنتی بیوتیک‌ها را تجویز کنند یا توصیه به انجام یک جراحی قلب پرخطرعمل می‌کنند.

با این حال، براساس مقاله چشم انداز جدید منتشر شده در ۵ اوت در مجله پزشکی «نیوانگلند» که توسط اعضای هیات علمی دانشکده پزشکی دانشگاه مریلند نوشته شده است، موفقیت این فناوری‌های جدید تا حد زیادی به نحوه تفسیر و عمل پزشکان به پیش بینی خطر یک ابزار بستگی دارد و این نیازمند مجموعه‌ای منحصر به فرد از مهارت‌ها است که بسیاری از آن‌ها در حال حاضر فاقد آن هستند.

نقش الگوریتم‌های پشتیبانی از تصمیم گیری بالینی

الگوریتم‌های سی‌دی‌اس متنوع هستند و می‌توانند نتایج مختلف را تحت شرایط عدم قطعیت بالینی پیش بینی کنند. آن‌ها از ماشین حساب‌های ریسک مشتق از رگرسیون تا سیستم‌های پیچیده یادگیری ماشین و مبتنی بر هوش مصنوعی را شامل می‌شوند. چنین الگوریتم‌هایی می‌توانند سناریو‌هایی مانند اینکه کدام بیماران در معرض بیش‌ترین خطر مرگ ناشی از عفونت کنترل نشده هستند، یا کدام درمان به احتمال زیاد از مرگ ناگهانی در بیمار مبتلا به بیماری قلبی جلوگیری می‌کند را پیش بینی کنند.

 دانیل مورگان، استاد اپیدمیولوژی بهداشت عمومی و یکی از نویسندگان این دیدگاه گفت: این فناوری‌های جدید پتانسیل تاثیر قابل توجهی بر مراقبت از بیمار دارند، اما پزشکان باید قبل از اینکه بتوانند الگوریتم‌ها را در عمل پزشکی خود بگنجانند، ابتدا یاد بگیرند که ماشین‌ها چگونه فکر و کار می‌کنند.

چالش‌ها چیست؟

در حالی که برخی از ابزار‌های پشتیبانی از تصمیم‌‎گیری بالینی در سیستم‌های پرونده پزشکی الکترونیکی گنجانده شده‎اند، ارائه دهندگان مراقبت‌های بهداشتی اغلب نرم افزار فعلی را سخت و دشوار می‌دانند. پزشکان نیازی به متخصص ریاضی یا کامپیوتر ندارند، اما باید درک پایه‌ای از آنچه یک الگوریتم از نظر احتمال و تنظیم خطر انجام می‌دهد، داشته باشند، اما اغلب آن‌ها هرگز در این مهارت‌ها آموزش ندیده اند.

راه حل‌های پیشنهادی برای یکپارچگی بهتر

برای پرداختن به این شکاف، آموزش پزشکی و آموزش بالینی نیاز به پوشش صریح استدلال احتمالاتی متناسب با الگوریتم‌های سی‌دی‌اس دارند. دکتر مورگان، گودمن، و یکی از نویسندگان آن‎ها، دکتر آدام رادمن، در مرکز پزشکی دیاکونس در بوستون، موارد زیر را پیشنهاد کردند:

بهبود مهارت‌های احتمالاتی در اوایل مدرسه پزشکی، دانش آموزان باید جنبه‌های اساسی احتمال و عدم قطعیت را یاد بگیرند و از تکنیک‌های تجسم سازی برای شهودی‌تر کردن تفکر برحسب احتمال استفاده کنند. این آموزش باید شامل تفسیر معیار‌های عملکرد مانند حساسیت و ویژگی برای درک بهتر عملکرد تست و الگوریتم باشد.

خروجی الگوریتمی را در تصمیم‌گیری باید به پزشکان آموزش داده شود که پیش‌بینی‌های سی‌دی‌اس را به‌طور انتقادی ارزیابی کرده و در تصمیم‌گیری بالینی خود از آن‌ها استفاده کنند. این آموزش شامل درک زمینه‌ای است که الگوریتم‌ها در آن عمل می‌کنند، شناسایی محدودیت‌ها، و در نظر گرفتن عوامل بیمار مرتبطی است که الگوریتم‌ها ممکن است ازدست‌داده باشند.

تمرین تفسیر پیش‌بینی‌های سی‌دی‌اس در یادگیری کاربردی دانشجویان پزشکی و پزشکان می‌توانند با استفاده از الگوریتم‌ها برای بیماران منفرد و بررسی اینکه چگونه ورودی‌های مختلف بر پیش‌بینی‌ها تأثیر می‌گذارند، در یادگیری مبتنی بر عمل شرکت کنند. آن‌ها همچنین باید یاد بگیرند که با بیماران در مورد تصمیم‌گیری با هدایت سی‌دی‌اس ارتباط برقرار کنند.

راه‌اندازی پژوهشکده محاسبات سلامت

دانشگاه مریلند، بالتیمور، دانشگاه مریلند، کالج پارک و سیستم پزشکی دانشگاه مریلند اخیراً برنامه‌هایی را برای موسسه جدید محاسبات سلامت «آی‌اچ‌سی» (IHC) آغاز کرده‌اند. دانشگاه مریلند از پیشرفت‌های اخیر در هوش مصنوعی، پزشکی شبکه‌ای و دیگر روش‌های محاسباتی برای ایجاد یک سیستم مراقبت بهداشتی یادگیری برتر استفاده خواهد کرد که هم داده‌های سلامت پزشکی دیجیتالی شده شناسایی نشده و هم ایمن را برای افزایش تشخیص، پیشگیری و درمان بیماری ارزیابی می‌کند. دکتر گودان در حال آغاز به کار در موسسه محاسبات سلامت است و  به آموزش  ارائه‌دهندگان مراقبت‌های بهداشتی در مورد آخرین فناوری‌ها  می‌پردازد. این موسسه قصد دارد درنهایت گواهی‌نامه علوم داده سلامت را در میان دیگر فرصت‌های آموزشی رسمی در علوم داده ارائه دهد.

مارک تی‌گلادوین، معاون رئیس امور پزشکی، دانشگاه مریلند، بالتیمور، و جان زی و آکیکو کی گفت: ما در حال ورود به عصر تحول‌آفرین پزشکی هستیم که در آن ابتکارات جدیدی مانند موسسه محاسبات سلامت ما حجم عظیمی از داده‌ها را در سیستم‌های یادگیری ماشین ادغام خواهد کرد تا مراقبت از بیمار شخصی‌سازی شود.

انتهای پیام/

ارسال نظر