جعبه سیاه اتاق عمل/ هوش مصنوعی جراحی‌ها را ایمن‌تر می‌کند
خبرگزاری علم و فناوری آنا؛ نخستین باری که تئودور گرَنچارَو به تماشای عمل جراحی خود نشست، می‌خواست نوار «وی اچ اس» (VHS) را از پنجره بیرون بیندازد.
گرنچارو می‌گوید: تصورم این بود که جراحی من تماشایی است» و سپس مکثی کرد و گفت: «تا لحظه‌ای که این فیلم را دیدم». او با تأمل در عمل جراحی ۲۵ سال پیش خود، ناهمواری تشریح، ابزار‌های اشتباه استفاده شده، ناکارآمدی‌هایی که یک عمل ۳۰ دقیقه‌ای را به یک عمل ۹۰ دقیقه‌ای تبدیل کرد را به یاد آورد و گفت: «من نمی‌خواستم کسی آن را ببیند.
این واکنش منحصر به فرد نیست! اتاق عمل مدت‌هاست که به دلیل ماهیت خاموشش تعریف شده است، آنچه در اتاق عمل اتفاق می‌افتد در آنجا باقی می‌ماند، زیرا جراحان در اعتراف به اشتباهات خود بسیار ضعیف هستند. گرنچارو به شوخی می‌گوید که وقتی می‌پرسید سه جراح برتر دنیا چه کسانی هستند؟ یک جراح معمولی همیشه در تشخیص اینکه دو نفر دیگر چه کسانی هستند با چالش روبه‌رو می‌شود.
گرنچارو می‌گوید: جزئیات کوچک زیادی وجود دارد که به طور معمول سال‌ها به تمرین نیاز دارد که برخی از جراحان هرگز به آن نقطه نمی‌رسند. اما من توانستم تمام این بینش‌ها و فرصت‌ها را یک شبه ببینم.
جعبه سیاه اتاق عمل همه چیز را بررسی می‌کند
با این حال، یک مشکل بزرگ وجود داشت: در دهه ۹۰ صرف ساعت‌ها وقت برای پخش فایل‌های ضبط‌شده یک استراتژی مناسب برای بهبود کیفیت محسوب نمی‌شود. چرا که تقریباً غیرممکن است که تعیین کنیم لغزش‌های نسبتاً پیش پا افتاده او چند بار اتفاق می‌افتد، بدون ذکر خطا‌های پزشکی جدی‌تر مانند اشتباهاتی که هر سال حدود ۲۲ هزار آمریکایی را می‌کشد. بسیاری از این خطا‌ها روی میز عمل اتفاق می‌افتد، از جا گذاشتن اسفنج‌های جراحی در داخل بدن بیماران گرفته تا انجام یک عمل اشتباه.
سال‌ها طول کشیده است، اما گرنچارو، که اکنون پروفسور جراحی در استنفورد است، بر این باور است که فناوری را توسعه دهد تا این رویا را ممکن کند: اتاق عمل معادل جعبه سیاه هواپیما!
از این رو شرکت «سرجیکال سیفتی تکنولوژیز» (Surgical Safety Technologies) متعلق به گرنچارو، سیستمی را به نام جعبه سیاه اتاق عمل طراحی کرده است که قبل از استفاده از هوش مصنوعی برای کمک به جراحان در درک دادهها، همه چیز را در اتاق عمل از طریق دوربین‌های پانوراما، میکروفون‌ها و مانیتور‌های بیهوشی ضبط می‌کند. سپس از فناوری هوش مصنوعی برای تجزیه و تحلیل جراحی‌ها استفاده می‌کند.
با این حال، موفقیت به سادگی داشتن فناوری مناسب نیست. ایده ضبط همه چیز در اتاق عمل، مجموعه‌ای از سوالات پیچیده در مورد حریم خصوصی را به وجود می‌آورد که می‌تواند تهدید اقدامات انضباطی و قرار گرفتن در معرض قانونی را افزایش دهد. جدای از این مشکلات، برخی بیمارستان‌ها نمی‌دانند با این حجم از داده‌های جدید چه کنند یا چگونه از غرق شدن در سیل آمار جلوگیری کنند.
گرنچارو با این وجود پیش‌بینی می‌کند که سیستم او می‌تواند همان کارجعبه‌های سیاه هواپیما را در حوزه پزشکی انجام دهد. در سال ۱۹۷۰، صنعت هوانوردی با ۶.۵ تصادف مرگبار به ازای یک میلیون پرواز مواجه بود. امروز، این آمار به کمتر از ۰.۵ کاهش یافته است. او می‌گوید: «صنعت هوانوردی به لطف دادهها از حالت واکنشی به پیشگیرانه تبدیل شد «از ایمن به فوق‌ایمن».
جعبه‌های سیاه گرنچارو اکنون تقریباً در ۴۰ موسسه در ایالات متحده، کانادا و اروپای غربی، از کوه سینا تا دوک تا کلینیک مایو مستقر هستند. اما آیا بیمارستان‌ها در آستانه عصر جدیدی از ایمنی هستند یا محیطی از سردرگمی و پارانویا ایجاد می‌کنند؟
چالش محرمانگی در اتاق‌های جراحی
اتاق عمل احتمالاً اندازه گیری شده‌ترین مکان در بیمارستان است، در عین حال یکی از ضعیف‌ترین مکان‌هاست. الکساندر لانگرمن، متخصص اخلاق و جراح سر و گردن در مرکز پزشکی دانشگاه واندربیلت، می‌گوید از عملکرد تیمی گرفته تا کار با ابزار، داده‌های بزرگ دیوانه‌واری وجود دارد که ما آنها را ضبط نمی‌کنیم. درعوض، یک جراح را به خاطر می‌آوریم.
در واقع، وقتی همه چیز اشتباه می‌شود، جراحان در کنفرانس‌های هفتگی بیماری و مرگ و میر بیمارستان، این موارد را بررسی می‌کنند و حتی زمانی که جراحان یادداشت‌های مورد نیاز را در سوابق پزشکی الکترونیکی بیماران وارد می‌کنند، این اشتباهات کمتر گزارش می‌شوند. لانگرمن می‌گوید: «بی‌تردید در این روش به کمترین میزان از اشتباه میرسید چرا که باعث می‌شود آنها خوب به نظر برسند.»
هوش مصنوعی همه چیز را می‌بیند
جعبه سیاه اتاق عمل گرنچارو در واقع یک جعبه نیست، بلکه یک تبلت، یک یا دو میکروفون سقفی و حداکثر چهار دوربین گنبدی دیواری است که طبق گزارش‌ها می‌تواند در روز بیش از نیم میلیون داده را در هر اتاق عمل تجزیه و تحلیل کند.
پلتفرم جعبه سیاه از تعداد انگشت شماری از مدل‌های بینایی رایانه‌ای استفاده می‌کند و در نهایت مجموعه‌ای از کلیپ‌های ویدیویی کوتاه و داشبورد آماری را مانند میزان خون از دست رفته، ابزار‌های استفاده شده و تعداد اختلالات شنوایی منتشر می‌کند. این سیستم همچنین بخش‌های کلیدی عمل (تشریح، برداشتن و بستن) را شناسایی و تجزیه می‌کند تا جراحان به‌جای اینکه مجبور باشند یک ضبط کامل سه یا چهار ساعته را تماشا کنند، می‌توانند به بخشی ازعمل بپرند که به عنوان مثال، خونریزی شدید وجود داشت یا منگنه جراحی اشتباه عمل کرده است.
افراد در این ضبط ناشناس هستند، یک الگوریتم صدای افراد را تحریف می‌کند و چهره آنها را محو و به چهره‌های سایه مانند تبدیل می‌کند. گرنچارو، که مدعی است فرآیند ناشناس‌سازی غیرقابل برگشت است، می‌گوید: «برای چنین کاری، حفظ حریم خصوصی و محرمانگی بسیار مهم است. حتی اگر می‌دانید چه اتفاقی افتاده است، نمی‌توانید از آن علیه یک فرد استفاده کنید.»
یک مدل هوش مصنوعی دیگر برای ارزیابی عملکرد کار می‌کند. در حال حاضر، این کار در درجه اول با اندازه گیری انطباق با چک لیست ایمنی جراحی انجام می‌شود، پرسشنامه‌ای که قرار است در طول هر نوع عمل جراحی به صورت شفاهی علامت زده شود. (این چک لیست مدت هاست با کاهش عفونت‌های جراحی و مرگ و میر کلی همراه بوده است.) تیم گرنچارو در حال حاضر در حال کار بر روی آموزش الگوریتم‌های پیچیده تری برای تشخیص خطا‌ها در حین جراحی لاپاراسکوپی، مانند استفاده از نیروی بیش از حد، نگه داشتن ابزار به روش اشتباه، یا ناتوانی در حفظ دید واضح از ناحیه جراحی است. با این حال، ارزیابی این معیار‌های عملکرد دشوارتر از اندازه گیری انطباق چک لیست است. گرنچارو می‌گوید: مواردی از آنها قابل اندازه‌گیری هستند و برخی نیاز به قضاوت دارند.
آموزش هر مدل هوش مصنوعی ۶ ماه طول می‌کشد
آموزش هر مدل از طریق یک فرآیند فشرده با تکیه بر تیمی متشکل از ۱۲ تحلیلگر، ۶ ماه طول می‌کشد. در حالی که بسیاری از مدل‌های هوش مصنوعی عمومی را می‌توان توسط یک کارگر که اقلام روزمره را برچسب‌گذاری می‌کند (مثلاً صندلی‌ها) آموزش داد، مدل‌های جراحی به داده‌هایی نیاز دارند که توسط جراح یا برچسب‌زنان، حاشیه‌نویسی شود که به درستی آموزش دیده‌اند. آنها صدها، گاهی هزاران ساعت ویدیوی عمل را مرور کرده‌اند و به‌طور دستی یادداشت کرده‌اند که مثلاً کدام مایع خون است یا کدام ابزار چاقوی جراحی است. پیتر گرنچارو، معاون مهندسی فناوری‌های ایمنی جراحی، که پسر تئودور گرنچارو است، می‌گوید: با گذشت زمان، این مدل می‌تواند به تنهایی خونریزی یا ابزار خاصی را یاد بگیرد.
در حالی که بیشتر الگوریتم‌ها تقریباً به تنهایی عمل می‌کنند، پیتر گرنچارو توضیح می‌دهد که جعبه سیاه اتاق عمل هنوز کاملاً مستقل نیست. او تخمین می‌زند که این الگوریتم دارای نرخ خطای ۱۵ درصد است؛ بنابراین قبل از اینکه خروجی هر روش نهایی شود، یکی از تحلیلگران به صورت دستی پایبندی به پرسشنامه را تأیید می‌کند. پیتر گرنچارو می‌گوید: این فرآیند به یک انسان نیاز دارد، اما او ارزیابی می‌کند که مدل هوش مصنوعی فرآیند تأیید انطباق چک لیست را ۸۰ تا ۹۰ درصد کارآمدتر کرده است. او همچنین تاکید می‌کند که مدل‌ها دائما در حال بهبود هستند.
انتهای پیام/