تامین ۲۴
پایگاه خبری رفاه و تأمین اجتماعی
هوشمصنوعی از سال 1990 گامهای تدریجی خود را در عرصه درمان آغاز کرد و از 2010 انفجاری را در خدمات این حوزه بهوجود آورد. یکی از فناوریهای مهم مبتنی بر هوشمصنوعی، «سامانه پشتیبانی تصمیم بالینی» (AI-CDSS) نام دارد که مانند یک دستیار هوشمند عمل میکند؛ اما باید دید این سامانه در چه زمینههایی میتواند به پزشکان کمک کند؟
به گزارش تآمین24، این سامانه دادهها را سریع پردازش و پیشبینی میکند که بیمار در شش ماه آینده چه ریسکهایی دارد و چه اقداماتی احتمال موفقیت درمان را افزایش میدهد.
تصور کنید یک بیمار ۵۵ ساله با دیابت و فشار خون به کلینیک مراجعه میکند. پزشک باید دهها اطلاعات را در همان لحظه بررسی کند: نتایج آزمایشها، داروها، علائم و تاریخچه ارجاعها. حتی بهترین پزشکان هم ممکن است اطلاعات را از دست بدهند یا در تصمیمگیری تأخیر داشته باشند.
اما این سیستم بهطور مثال میتواند به پزشک هشدار دهد: «احتمال بروز عارضه قلبی 23 درصد است و ارجاع فوری به متخصص قلب 78 درصد احتمال موفقیت درمان دارد.»
در مرحله بعد، سامانه تداخلهای دارویی و خطر واکنشهای احتمالی را به صورت هشدار رنگی و ساده نمایش میدهد. پزشک میتواند سریع و با اعتماد تصمیم بگیرد؛ بدون نیاز به مرور دستی همه دادهها. این قابلیت باعث کاهش خطاهای پزشکی و کوتاهتر شدن زمان تصمیمگیری تا 30 درصد میشود.
مزیت دیگر این فناوری، یادگیری مستمر سامانه است. هر مراجعه جدید، نتیجه آزمایش یا تغییر در درمان، سیستم را هوشمندتر میکند. این فرایند به سازمان یک بانک دانش بالینی پویا میدهد که پزشکان و مدیران را در تصمیمگیریهای کلان یاری میکند.
عوامل موفقیت سامانه پشتیبانی
با وجود همه مزایا، موفقیت این سامانه به سه عامل بستگی دارد: «دادههای با کیفیت و استاندارد» تا پیشبینیها قابل اعتماد باشند. «شفافیت سیستم» تا پزشکان منطق پیشنهادها را بفهمند و اعتماد کنند و «ادغام در جریان کاری واقعی» تا خروجیها در زمان تصمیمگیری در دسترس باشند و بار اضافی ایجاد نکنند.
درباره عامل نخست، یعنی دادههای با کیفیت و استاندراد باید گفت، سامانههای پشتیبانی تصمیم بالینی مبتنی بر هوشمصنوعی (AI-CDSS) برای ارائه توصیههای دقیق به دادههای متنوع و بهروز نیاز دارد. اما در بسیاری از سازمانهای سلامت، دادهها در سامانههای مختلف پراکندهاند: پرونده الکترونیک بیمار در یک سیستم، نتایج آزمایش در سامانهای دیگر و اطلاعات دارویی در پایگاه جداگانه. اگر این دادهها بهسادگی با هم تبادل نشوند، حتی پیشرفتهترین الگوریتمهای هوش مصنوعی نیز نمیتوانند تصویر کامل و دقیقی از وضعیت بیمار ارائه دهند.
در اینجا استاندارد FHIR (Fast Healthcare Interoperability Resources) نقش کلیدی پیدا میکند. FHIR یک استاندارد بینالمللی برای تبادل دادههای سلامت است که امکان ارتباط سریع و ساختاریافته بین سامانههای مختلف پزشکی را فراهم میکند. به بیان ساده، FHIR مانند یک زبان مشترک عمل میکند که سیستمهای بیمارستانی، آزمایشگاهها و اپلیکیشنهای سلامت میتوانند از طریق آن با یکدیگر گفتوگو کنند.
وقتی یک سامانه هوش مصنوعی به زیرساخت FHIR متصل باشد، میتواند در لحظه به اطلاعات مختلف بیمار دسترسی پیدا کند؛ از نتایج آزمایشگاهی و سوابق دارویی گرفته تا گزارشهای تصویربرداری و حتی دادههای دستگاههای پوشیدنی. این دسترسی بلادرنگ باعث میشود تحلیلهای الگوریتمی دقیقتر شود و پیشنهادهای بالینی قابل اعتمادتر ارائه شوند.
برای مثال، فرض کنید بیماری که مبتلا به دیابت است در یک آزمایشگاه خارج از بیمارستان آزمایش خون انجام داده است. نتیجه آزمایش میتواند از طریق FHIR مستقیماً به پرونده الکترونیک بیمار منتقل شود. سامانه هوشمند با تحلیل تغییرات شاخصهایی مانند HbA1c میتواند افزایش ریسک عوارض قلبی را تشخیص دهد و به پزشک پیشنهاد دهد که برنامه درمانی یا ارجاع به متخصص قلب بررسی شود.
یکی از مزیتهای مهم FHIR، قابلیت توسعهپذیری و اتصال آسان به نوآوریهای جدید است. شرکتهای فناوری و استارتاپها میتوانند ابزارها و اپلیکیشنهای سلامت دیجیتال را بهگونهای طراحی کنند که بدون تغییر اساسی در سامانههای موجود بیمارستان، به دادههای استاندارد دسترسی داشته باشند. این ویژگی زمینه شکلگیری یک اکوسیستم نوآوری در حوزه سلامت دیجیتال را فراهم میکند. با این حال، بهرهبرداری مؤثر از FHIR نیازمند چند پیشنیاز مهم است که «استانداردسازی دادههای بالینی در سطح سازمان» از جمله آن بهشمار میرود. «تعریف سیاستهای امنیت و حریم خصوصی برای تبادل داده» از دیگر موارد شناخته میشود و «طراحی زیرساخت فناوری اطلاعات مبتنی بر APIهای استاندارد» نیز اهمیت دارد.
وقتی این زیرساخت فراهم شود، هوش مصنوعی میتواند به بخشی از یک شبکه سلامت هوشمند تبدیل شود که دادهها را در کل سازمان و حتی در سطح نظام سلامت به جریان میاندازد. در چنین شبکهای، تصمیمهای بالینی سریعتر، دقیقتر و مبتنی بر تصویری جامع از وضعیت بیمار اتخاذ میشوند.
نتیجه اینکه؛ هوش مصنوعی در CDSS نه تنها یک ابزار، بلکه همکار هوشمند پزشک بهشمار میرود که مراقبت سریع، ایمن و شخصیشده را ممکن میسازد. استانداردهای تبادل داده، این همکار هوشمند را به یک شبکه سلامت یکپارچه و پویا متصل میکنند تا تصمیمات دقیق در کل سازمان و جمعیت بیماران قابل اجرا شود.
