به گزارش شفاآنلاین: هرچند ایالات متحده، بیشترین سرانه ی هزینه های بهداشت و درمان نسبت به هر کشور دیگری را داراست، اما از لحاظ امید به زندگی، سی وهشتمین کشور جهان بوده و بین لبنان و کوبا قرار دارد. دسترسی به مراقبت های بهداشتی در آمریکا، از هر کشور توسعه یافته ی دیگری بدتر است.
هوش مصنوعی، فرصت بی سابقه ای برای باز کردن این گره کور و شکل دادن دوباره ی اقدامات بهداشت و درمان را فراهم میسازد.
هوش مصنوعی به شکل های بسیاری در سال های آتی زندگی ما را متحول خواهد کرد، از این میان، اثرگذاری اش بر بهداشت و درمان احتمالاً نسبت به هر حوزه ی دیگری، عمیق تر و گسترده تر خواهد بود.
یادگیری ماشینی و بهداشت و درمان، از جهات بسیاری، کاملاً متناسب با یکدیگرند. محوریت بیشتر مراقبت های بهداشتی، تشخیص الگوست.
بدن یک انسان سالم و سیستم های مختلف تشکیل دهنده آن، به شکل یک دست و قابل سنجش عمل میکنند. وقتی اندام های انسان از دردی رنجور است، از تعادل یادشده به نحوی خارج میشود که معمولاً در طول زمان و در جوامع قابل پیش بینی است.
حلقه متشکل از نقاط داده –علائم جدید جسمی، فشار خون، ترکیب ژنتیکی، ترکیب شیمیایی گردش خون، و الی آخر- را میتوان گردآوری کرده، در کنار هم گذاشت و با الگوهای جمعیتی مقایسه کرد تا نتیجه قطعی سلامت فرد بازگو شود. به همین شکل، داروهایی که ما تولید و تجویز میکنیم، از مواد خاصی تشکیل شده اند که به شکلی قابل اندازه گیری بر روی سیستم های داخلی بدن عمل میکنند.
اگر یادگیری ماشینی در یک کار تبحر داشته باشد، آن کار، شناسایی الگوها و استخراج دانش موجود پیرامون سیستم های پیچیده، با توجه به انبوه داده هاست. از این رو بهداشت و درمان، چالشی آرمانی پیش روی هوش مصنوعی میگذارد.
هوش مصنوعی در کدام حوزه های بهداشت و درمان، تأثیر معنادار و چشمگیری می گذارد؟
تقسیم حوزه گسترده بهداشت و درمان به سه گروه اصلی، راهگشاست:
بالینی (مراقبت از بیماران)، اداری (پیچ و مهره های عملیاتی که سیستم بهداشت و درمان را به راه می اندازند) و داروسازی (جستجو و توسعه داروهای پزشکی جدید).
در هر یک از این سه حوزه، همین حالا از یادگیری ماشینی به اشکال تحول آفرین استفاده میشود. فقط شتاب این روند در سالهای آتی بیشتر خواهد شد.
این مقاله دو دسته اول را مرور خواهد کرد: بالینی و اداری.
بالینی
تصویربرداری
استفاده از دید رایانه ای جهت شناسایی اختلالات و بیماری ها در تصاویر پزشکی، احتمالاً به موردی از مصرف هوش مصنوعی در بهداشت و درمان تبدیل شده که بیش از همه به آن ارجاع داده اند.
فهمیدن علتش آسان است: بررسی اسکن پزشکی به منظور رسیدن به این نتیجه که آیا یک تومور، ضایعه پوستی، بیماری شبکیه یا علائم دیگری وجود دارد یا خیر، نمونه ای گویا از طبقه بندی شیء است، یعنی دقیقاً همان چیزی که یادگیری عمیق در آن تبحر دارد.
همانطور که اسطوره هوش مصنوعی، جف هینتون در اظهارات مشهور سال 2016 خود اعلام کرد: «دیگر باید تربیت رادیولوژیست را متوقف کنیم. کاملاً واضح است که طی 5 سال آینده، یادگیری ماشینی، ممکن است عملکردی بهتر از رادیولوژیست ها داشته باشند»
چند شرکت نوپا طی چند سال گذشته شکل گرفته اند تا تجزیه و تحلیل تصاویر پزشکی را خودکار سازند. از برجسته ترین آنها میتوان به Caption Health، PathAI، Paige، و Zebra Medical Vision اشاره کرد.
علیرغم صدها میلیون دلار سرمایه ای که به این حوزه تزریق شده، فنآوری مذکور هنوز مورد پذیرش عام قرار نگرفته است. چالش بزرگ شرکتهای هوش مصنوعی این بوده که مراقبان بهداشتی را متقاعد کنند تا روند کار خود را تغییر داده و بتوانند این راهکارها را در مقیاس گسترده به کار بگیرند –به خصوص با توجه به اینکه این مورد مصرف، بسیار مستقیم پزشکان انسانی را با خطر منسوخ شدن مواجه میکند.
جذب و متعهد کردن بیمار
حوزه ی دیگری که هوش مصنوعی در آن ارائه ی مراقبتها را بهبود خواهد بخشید، جذب و متعهد کردن بیمار است؛ یعنی بخش بسیار مهمی از فرآیند مراقبت های بهداشتی.
پیشرفتهای اخیر در پردازش زبان طبیعی، وجود رابطه ای کاربری تعاملی بر مبنای هوش مصنوعی را ممکن ساخته است، رابطه هایی که میتوانند غربالگری و مراقبت از بیمار را خودکار کنند. مثلاً، بیماران میتوانند علائم خود را اظهار کرده و از طریق پیام متنی، سؤالاتشان را بپرسند تا در پاسخ، راهنمای بالینی خودکار دریافت کنند. به همین شکل، هوش های مصنوعی را میتوان به شکلی توسعه داد که دائماً با بیماران در ارتباط بوده و اطمینان یابند که آنها اصول درمانی خود را رعایت کرده و به آن متعهد هستند.
استفاده از هوش مصنوعی برای خودکارسازی این تعاملات هزینه‌ها را به طرز فاحشی کاهش داده و با ارائه راهنمایی تخصصی بهداشتی، بدون نیاز به زمان گران‌قیمت پزشکان انسانی، دسترسی به مراقبتهای بهداشتی را برای همگان ممکن خواهد ساخت.
«چت-بات»ها در سال های اخیر، انتقادات زیادی برانگیخته و به وعده‌های خود عمل نکرده‌اند. اما فنآوری NLP (برنامه‌ریزی عصبی-زبان‌شناختی) در حال حاضر با سرعت سرسام‌آوری در حال پیشرفت کردن است، و امکانات تازه‌ای را پیش روی هوش مصنوعی جنجال‌برانگیز قرار داده است.
بسترهای گفتگومحور، زمانی بیشترین اثرگذاری را دارند که هدف-محور بوده و برای مصرف خاصی ایجاد شوند (مثلاً متعهد کردن بیمار) و در زمان مناسب، یک انسان (مثلاً پزشک) را در جریان قرار دهند. انتظار میرود که رابطه ناهمگام مراقب/بیمار، طی سالهای آتی بیش از پیش خودکار شود.
غول این عرصه، Babylon Health است که سرمایه‌ای شگفت‌انگیز به ارزش 635 میلیون دلار، عمدتاً از صندوق سرمایه‌گذاری دولتی عربستان سعودی جذب کرده است. شرکتهای نوپای دیگر، ساختن ابزارهایی برای خودکارسازی جذب بیمار و برقراری ارتباط روی آورده اند، مثل Buoy، Gyant، Curai، و Memora.
به گفته نیل خوسلا، مدیرعامل Curai، «کل انقلاب رایانشی بدون تغییر دادن نحوه ارائه و دریافت مراقبتهای بهداشتی برای ما، رخ داده است. هوش مصنوعی و برنامه‌ریزی عصبی-زبان‌شناختی این قابلیت را دارند که دسترسی به مراقبتهای اولیه باکیفیت را بسیار بالا برده، و آن را با هزینه‌ای کمتر در اختیار افراد بیشتری قرار دهند.
این آرمان ماست: دنیایی که تمام ساکنانش بتوانند به بهترین مراقبتهای بهداشتی اولیه دسترسی داشته باشند.»
بهداشت و درمان از راه دور
کووید 19 سرعت پذیرش بهداشت از راه دور را به شدت بالا برده است: ارائه خدمات بالینی به بیماران از راه دور به جای رو در رو، با استفاده از ابزارهای دیجیتال. هرچند این همه گیری به عنوان یک کاتالیزور/کنشیار کوتاه-مدت عمل کرده، اما بسیاری از متخصصان بر این باورند که بهداشت و درمان از راه دور، در حال تبدیل شدن به یک ستون دائمی و مهم در ارائه مراقبتهای بهداشتی است.
مک کینزی برآورد میکند که در سالهای پیش رو، فقط در ایالات متحده، بالغ بر 250 میلیون دلار از هزینه های مراقبتهای بهداشتی، مجازی خواهند شد.
امروزه، پزشکی از راه دور اغلب در گفتگوی تصویری با یک پزشک خلاصه میشود. این جلسات از راه دور، ارزشمند اما ناقص و ابتدایی هستند. پزشکی از راه دور، تنها زمانی تمام قابلیت های خویش را تحقق میبخشد که از پشتوانه یادگیری ماشینی و حسگرهای درست برخوردار باشد.
چندین شرکت خوش آتیه، روی حل کردن این چالش کار میکنند:
Eko بستری متشکل از حسگرهای اختصاصی و الگوریتم های یادگیری ماشینی ساخته که میتوانند از راه دور علائم حیاتی قلبی-ریوی بیماران را رصد و بیماریهای قلبی-ریوی را زودتر تشخیص دهند. هوش مصنوعیِ Eko در شناسایی مشکلات قلبی، عملکردی بسیار دقیقتر و صحیحتر از پزشکان انسانی دارد که از گوشی طبی استفاده میکنند. مثلاً، پزشکان عمومی، فیبریلاسیون دهلیزی را با صحت و دقت 70-80% تشخیص میدهند، درحالی که الگوریتم های Eko این کار را با دقت 99% انجام میدهند.
کانر لندگراف مدیرعامل Eko میگوید «ما میتوانیم با ارائه داده های تحلیلی از ده ها هزار آزمایش بیمار در گذشته، در عرض چند ثانیه، قضاوت پزشک در تشخیص های قلبی-ریوی را بهبود بخشیم. این الگوریتم ها در هر جایی از جهان در دسترس بوده، و امکان مراقبت بهتر از بیماران را فارغ از محل سکونتشان فراهم میسازند.»
در همین راستا، Aluna راهکاری ارائه میدهد که با استفاده از یک دستگاه تنفس سنج ساده، به بیماران اجازه میدهد خیلی راحت، از همان خانه، وضعیت سلامت ریوی خود را ارزیابی کنند. Aluna با اِعمال یادگیری ماشینی بر روی داده های تنفس سنج، آسم و فیبروز کیستیک را در زمان واقعی رصد کرده و شرایط ریوی نگران کننده را هشدار میدهد.
شرکتهایی مثل Biofourmis، Current Health، و Myia هم راهکارهای هوش مصنوعی و حسگر ارائه داده اند که پزشکان را قادر به بررسی وضعیت سلامتی بیمار در سطوح جزئی میکند.
فرقی نمیکند که بیمار در کدام نقطه از جهان باشد؛ فنآوری هایی از این دست، بیش از پیش مرز میان معاینات «بالینی» و کنترل روزانه سلامتی را محو کرده و مراقبت های بهداشتی با این فرآیند را مقرون به صرفه تر و دردسترس تر می سازند.
مراقبت در بیمارستان
پزشکی از راه دور هرچقدر هم که نویدبخش باشد، باز هم برای برخی اقدامات پزشکی ملاقات حضوری لازم است. هوش مصنوعی، کار پزشکان انسانی را از جهات مختلف، در بیمارستان ها بهبود خواهد بخشید.
به عنوان مثال، Gauss Surgical از دید رایانه ای به منظور رصد کردن خون ریزی طی زایمان استفاده میکند. تخمین بصری پزشکان انسانی از شدت خونریزی، به شدت نادرست است.
خونریزی دلیل اصلی و البته قابل پیشگیری مرگ ومیر مادران باردار محسوب میشود. در یک نظام بیمارستانی، راهکار هوش مصنوعی Gauss به 4 برابر شدن افزایشِ تشخیص خونریزی و کاهش 34% مداخلات دیرهنگام در جلوگیری از خونریزی، منجر شد.
به عنوان مثالی دیگر، میتوان به Medical Informatics اشاره کرد:
شرکتی واقع در بوستون که از یادگیری ماشین و تجزیه و تحلیل داده های به دست آمده از مانیتورهای کنار تخت ها، ونتیلاتورها، EMR (پرونده های پزشکی الکترونیک) بیمار و منابع اطلاعاتی گوناگون، برای نظارت بر سلامت بیماران در تخت های بیمارستانی بهره میگیرد.
حتی اگر راهکارهای هوش مصنوعی مثل این هرگز جایگزین تصمیم گیری بالینی انسانی نشده و تنها به عنوان ابزارهای اضافه به خدمت گرفته شوند، باز هم قابلیت بهبود فاحش نتایج درمان و نجات دادن زندگی افراد را دارند.
پزشکی دقیق
از یک لحاظ، پزشکی دقیق، اوج قله توقعاتی است که از هوش مصنوعی برای بهبود سلامت انسان میرود. چشم انداز پزشکی دقیق، جاه طلبانه تر، چالشهای فنی آن پیچیده تر و اثرگذاری احتمالی اش بزرگتر از هر برنامه دیگری است که در اینجا بررسی شد.
به طور خلاصه، حوزه پزشکی دقیق امیدوار است بتواند درمان هایی ارائه دهد که براساس ژنتیک و زمینه محیطی و رفتاری خاص هر بیمار، ویژه همان فرد طراحی شده باشند.
پزشکی دقیق مفهوم تازه ای نیست، اما اختراع «کلان-داده» به خصوص داده های ژنتیکی، و یادگیری ماشینی مدرن، تحقق کامل قابلیت های آن را ممکن ساخته است. به خاطر فراوانی حسگرها، دستگاه های متصل به اینترنت، EHRها/ پرونده های سلامت الکترونیک، تعیین توالی ژنتیک در حجم زیاد، رایانش ابری، و دیگر فنآوری های دیجیتال، در حال حاضر، هر روز حجم سرسام آوری از داده های بسیار جزئی پیرامون بهداشت و سلامت گردآوری میشود. امسال چند تریلیون گیگابایت داده سلامت به دست خواهد آمد، رقمی که تا همین چند سال پیش غیرقابل تصور بود.
پیش فرض پزشکی دقیق این است که اگر یک سیستم رایانشی، کل ژنوم، مشخصات متابولیک، ترکیب میکروبیوم، تغذیه، میزان تحرک و ورزش، مقدار خواب و هزاران نقطه داده دیگر درمورد شما را بداند و بتواند مسیر یک بیماری خاص در بدن شما را تا سطح مولکولی بفهمد؛ آن وقت میتواند تمام این اطلاعات را ادغام کرده و یک رژیم دارویی و یا رفتاری تهیه کند که مخصوص شما و برای بهینه سازی واکنش بدن شما طراحی شده باشد.
هیچ انسانی هرگز قادر به فشرده کردن چنین داده های کمرشکن و تشخیص الگوی پنهان در آنها نیست. هوش مصنوعی برای اولین بار چنین کاری را -حداقل در حد نظریه- ممکن کرده است.
برجسته ترین شرکتی که این چشم انداز عالی از پزشکی دقیق براساس هوش مصنوعی را دنبال میکند، Tempus است. Tempus رقم درشت 620 میلیون دلاری از سرمایه گذارانی مثل NEA و T. Rowe Price دریافت کرده است. این شرکت بر روی درمان سرطان متمرکز شده، هرچند اخیراً منابعی را به مبارزه علیه کووید 19 اختصاص داده است.
دیگر شرکتهایی از این دست که کمک های مالی خوبی دریافت کرده اند، Syapse و GNS Healthcare هستند.
پزشکی دقیق، دهه ها یک احتمال وسوسه انگیز اما تحقق نیافته بود. زمان به ما خواهد گفت که آیا هوش مصنوعی همان کلیدی است که می تواند قفل قابلیت های وسیع آن را بگشاید یا خیر.
کارهای اداری
شاید به کارگیری هوش مصنوعی برای جنبه اداری بهداشت و درمان، در مقایسه با موارد مصرف علوم بالینی یا زیستی، عجیب به نظر برسد. اما فرصت عظیمی برای ارزش آفرینی در این حوزه وجود دارد.
همانطور که همه افرادی که با نظام بهداشت و درمان سروکار داشته اند میدانند، این نظام گرفتار اسراف و ناکارآمدی است. هر سال، فقط در آمریکا بیش از 600 بیلیون دلار صرف کارهای اداری و صدور صورت حساب میشود. در سالهای پیش رو فقط با منطقی کردن و ساده سازی اقدامات صورت گرفته در حوزه بهداشت و درمان، بیلیونها دلار آزاد خواهد شد. در اینجا هوش مصنوعی میتواند نقشی کلیدی ایفا کند.
عملیات تأمین
هر وقت که بیماری با یکی از مراقبین بهداشت و سلامت تعامل برقرار میکند، دو جین فرآیند پشتیبانی در پس زمینه رخ میدهد: تشکیل پرونده ی بیمار، احراز هویت، پردازش ادعاها، صدور صورتحساب، تجویز دارو، مدیریت زنجیره ی تأمین، و موارد دیگر. امروزه این کارها به شکل دستی انجام شده و امکان بروز خطا در آنها وجود دارد.
تعداد قابل توجهی از شرکتها، یادگیری ماشینی را برای خودکارسازی بسیاری از این وظایف محوری به کار میبرند:
شاید پرسروصداترین آنها Olive باشد که 125 میلیون دلار از سرمایه گذارانی مثل General Catalyst و Khosla Ventures دریافت کرده است. Notable Health رقیب جدیدتری با همین مأموریت است. با بهره گیری از باتهای نرم افزاری و دید رایانه ای میتوان راهکارهای این شرکتها را به منزله خودکارسازی روباتیک فرآیند (RPA) در نظر گرفت که مخصوصاً برای موارد مصرف بهداشتی ساخته شده اند.
یکی از کاربردهای اداری چالش برانگیز و مهم برای مراقبین بهداشتی، مدیریت چرخه درآمد (RCM) است. RCM به مجموعه فرآیندهایی اطلاق می شود که مراقبین برای ردگیری و دریافت پرداخت های انجام شده در ازای خدمت رسانی به بیماران به کار میبرند.
به علت ساختار پرداخت کننده شخص ثالث در آمریکا و هزارتوی نظام بازپرداخت این کشور، جریان های مالی در نظام بهداشت و درمان پیچیده شده اند. ذینفعان متعددی در این جریان دخیل اند: تأمین کنندگان، بیماران، بیمه گران خصوصی، نهادهای حاکمیتی، کارفرمایان. خطاهای دفتری و تأخیرهای هزینه زا، امری شایع است. برآورد میشود که 21.3 بیلیون دلار فقط در سال 2017 در آمریکا صرف نت مبتنی بر قابلیت اطمینان (RCM) شده باشد.
هوش مصنوعی از فرصت خوبی برای روشمند کردن و خودکارسازی مدیریت چرخه درآمد برخوردار است تا آن را سریع تر، ارزان تر، و دقیقتر کند. یک شرکت نوپای خوش آتیه که بر RCM متمرکز شده، Alpha Health نام دارد.
چالش اداری مهم دیگر برای تأمین کنندگان، خدمت رسانی بیمارستان به بیمار و تخصیص منابع است. بیمارستان ها نظام پیچیده ای دارند، و بیماران و پزشکان دائماً در واحدهای خود حرکت میکنند. حاشیه ی سود بسیار اندک بیمارستان ها به هماهنگی این جریانها به شکلی مؤثر بستگی دارد. هرچند آنها در حال حاضر اصلاً بهینه نیستند. بالغ بر 25% از روزهای بستری بودن بیماران در ICU غیرضروری است؛ طبق برآوردها 15% از کل تخت های اشغال شده بیماران، به خاطر مدیریت ناکارآمد پذیرش بیماران به هدر میرود. این دقیقاً همان نوعی از مسئله بهینه سازی غنی از داده است که هوش مصنوعی در آن تبحر دارد.
Qventus شرکتی است که از هوش مصنوعی برای رسیدن به نتایج عملیاتی بهتر در بیمارستان ها بهره میگیرد. این شرکت ادعا میکند که فنآوری اش، بیمارستانها را قادر ساخته تا 30% روزهای اضافیِ سپری شده در بیمارستانها، 20 درصد زمان انتظار بیمار در اورژانس تا ملاقات با پزشک و به طور میانگین 0.8 روز طول زمان اقامت در بیمارستان را کاهش دهند. این کارآمدی های عملیاتی، به معنای تجارب بهتر بیمار و بهبودی قابل توجهِ اصول نظام های سلامت است.
درنهایت، هوش مصنوعی میتواند با خودکارسازی رعایت مقررات، سود فراوانی در پی داشته باشد. بهداشت و درمان به دلایل درستی، در میان همه ی صنایع، یکی از مقرراتی ترین هاست. پیگیری و اطمینان از پایبندی به ملزومات قانونی و مقرراتی فراوانی که کادر درمان باید به آنها مقید باشند، چالش برانگیز و هزینه بر است.
دو مسئله مهم، حفظ حریم خصوصی بیمار و مدیریت داروهاست. در هر دو مورد، یادگیری ماشینی میتواند نقشی کلیدی در خودکارسازی اقدامات لازم برای رعایت قانون مثل تشخیص نقض قانون و رسیدگی به آن ایفا کند – بدین ترتیب از بیماران محافظت کرده، هزینه ها را پایین می آورد و به پزشکان اجازه میدهد که انرژی خود را روی مراقبت از بیماران متمرکز سازند. یکی از شرکتهایی که در این رده قابل توجه است، Protenus نام دارد.
زیرساخت داده ها
یکی از چالشهای اساسی موجود بر سر راه نظام بهداشتی بهتر، داده های بسیار پراکنده آن است. محدودیتهای نظارتی سخت، معماری قدیمی نرم افزاری، و انگیزه های ناهماهنگ افراد ذینفع، همگی اشتراک گذاری و همکاری داده های ارزشمند را تضعیف میکنند. امروزه، فراهم ساختن تصویری کامل از سلامت یک بیمار، اثربخشی یک درمان جدید یا الگوهای سلامت یک جامعه، به طرز اجتناب ناپذیری سخت است.
ذخایر داده در حوزه بهداشت و درمان، فقط یک بار بوروکراتیک نیستند. آنها جلوی پیشرفت در تحقیقات پزشکی را گرفته و مانع ارائه مراقبت های درست به بیماران درست در زمان درست میشوند، که درنهایت، به بهای زندگی آنها تمام میشود.
این یک چالش گسترده و چند بعدی است. تعدادی از شرکتهای بزرگ، به ابعاد مختلف این چالش پرداخته اند. این شرکتها از محصولات متنوع و راهبردهای متفاوتی برای ورود به بازار بهره میگیرند اما در یک رویکرد جامع با هم اشتراک دارند: از بین بردن موانع داده به منظور رسیدن به پیامدهای بهداشتی بهتر.
از آنجا که یادگیری ماشینی در مجموعه داده های عظیم شکوفا میشود، این راهکارها زمینه لازم برای نوآوری بی حد و مرز هوش مصنوعی در آینده را فراهم میسازند. یک زیست بوم داده یکپارچه تر، امکان بروز کاربردهای جدید و بیشمار هوش مصنوعی در مراقبت های بهداشتی را فراهم میسازد که اکثر آنها هرگز تصور نمیشدند.
مستندات پزشکی
آخرین حوزه اداری که هوش مصنوعی در آن آمادگی ارزش آفرینی گسترده ای را دارد، ثبت اسناد پزشکی است. یادداشت برداری از ملاقات با بیماران، بخش قابل توجهی از زندگی کاری پزشکان را به خود اختصاص میدهد. در عصر پرونده های بهداشتی الکترونیک (EHRها)، این مسئله به مشکلی واقعی تبدیل شده است.
اخیراً AMA در مطالعه ای دریافت که یک پزشک وظیفه متوسط، روزانه 5.9 ساعت از وقت خود را مستقیماً صرف EHR میکند. امروزه با وجود رایانه در هر اتاق معاینه، این نگرانی گسترده در حرفه پزشکی مطرح است که مبادا پزشکان حین ملاقات با بیمار آنقدر محو صفحه کلید خود شوند که نتوانند ارتباط کاملی با او برقرار کنند.
یادگیری ماشینی میتواند حجم زیادی از این بار را از روی دوش پزشکان برداشته و امکان وقت گذاشتن بیشتر آنها برای بیماران، و صرف وقت کمتر پای صفحه نمایش را فراهم سازد.
فنآوری های محوریِ پردازش زبان طبیعی و تشخیص گفتار طی چند سال اخیر بهبود فاحشی داشته اند، هرکس که از Alexa یا Siri استفاده میکند، این مسئله را تصدیق خواهد کرد. این فنآوری، امکان توسعه راهکارهای صوتی را فراهم ساخته که پزشکان میتوانند به جای وارد کردن دستی EHR، به صورت شفاهی مطالب را دیکته کنند. میتوان این راهکارها را به شکلی ساخت که به طور خودکار در چارچوب های کاری موجود، و نرم افزارهای EHR مثل Epic یا Cerner ادغام شوند.
به این شکل بازدهی به شدت بالا میرود. Augmedix ادعا میکند که این راهکار صوتی، روزانه 2 تا 3 ساعت در وقت پزشکان صرفه جویی میکند. Suki، رقیب دیگری در این حوزه، میگوید که هوش مصنوعی اش، یادداشت های 100 درصد درستی به دست داده و پزشکان را قادر میسازد تا 76% سریعتر یادداشتهایشان را تکمیل کنند. در مجموع، تأثیر این فنآوری ها که در کل سیستم های بهداشتی تکثیر شده اند، فوق العاده است.
امروزه این راهکارها هنوز برای کنترل کیفیت به حضور انسانها در چرخه نیاز دارند؛ فنآوری های گفتاری و NLP هرچند تأثیرگذار، اما هنوز ناقص هستند. با ادامه یافتن بهبود هوش مصنوعیِ زیربنای این فنآوری ها، نیاز به مداخله ی انسانی، کمتر و کمتر خواهد شد –و این به معنای بازدهی بیشتر و صرفه جویی در هزینه ها خواهد بود.
نتیجه گیری
مراقبت بهداشتی، بخش لاینفک زندگی شخصی و خانوادگی ماست که هیچ بخش اقتصادی دیگری اینچنین نیست. از این رو، امروزه عدم کارایی سیستم مراقبت های بهداشتی بسیار نگران کننده شده است.
هیچ فنآوری ای نمیتواند در حکم گلوله ای نقره ای برای سیستمی به پیچیدگی نظام بهداشت و درمان مدرن باشد. البته هوش مصنوعی، بیش از هر نیروی دیگری در جهان، توانایی بازنویسی قوانین بازی را به ما میدهد. اگر هوش مصنوعی با دقت و هوشمندانه به کار گرفته شود می تواند محدودیت ها و پیش فرض هایی که مدتهاست درمورد نحوه کار سیستم بهداشت و درمان پذیرفته شدهاند، زیر و رو کرده و بازتعریفی از رابطه میان هزینه، دسترسی و کیفیت ارائه دهد، همان رابطه ای که امروزه به شدت از هم گسیخته است.
هرگز برای کارآفرین بودن در حوزه بهداشت و درمان، زمانی بهتر از این وجود نداشته است.سلامت نیوز
