کارشناسان میگویند هوش مصنوعی میتواند به بهبود تنوع، برابری، و گنجاندن در آزمایشهای بالینی و توسعه دارو با غلبه بر برخی تعصبات سنتی انسان در این زمینهها کمک کند، اما کارشناسان میگویند که ما هنوز به آن دست نیافته ایم. این فناوری همچنین میتواند به پزشکان در بینش دادهها برای دقیقتر کردن تشخیص و درمان کمک کند.
هوش مصنوعی (AI) برای ایجاد الگوریتمها (یا دستورالعملهای رایانهای) برای توسعه بهترین شیوهها و پیشبینیها، بر مقادیر زیادی داده متکی است؛ اما دستورالعمل ها فقط به اندازه داده هایی هستند که برای ایجاد آنها استفاده می شود و مردم هستند که داده ها را ایجاد می کنند.
ناهید کورجی، رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبتهای بهداشتی، میگوید: «اساس توسعه فناوریهای هوش مصنوعی، افراد هستند و آن افراد تعصبات خاص خود را دارند. در نتیجه، الگوریتم ها سوگیری های خاص خود را خواهند داشت.» فناوری که از گفتار برای تشخیص بیماری استفاده می کند نمونه ای از آن است.
کورجی میگوید: «موارد زیادی وجود دارد، مثالهایی که شرکتها نتوانستهاند تفاوتهای گفتار در فرهنگهای مختلف را تشخیص دهند. وقتی فناوری مبتنی بر الگوهای گفتاری جمعیتی محدود است، وقتی آن مدل در دنیای واقعی برای جمعیتی متفاوت با لهجه متفاوت اعمال می شود،شکست می خورد.» “در نتیجه، این نماینده نیست.”
مثال دیگر داده های ژنتیکی و ژنومی است.
بیش از ۹۰ درصد از داده های ژنتیکی و ژنومی از مردم اروپایی تبار منشاء گرفته است. کورجی، که همچنین رئیس و مدیر عامل Cyclica Inc، یک شرکت کشف دارو مبتنی بر داده مستقر در تورنتو است، میگوید: «این شامل افراد قاره آفریقا، آسیای جنوب شرقی، آسیا یا آمریکای جنوبی نمی شود»
بنابراین، «بسیاری از تحقیقاتی که در آن سطح از دادهها انجام شده است، ذاتاً مغرضانه هستند».
منصف بودن
ایجاد داده هایی که تنوع، برابری و افراد و فرهنگ های سراسر جهان را در نظر می گیرد، چالش ناامیدکننده ای نیست؛ اما کارشناسان می گویند که زمان می برد. هنگامی که این امر محقق شد، هوش مصنوعی باید به عاری از تعصبات انسانی و سیستمی نزدیک شود.
کورجی میگوید: «راهحل این مشکل از آنجا ناشی میشود که مردم ذاتاً درک میکنند که سوگیری وجود دارد و سپس تنها دادههای منصفانه و متعادل را شامل میشود که آزمون تنوع را با موفقیت پشت سر میگذارند.
انتخاب عاقلانه تر
یکی دیگر از راههای امیدوارکننده برای هوش مصنوعی، سادهسازی فرآیند توسعه دارو، محدود کردن نامزدهای دارویی بالقوه و مقرونبهصرفهتر کردن آزمایشهای بالینی است.
ساستری چیلوکوری، مدیر عامل شرکت آزمایشات بالینی مبتنی بر داده مدیتاتا و بنیانگذار و رئیس هوش مصنوعیAcorn AI، میگوید: «اگر دادههای منبع دارای چالشها و محدودیتهایی هستند، پس هوش مصنوعی به انتشار این محدودیتها ادامه میدهد. داده های منبع باید نماینده بیشتری داشته باشند و باید عادلانه تر شوند تا هوش مصنوعی آنچه را که در حال رخ دادن است منعکس کند.»
آنجلی مولر، دکترا، سرپرست دادهها و ادغامها که بینشهایی را در Roche در برلین ایجاد میکند، میگوید: «وقتی صحبت از تعصبات انسانی یا سیستمی در تولید دارو میشود، اگر بگوییم هوش مصنوعی یا یادگیری ماشینی میتواند آن را برطرف کند، بسیار سادهتر است». اما استفاده مسئولانه از هوش مصنوعی و یادگیری ماشینی میتواند به ما در شناسایی سوگیریها و یافتن راههایی برای کاهش اثرات منفی که ممکن است ایجاد کند، کمک کند.
شرکای خاموش
کارشناسان میگویند در عین حال هدف هوش مصنوعی سادهسازی توسعه دارو است، این فناوری همچنین میتواند به بهبود همه پزشکان در شغلشان کمک کند. برای مثال، هوش مصنوعی با گسترش دانش و تخصص در همه جا، به اشتراک گذاشتن بهترین روشها از پزشکان با تجربه زیاد در بیماران پیچیدهتر کمک میکند. این به راهنمایی کسانی کمک می کند که هر سال فقط چند بیمار از این قبیل را درمان می کنند.
چیلوکوری می گوید که حجم جراحی در شهر نیویورک یا دهلی می تواند به صدها بیمار در سال برسد اما اگر به فضاهای داخلی ایالات متحده مانند نبراسکا بروید، جراح آنقدر حجم بیمار را نمی بیند.
او میگوید هوش مصنوعی میتواند به پزشکان «با ارائه ابزارهایی که به آنها امکان میدهد مراقبتهای درجه یک را با سرعت بسیار بیشتری به همه جمعیت خود ارائه دهند» کمک کند.
افزایش کارایی
هوش مصنوعی میتواند با استفاده از دادهها برای شناسایی بیماران در معرض خطر، به درمان هدفمند کمک کند. کورجی میگوید این فناوری همچنین میتواند برخی از نقاط تنگنا در پزشکی را بهبود بخشد، مانند زمان لازم برای تفسیر تصاویر رادیولوژی.
او خاطرنشان می کند که یک شرکت هوش مصنوعی وجود دارد که «کل مدل کسب و کار آن جایگزینی رادیولوژیست شما نیست، بلکه بهتر کردن رادیولوژیست ها است». یکی از اهداف این شرکت «جلوگیری از مرگ یا بیماری شدید ناشی از اسکنهای رادیولوژی است که از دست رفته اند یا به اندازه کافی سریع برای آن بیمار عمل نمیکنند».
چیلوکوری میگوید رادیولوژیستها آنقدر مشغول هستند که ممکن است تنها ۳۰ ثانیه یا کمتر فرصت داشته باشند تا هر اسکن را تفسیر کنند. هوش مصنوعی میتواند یک ضایعه نگرانکننده بالقوه را علامتگذاری کند، اما همچنین میتواند یک تصویر را با اسکنهای قبلی روی همان بیمار مقایسه کند. این دیدگاه ارائه شده توسط هوش مصنوعی نه تنها در مورد رادیولوژی بلکه در سراسر حوزه های پزشکی مبتنی بر داده ها نیز اعمال می شود.
پیشبرد پزشکی شخصی
چیلوکوری میگوید هوش مصنوعی میتواند رویکرد شخصی را برای جراحی راهنمایی کرده و پیشنهاد دهد؛ «زیرا اینطور نیست که انسانها در ابعاد کوچک، متوسط و بزرگ باشند». این فناوری می تواند به جراحان کمک کند تا دقیقاً محل جراحی هر بیمار را تعیین کنند.
مولر موافق است که هوش مصنوعی پتانسیلی برای تقویت پزشکی شخصی دارد.
مولر که همچنین نایب رئیس هیئت مدیره اتحاد برای هوش مصنوعی در مراقبت های بهداشتی است، می گوید: «هوش مصنوعی می تواند به تشخیص و پیش بینی خطر کمک کند که می تواند به معنای مداخلات زودهنگام باشد. برای مثال این احتمال وجود دارد که او به دلیل ادم ماکولا دیابتی دچار مشکلات چشمی شود؟»
این فناوری همچنین می تواند به بررسی تصویر بزرگ کمک کند.
مولر میگوید: «یادگیری ماشینی میتواند به دنبال الگوهایی در جمعیتی باشد که ممکن است در کتاب پزشکی شما نباشد.»
چیلوکوری پیشبینی میکند که علاوه بر تشخیص و درمان، هوش مصنوعی میتواند با شخصیسازی توانبخشی برای هر بیمار به بهبودی کمک کند.
اینطور نیست که همه افراد دقیقاً به همان روش بازپروری کنند. بنابراین، شما برنامههای هوش مصنوعی کاملاً فردی دارید که به شما امکان میدهد در مسیر خود بمانید و پیشبینی کنید به کجا میروید.»