به گزارش ایسنا، هوش مصنوعی هنوز در مراحل ابتدایی خود است، اما برخی از الگوریتمها در حال حاضر همتراز با پروتکلهای استاندارد مراقبتی توسعه یافته توسط انسان برای مدیریت بیماری و گاهی نیز بهتر از آنها عمل میکنند. هوش مصنوعی خود را با عملکرد انسان در کارایی و دقت طبقهبندی سرطان پوست و در روشهای تشخیصی تصویربرداری پزشکی مطابقت داده است. با این حال، ضعف این یافتهها این است که اکثر این مدلها به صورت گذشتهنگر آزمایش شدهاند و فاقد مطالعات پزشکی کنترلشده تصادفی هستند. همین امر در مورد صدها دستگاه پزشکی مجهز به هوش مصنوعی که توسط سازمانهای نظارتی تأیید شدهاند، مشکلساز میشود، اگرچه فاقد مطالعات کنترلشده تصادفی هستند.
به نقل از اساف، یک مثال مدل اپیک سپسیس(Epic Sepsis) است، یک مدل پیشبینی اختصاصی برای سپسیس یا گندخونی که عفونتی در کل بدن است که با آزمایشهای خون تشخیص داده میشود. این مدل در صدها بیمارستان ایالات متحده استفاده میشود، اما به اندازه کافی آزمایش نشده است و توانایی ضعیفی از خود در شناسایی بیماران سپتیک نشان داده است.
بررسی استفاده از هوش مصنوعی در رادیولوژی نشان داد که مطالعات کمی به نگرش رادیولوژیستها و پزشکان نسبت به پذیرش نوآوریهای هوش مصنوعی پرداختهاند. اینها تنها برخی از مسائل عدم قطعیت در مورد استفاده از سیستمهای هوش مصنوعی در محیط بالینی است.
به منظور درک واضحتر از هوش مصنوعی در پزشکی، در یک بررسی گسترده ارزیابی شد که چه مطالعات تصادفی برای الگوریتمهای هوش مصنوعی در دسترس بوده که قبل از سال ۲۰۲۳ در شرایط بالینی استفاده شده است. این تجزیه و تحلیل پتانسیل هوش مصنوعی را برای بهبود مراقبت، ترکیب رفتار و علائم بیمار و کارایی تصمیمگیری بالینی بررسی کرد. همچنین مناطقی را شناسایی کرد که به تحقیقات بیشتری نیاز دارند.
این بررسی شامل ۸۶ مطالعه تصادفی بود که عمدتا بر روی گوارش(۴۳ درصد) متمرکز بودند، پس از آن ۱۱ مطالعه در مورد رادیولوژی(۱۳ درصد)، پنج مورد در مورد جراحی(۶ درصد) و پنج مطالعه در مورد قلب(۶ درصد) قرار داشتند. از ۸۶ مطالعه تجزیه و تحلیل شده، تنها ۱۸ مطالعه تصادفی شده اثر هوش مصنوعی را بر مدیریت کیفیت مراقبت در عمل بالینی ارزیابی کردند.
برخی از یافتههای مطلوب در مدیریت بیماری با پیادهسازی سیستمهای هوش مصنوعی:
ارائه دوز بهینه انسولین و بهبود میانگین زمان صرف شده در محدوده هدف برای گلوکز خون.
بهبود میانگین زمانی که بیماران در محدوده هدف فشار خون سپری میکنند.
کاهش حجم تومور پروستات در پرتودرمانی
پیشبینی خطر ابتلا به رتینوپاتی دیابتی که عارضهای است که عمدتا در افراد مبتلا به دیابت یافت میشود و میتواند منجر به نابینایی شود.
کاهش نمرات درد پس از عمل
پیشبینی مرگ و میر ناشی از سرطان
تسهیل شناسایی بیماران مبتلا به فیبریلاسیون دهلیزی که در معرض خطر بالای سکته بودند.
مطالعات تصادفی هوش مصنوعی در درجه اول زمینههای گوارش، رادیولوژی، جراحی و قلب را بررسی کردند. مطالعات نسبتا کمی در مورد مراقبتهای اولیه که پایه و اساس همه تخصصهاست، وجود دارد. فقدان اطلاعات در این زمینه به آنچه ممکن است بزرگترین حوزه مورد نیاز برای تحقیقات آینده باشد اشاره دارد.
بیشتر مطالعات در کشورهای جداگانه، در درجه اول ایالات متحده و پس از آن چین انجام شده است. به گفته نویسندگان، این دادهها بر نیاز به همکاری بینالمللی بیشتر و آزمایشات چند مرکزی تاکید دارند. این امر به اطمینان از تعمیمپذیری سیستمهای هوش مصنوعی در میان جوامع و سیستمهای مراقبت بهداشتی مختلف کمک میکند.
این یافتهها به ما چه میگویند؟ اینکه هوش مصنوعی میتواند مراقبتهای بهداشتی را افزایش دهد، اما راه بسیار طولانی در پیش است.
انتهای پیام
نظرات