
اخیرا و به واسطه ی خوشفکری هایی که بچه های تیم NAIRG و استادم در UBC داشتن نگاهی تازه به ارتباط بین علوم پزشکی و تکنولوژی هایی مثل هوش مصنوعی و فناوری های نوین پیدا کردم. قضیه از این قراره که بشر در طول سالیان اخیرا سعی کرده که با قدرت رایانه ها مسائل بزرگی رو در دنیای پزشکی حل بکنه و خب بر روی کاغذ همینطوره و نتیجه ی مطالعات واقعا این رو تایید میکنن. الگوریتم ها، نرم افزار ها، و سخت افزار هایی که میتونن بیماری رو بسیار سریعتر و بهتر از پزشک ها تشخیص بدن، پیش آگهی اونهارو مشخص کنن، درمان مناسب رو پیشنهاد بدن و بسیاری از کارهایی که تا همین اخیرا امکانپذیر نبود. اما همونطور که گفتم بسیاری از این نوآوری ها در حد همان مقاله ها و نوشته ها باقی ماندن و هیچوقت راه خودشون رو به مطب پزشکان و بیمارستان ها باز نکردن.
اینکه چرا همه ی نوآوری ها، صرف نظر از میزان عملکرد و دقت اونها به بازار و نهایتا در خدمت پزشکان و کارکنان سلامت و بیماران قرار نمیگیرن یک مسئله ی ساده و تک وجهی نیست. و حتی مسئله ی جدید و صرفا محدود به حوزه ی پزشکی هم نیست. از زمانی که بشر به صورت سیستماتیک و براساس شواهد و ارائه ی فرضیه و نظریه ها شروع به بررسی طبیعت اطرافش کرد و براساس یافته های خودش شروع به ساختن و پرداختن ایده ها و نوآوری های جدید کرد و اونها رو در مقالات آورد، همه ی اون دستاورد ها به محصول نهایی تبدیل نشدن و برای همیشه به شکل جوهر بر روی صفحات باقی موندن. اما در علوم پزشکی و سلامت در مورد این چالش اخیرا بیشتر صحبت شده. حجم زیاد مقالات و کمبود هایی که همچنان وجود دارند، بیشتر افرادی که در حوزه های مختلف سلامت و پزشکی صاحب نظر هستند رو به این فکر فرو برده که چرا مقالات و ایده های ما کمکی به حل مشکلات و کمبود های این علوم نمیکنن. تا جایی که بر اساس مقالات به طور متوسط ۱۷ سال طول میکشه که مقالات و دانسته های ما در علم پزشکی به مرحله ی عمل برسن که ۷۰ درصد اونها هم هیچگاه کامل و موفقیت آمیز تبدیل به روتین نمیشن.
به دنبال بررسی این مشکلات، اخیرا مفهومی به اسم Implementation science (IS) پررنگ شده و در واقع در متون مختلف اون رو علمی در تلاش برای پیدا کردن فاصله ی بین دانسته ها و عمل شده ها یا به عبارتی know do gap میدونن. علمی که سعی میکنه با روش های مختلف چالش هایی که همه ی ذی نفعان یک نوآوری برای پیاده سازی اون نواوری دارن رو پیدا کنه و اونها رو حل کنه. در واقع سعی میکنه بفهمه که یک نوآوری چقدر در بین این ذی نفعان مفیده، چقدر قابل استفادس، چقدر امنه، چقدر بیطرف و اخلاقیه و چندین تا چقدر دیگه. و وقتی در مطالعه ای به این نتیجه رسید که احتمالا در یک نواوری برای پیاده سازی نقصانی وجود داره سعی میکنه راهکاری ارائه بده برای حل اون. و یا اینکه سازندگان یک نوآوری و یا کسانی که میخوان یک نوآوری رو پیاده سازی کنن قبل از هرکاری میتونن اون رو از فیلتر IS رد کنن و ببینن که آیا چالشی برای پیاده سازی وجود داره یا نه. پایین تر میتونید این چالش هارو به صورت دسته بندی شده تری ببینید.

اما این یک مسیر با یک بلیط یک طرفه نیست. بعد از اینکه ما چالش هارو پیدا کردیم زمان تغییر فرامیرسه و براساس چالش های موجود راه حل هایی ارائه میشه، تغییرات در ساختار نوآوری اعمال میشه و بعد مجددا با استفاده از IS تلاش میکنیم ببینیم که آیا همچنان در مسیر پیاده سازی چالشی وجود داره یا نه.
اما چطور ما متوجه این چالش ها میشیم. روش های زیادی برای این کار وجود داره از جمله پرسشنامه ها، مصاحبه های حضوری، و روش های نوینی مثل concept mapping. کاری که ما در یکی از آخرین مقالات خومون کردیم این بود که از همین روش کانسپت مپینک استفاده کردیم تا بتونیم چالش هایی که در پیاده سازی دستاورد های نوین در حوزه ی تشخیص در تصاویر پزشکی هست رو مشخص کنیم. ما اول با ۱۲ پزشک که متخصص های رادیولوژی هم بین اونها بودن، در جلساتی دو ساعته صحبت کردیم و با سوالاتی باز از اونها در مورد چالش هاشون در به کار گیری فناوری های نوین مثل هوش مصنوعی در تشخیص تصاویر پزشکی پرسیدیم. بعد جواب های اونها رو در جملاتی خلاصه کردیم و بعد از اونها خواستیم این جملات رو دسته بندی کنن و بعد ما با استفاده از نرم افزار های مخصوص دسته بندی های مختلف رو تحلیل کردیم و به ۱۱ چالش عمده در این مسیر رسیدیم که شامل شکافهای زیرساختی، محدودیت در انطباق با ویژگیهای اختصاصی هر مدالیته، ابهامات اخلاقی و حقوقی، سواد ناکافی در حوزه هوش مصنوعی، و مقاومت متخصصان در برابر پذیرش آن است.

بالاتر میتونید مجموعه ای از نمودار ها و نتایجی که در مقاله به دست آوردیم رو ببینید و امیدوارم زودتر مقاله چاپ بشه و بتونید کل اون رو در IEEE transactions بخونید.