
تصور کنید بیماری با علائمی به پزشک مراجعه میکند که بهراحتی نمیتوان آنها را به یک بیماری مشخص نسبت داد. نتایج آزمایشها کامل نیستند، چند احتمال مختلف وجود دارد و انتخاب آزمایش بعدی میتواند هم در تشخیص بیماری و هم در هزینه درمان تأثیر بگذارد. آیا هوش مصنوعی میتواند در چنین شرایطی به پزشک کمک کند تا سریعتر و دقیقتر به پاسخ برسد؟
پاسخ این پرسش با پیشرفت تازه مایکروسافت، بیش از گذشته مورد توجه قرار گرفته است. این شرکت در اکتبر ۲۰۲۶ از نتایج جدید سامانه تشخیصی خود با نام MAI-DxO خبر داد؛ سامانهای که برای بررسی مرحلهبهمرحله پروندههای پزشکی طراحی شده است.
نتایج اعلامشده امیدوارکنندهاند، اما یک نکته مهم وجود دارد: عملکرد موفق هوش مصنوعی در ارزیابی پژوهشی به این معنا نیست که میتوان تشخیص بیماری را بدون نظارت پزشک به آن سپرد.
مایکروسافت روی سامانهای به نام MAI-DxO کار میکند. این نام به سامانه هماهنگکننده تشخیص پزشکی هوش مصنوعی اشاره دارد؛ سیستمی که تلاش میکند فرایند استدلال پزشک را در مواجهه با یک پرونده پیچیده شبیهسازی کند.
بسیاری از ابزارهای معمول هوش مصنوعی، وقتی با پرسشی پزشکی روبهرو میشوند، اطلاعات موجود را بررسی میکنند و سپس یک پاسخ ارائه میدهند. اما تشخیص واقعی بیماری معمولاً چنین روند سادهای ندارد.
پزشک ممکن است ابتدا درباره سابقه بیمار سؤال کند، سپس چند بیماری احتمالی را در نظر بگیرد، آزمایش مشخصی درخواست کند و با مشاهده نتیجه، فرضیه خود را تغییر دهد.
MAI-DxO نیز با هدف بازسازی همین روند طراحی شده است. این سامانه میتواند اطلاعات بیشتری درخواست کند، آزمایشهای احتمالی را بررسی کند، نتایج تازه را در تحلیل خود وارد کند و در چند مرحله به تشخیص برسد.
یکی از ویژگیهای مهم آن، هماهنگکردن چند عامل هوش مصنوعی است که مانند یک گروه مجازی از متخصصان، پیشنهادها و فرضیههای مختلف را بررسی میکنند. هدف این است که تصمیم نهایی صرفاً بر پایه اولین پاسخ احتمالی گرفته نشود.
بر اساس گزارشی که مایکروسافت در ۲۲ اکتبر ۲۰۲۶ منتشر کرد، این سامانه در چند مجموعه ارزیابی پزشکی عملکرد قابلتوجهی نشان داده است.
<text><escape></escape></text>
پروندههای پیچیده پزشکی: در ارزیابی ۳۰۴ پرونده پیچیده منتشرشده در مجموعه موارد بالینی مجله پزشکی نیوانگلند، MAI-DxO به دقت تشخیصی ۸۳ درصد رسید. در مقایسه، پزشکان عمومی شرکتکننده در ارزیابی بدون منابع مرجع ۲۲ درصد و با استفاده از کتابهای پزشکی و اینترنت ۳۶ درصد دقت داشتند.
موارد معمولتر اورژانس: در پروندههای برگرفته از پایگاه داده MIMIC-IV-ED، دقت سامانه ۸۰ درصد گزارش شد؛ در حالی که مقدار مقایسهشده برای پزشکان ۴۷ درصد بود.
هزینه بررسیها: پژوهش همچنین نشان داد که برخی تنظیمات این سامانه میتوانند با درخواست بررسیهای کمهزینهتر، دقت بالایی را حفظ کنند.
این اعداد در نگاه اول بسیار چشمگیرند. بااینحال، برای تفسیر درست آنها باید به روش آزمایش توجه کنیم.
این نتایج مربوط به مجموعهای از پروندههای پزشکی و شرایط ارزیابی مشخص هستند، نه یک کارآزمایی گسترده که در آن بیماران واقعی از ابتدا تا انتهای درمان زیر نظر این سامانه قرار گرفته باشند. همچنین نوع پروندهها، میزان اطلاعات در دسترس و شرایط کار پزشکان بر نتیجه مقایسه اثر میگذارند.
بنابراین نمیتوان صرفاً با دیدن این درصدها نتیجه گرفت که هوش مصنوعی در تمام بیمارستانها و برای همه بیماریها از پزشکان دقیقتر است.
تشخیص پزشکی فقط پیدا کردن نام یک بیماری در میان مجموعهای از گزینهها نیست. بخش مهمی از کار، تصمیمگیری درباره اطلاعاتی است که هنوز در اختیار پزشک قرار نگرفتهاند.
برای مثال، خستگی مداوم میتواند دلایل گوناگونی داشته باشد؛ از کمخوابی و کمبود برخی مواد مغذی گرفته تا اختلالات هورمونی یا بیماریهای دیگر. اگر سامانه بدون بررسی شرایط فرد، فقط یک علت را پیشنهاد کند، احتمال گمراهشدن کاربر وجود دارد.
اما یک سامانه تشخیصی مرحلهای میتواند تلاش کند ابتدا اطلاعات ضروری را جمعآوری کند، سپس احتمالهای مختلف را بسنجد و مشخص کند کدام بررسیها برای محدودکردن گزینهها مفیدتر هستند.
این رویکرد سه مزیت بالقوه دارد:
۱. بررسی منظمتر احتمالهای مختلف
سامانه میتواند چند فرضیه را همزمان بررسی کند و بهجای تمرکز زودهنگام روی یک تشخیص، شواهد موافق و مخالف را در نظر بگیرد.
۲. انتخاب هدفمندتر آزمایشها
هر آزمایش هزینه، زمان و گاهی عوارض یا ناراحتی خاص خود را دارد. اگر سامانه بتواند ارزش اطلاعاتی هر آزمایش را بهتر تخمین بزند، ممکن است به کاهش بررسیهای غیرضروری کمک کند.
۳. توجه به اطلاعات تازه
نتیجه یک آزمایش میتواند احتمال یک بیماری را افزایش دهد یا آن را کمتر محتمل کند. سامانهای که در چند مرحله استدلال میکند، باید بتواند با ورود اطلاعات جدید، ارزیابی خود را اصلاح کند.
البته همه این مزایا به کیفیت دادهها، طراحی سامانه و نحوه استفاده بالینی از آن بستگی دارند.
بیماریهای نادر از چالشبرانگیزترین موارد پزشکی هستند؛ زیرا علائم آنها ممکن است با بیماریهای شایع مشترک باشد و گاهی سالها طول بکشد تا تشخیص درست مشخص شود.
هوش مصنوعی میتواند با بررسی حجم زیادی از اطلاعات پزشکی، ارتباطهایی را پیشنهاد کند که بررسی آنها برای پزشک مفید باشد. این موضوع بهویژه زمانی اهمیت دارد که علائم متعدد باشند یا پاسخ روشنی از بررسیهای اولیه به دست نیاید.
عملکرد MAI-DxO در پروندههای پیچیده پزشکی نشان میدهد که چنین سامانههایی ظرفیت قابلتوجهی برای تحلیل موارد دشوار دارند.
بااینحال، یک پرونده پیچیده در یک مجموعه پژوهشی با بیماری که در دنیای واقعی با چند بیماری همزمان، سابقه درمانی نامشخص یا علائم غیرمعمول مراجعه میکند، تفاوت دارد.
همچنین اگر بیماری در دادههای آموزشی و منابع سامانه کمتر دیده شده باشد، ممکن است عملکرد آن ضعیفتر شود. به همین دلیل، آزمایش در جمعیتهای متنوع و شرایط واقعی بیمارستانی ضروری است.
یکی از بخشهای جالب پیشرفت مایکروسافت، توجه به هزینه تشخیص است. گاهی برای رسیدن به یک پاسخ، چندین آزمایش انجام میشود؛ بعضی از آنها ضروریاند و برخی ممکن است اطلاعات چندانی به تصمیم نهایی اضافه نکنند.
اگر یک سامانه بتواند پیشنهاد کند کدام آزمایش احتمالاً اطلاعات مفیدتری فراهم میکند، در آینده ممکن است به استفاده منطقیتر از منابع درمانی کمک کند.
اما کاهش هزینه در یک ارزیابی پژوهشی الزاماً به معنای کاهش هزینه درمان در دنیای واقعی نیست. هزینه نهایی به قیمت آزمایشها، دسترسی به تجهیزات، نیروی انسانی، زمان انتظار، نیاز به تکرار بررسیها و شرایط بیمار بستگی دارد.
حتی یک سامانه بسیار دقیق هم باید بهگونهای طراحی شود که برای صرفهجویی، آزمایش ضروری را حذف نکند یا بیماری مهمی را نادیده نگیرد.
این یکی از رایجترین پرسشها درباره پیشرفتهای جدید پزشکی است. بااینحال، تشخیص بیماری فقط بخشی از وظایف پزشک است.
پزشک باید شرایط جسمی و روانی بیمار، سابقه خانوادگی، داروهای مصرفی، ترجیحات فرد، محدودیتهای درمانی و نتایج معاینه را در کنار یکدیگر در نظر بگیرد. او همچنین باید درباره گزینههای درمانی توضیح دهد، به نگرانیهای بیمار پاسخ دهد و مسئولیت تصمیمهای بالینی را در چارچوب حرفه خود بپذیرد.
هوش مصنوعی ممکن است در تحلیل اطلاعات، خلاصهسازی پرونده، پیشنهاد تشخیصهای احتمالی و انتخاب بررسیهای مناسب نقش مؤثری داشته باشد. بااینحال، این تواناییها بهتنهایی جایگزین تمام مسئولیتهای پزشک نمیشوند.
سناریوی امیدوارکنندهتر این است که پزشک از هوش مصنوعی بهعنوان یک دستیار تحلیلی استفاده کند؛ ابزاری برای بررسی دوباره فرضیهها، شناسایی احتمالهای فراموششده و تصمیمگیری آگاهانهتر.
البته حتی همکاری انسان و هوش مصنوعی نیز نیازمند ارزیابی است. اگر پزشک بیش از حد به پیشنهاد سامانه اعتماد کند، ممکن است خطای آن را نادیده بگیرد. در مقابل، اگر هشدارهای سامانه بیش از حد زیاد یا نامرتبط باشند، احتمال دارد پزشک بهتدریج آنها را جدی نگیرد.
پیشرفت فناوری نباید باعث شود محدودیتهای آن را فراموش کنیم. چند مسئله مهم همچنان نیازمند توجه جدی است.
خطای تشخیصی: هوش مصنوعی ممکن است اطلاعات را اشتباه تفسیر کند یا به نتیجهای برسد که با شواهد واقعی سازگار نیست.
دادههای ناقص: اگر شرح حال بیمار دقیق نباشد یا نتایج مهمی در اختیار سامانه قرار نگیرد، تشخیص پیشنهادی نیز ممکن است اشتباه باشد.
تفاوت میان بیماران: عملکرد یک سامانه در یک کشور، بیمارستان یا گروه جمعیتی لزوماً در محیطی دیگر تکرار نمیشود.
حریم خصوصی: پرونده پزشکی حاوی اطلاعات بسیار حساسی است. هرگونه استفاده از آن باید با حفاظت مناسب از دادهها، کنترل دسترسی و رعایت مقررات مرتبط همراه باشد.
مسئولیت تصمیمگیری: بیمار و پزشک باید بدانند چه کسی مسئول بررسی نتیجه است و در صورت بروز خطا چه سازوکاری برای رسیدگی وجود دارد.
اعتماد بیش از اندازه: حتی پاسخهایی که با اطمینان زیاد ارائه میشوند، ممکن است نادرست باشند. ظاهر حرفهای پاسخ نباید با صحت قطعی آن اشتباه گرفته شود.
ابزارهای عمومی هوش مصنوعی میتوانند به توضیح اصطلاحات پزشکی، فهم بهتر نتایج آزمایشها و آمادهکردن پرسشهایی برای مراجعه به پزشک کمک کنند. اما این کاربردها با یک سامانه تشخیصی تأییدشده برای استفاده بالینی تفاوت دارند.
پیشرفت MAI-DxO نیز به این معنا نیست که هر فرد میتواند علائم خود را وارد یک چتبات کند و نتیجه آن را تشخیص قطعی بداند.
اگر از هوش مصنوعی برای درک اطلاعات سلامت استفاده میکنید، بهتر است چند اصل را رعایت کنید:
اطلاعات پزشکی را تا حد امکان دقیق و کامل وارد کنید، اما اطلاعات هویتی غیرضروری را به اشتراک نگذارید.
از سامانه بخواهید اصطلاحات تخصصی و محدودیتهای پاسخ خود را توضیح دهد.
پاسخ هوش مصنوعی را جایگزین معاینه، آزمایش یا نظر پزشک نکنید.
برای تصمیم درباره شروع، قطع یا تغییر دارو، به توصیه یک چتبات اکتفا نکنید.
در صورت بروز علائم شدید یا ناگهانی، بهجای انتظار برای پاسخ هوش مصنوعی، فوراً کمک پزشکی مناسب دریافت کنید.
برای مخاطبانی که اخبار فناوری و ابزارهای دیجیتال را در مجله اوپاکالا دنبال میکنند، این پیشرفت نمونهای مهم از نزدیکشدن هوش مصنوعی به مسائل واقعی زندگی است؛ اما ارزش چنین فناوریهایی زمانی مشخص میشود که علاوه بر عملکرد فنی، ایمنی و سودمندی آنها برای بیماران نیز ثابت شود.
مرحله مهم بعدی، ارزیابی این فناوری در محیطهای بالینی واقعی است. طبق گزارش رویترز در اکتبر ۲۰۲۶، قرار است همکاری پژوهشی با مرکز پزشکی Beth Israel Deaconess برای بررسی کاربرد این ابزار در فرایندهای اورژانس دنبال شود.
در چنین آزمایشهایی باید مشخص شود که سامانه در شرایط واقعی، با فشار کاری، اطلاعات ناقص، محدودیت زمانی و تنوع بیماران چگونه عمل میکند. همچنین باید بررسی شود که آیا کمک آن واقعاً تشخیص را بهبود میدهد، زمان رسیدگی را کاهش میدهد یا از هزینههای غیرضروری جلوگیری میکند؛ بدون آنکه خطر تازهای برای بیمار ایجاد شود.
تا زمانی که این شواهد بهاندازه کافی جمعآوری و ارزیابی نشوند، بهتر است نتایج کنونی را نشانهای امیدوارکننده از ظرفیت فناوری بدانیم، نه پایان راه تشخیص پزشکی.
پیشرفت تازه مایکروسافت نشان میدهد که هوش مصنوعی میتواند فراتر از پاسخدادن به پرسشهای پزشکی حرکت کند و فرایند تشخیص را بهصورت مرحلهای بررسی کند. دقت گزارششده در مجموعهای از پروندههای پیچیده و معمول اورژانس، ظرفیت این رویکرد را برجسته میکند.
بااینحال، نتیجه یک ارزیابی پژوهشی با اثبات ایمنی و اثربخشی در مراقبت واقعی از بیمار یکسان نیست. تشخیص قابلاعتماد به اطلاعات درست، ارزیابی بالینی، آزمایشهای مناسب، نظارت انسانی و حفاظت از حریم خصوصی نیاز دارد.
احتمالاً آینده پزشکی نه به حذف کامل پزشک و نه به نادیدهگرفتن هوش مصنوعی وابسته است؛ بلکه به استفاده مسئولانه از فناوری برای کمک به تصمیمگیری بهتر بستگی دارد. همانطور که در دیگر حوزههای فناوری و خرید آگاهانه، از جمله موضوعاتی که در مجله اوپاکالا بررسی میشوند، شناخت قابلیتها و محدودیتها بهاندازه خود فناوری اهمیت دارد.
اوپاکالا