فتح إمكانيات جديدة في الرعاية الصحية مع الذكاء الاصطناعي

الرعاية الصحية في الولايات المتحدة في مراحل أولية من انقطاع كبير محتمل بسبب استخدام التعلم الآلي والذكاء الاصطناعي. هذا التحول قد بدأ منذ أكثر من عقد من الزمن، ولكن مع التقدم الأخير، يبدو أنه على وشك تغييرات أكثر سرعة. لا يزال هناك الكثير من العمل الذي يجب القيام به لفهم التطبيقات الأكثر أمانًا وفعالية للذكاء الاصطناعي في الرعاية الصحية، وبناء الثقة بين الأطباء في استخدام الذكاء الاصطناعي، وتعديل نظام التعليم السريري لتطوير استخدام أفضل لأنظمة الذكاء الاصطناعي.

تطبيقات الذكاء الاصطناعي في الرعاية الصحية

لقد تطور الذكاء الاصطناعي على مدار عقود في الرعاية الصحية، في وظائف مواجهة المرضى وفي وظائف المكتب الخلفي. بعض الأعمال الأولى والأكثر شمولاً حدثت في استخدام نماذج التعلم العميق والرؤية الحاسوبية.

أولاً، بعض المصطلحات. النهج الإحصائي التقليدي في البحث – على سبيل المثال الدراسات الملاحظية والدراسات السريرية – يستخدم نهجًا يركز على السكان يعتمد على نماذج الانحدار، حيث يتم استخدام المتغيرات المستقلة لتوقع النتائج. في هذه النهج، بينما يكون المزيد من البيانات أفضل، هناك تأثير صفيحي حيث لا يمكن الحصول على استنتاجات أفضل من البيانات فوق حجم معين من مجموعة البيانات.

يحمل الذكاء الاصطناعي نهجًا جديدًا للتوقع. هيكل يسمى الخلايا العصبية يعالج البيانات التي يتم تمريرها إلى الأمام صفًا تلو الآخر، ويتم إنشاؤه كشبكة من طبقات من المعادلات التفاضلية لتعديل بيانات الإدخال، لإنتاج إخراج. خلال التدريب، كل صف من البيانات أثناء مرورها عبر الشبكة – تسمى شبكة عصبية – يعدل المعادلات في كل طبقة من شبكة لتطابق الإخراج المتوقع مع الإخراج الفعلي. مع معالجة بيانات مجموعة التدريب، تتعلم الشبكة العصبية كيفية توقع النتيجة.

توجد أنواع عديدة من الشبكات. الشبكات العصبية التجميعية، أو CNNs، كانت من بين أولى النماذج التي وجدت نجاحًا في تطبيقات الرعاية الصحية. الشبكات العصبية التجميعية جيدة جدًا في التعلم من الصور في عملية تسمى الرؤية الحاسوبية، ووجدت تطبيقات حيث البيانات الصورية بارزة: الأشعة، وفحوصات الشبكية، وصور الجلد.

نوع جديد من الشبكات العصبية يسمى هيكل الترانسفورمر أصبح نهجًا سائدًا بسبب نجاحه الكبير للنص، والتركيبات النصية والصور (تسمى أيضًا البيانات المتعددة الوسائط). الشبكات العصبية الترانسفورمر استثنائية عندما يتم إعطاؤها مجموعة من النص، في توقع النص اللاحق. تطبيق واحد للهيكل الترانسفورمر هو نموذج اللغة الكبير أو LLM. أمثلة تجارية متعددة من LLMs تشمل Chat GPT، وAnthropics Claude، وMetas Llama 3.

ما تم ملاحظته مع الشبكات العصبية، بشكل عام، هو أن حدًّا لتحسين التعلم كان صعب العثور عليه. بعبارة أخرى، مع المزيد والمزيد من البيانات، تستمر الشبكات العصبية في التعلم والتحسين. الحدود الرئيسية على قدراتها هي مجموعات بيانات أكبر وأكبر وقدرة الحوسبة لتدريب النماذج. في الرعاية الصحية، إنشاء مجموعات بيانات تحمي الخصوصية التي تمثل بدقة الرعاية السريرية الحقيقية هو أولوية رئيسية لتطوير النماذج.

النماذج LLM قد تمثل تحولًا في تطبيق الذكاء الاصطناعي في الرعاية الصحية. بسبب سهولة استخدامها مع اللغة والنص، فهي مناسبة جيدًا للسجلات الإلكترونية التي تحتوي على معظم البيانات النصية. كما أنها لا تتطلب بيانات مخططة بشكل كبير للتدريب ولكن يمكن استخدام مجموعات البيانات الحالية. العيوب الرئيسية في هذه النماذج هي أن 1) لا تملك نموذجًا للعالم أو فهمًا للبيانات التي يتم تحليلها (تم وصفها بأنها مكتملة ذاتيًا)، و 2) يمكن أن توهم أو تختلق، مما يؤدي إلى إنشاء نص أو صور تبدو دقيقة ولكنها تُقدم كحقيقة.

تتم استكشاف حالات استخدام للذكاء الاصطناعي تشمل التأتمة وتعزيز قراءة صور الأشعة، وصور الشبكية، والبيانات الصورية الأخرى؛ وتقليل الجهد وتحسين دقة التوثيق السريري، وهو مصدر رئيسي لاستنفاد الأطباء؛ وتحسين التواصل مع المرضى بشكل أفضل وأكثر تعاطفًا؛ وتحسين كفاءة الوظائف الخلفية مثل دورة الإيرادات والعمليات والفواتير.

أمثلة من العالم الواقعي

تم تقديم الذكاء الاصطناعي تدريجيًا إلى الرعاية السريرية بشكل عام. عادةً ما يتبع استخدام الذكاء الاصطناعي ناجحًا دراسات مراجعة الأقران لاداءها التي أظهرت نجاحًا، وفي بعض الحالات، موافقة إدارة الأغذية والأدوية على الاستخدام.

من بين أولى الحالات التي يؤدي فيها الذكاء الاصطناعي أداءً جيدًا هو اكتشاف الأمراض في صور فحص الشبكية والأشعة.对于 فحوصات الشبكية، تم اتباع الأدب المنشور حول أداء هذه النماذج بنشر التماسخ الضوئي التلقائي لاكتشاف أمراض الشبكية في الإعدادات الخارجية. أدت دراسات تقطيع الصور، مع العديد من النجاحات المنشورة، إلى حلول برمجية متعددة توفر دعمًا للdecision للمشخصين، مما يقلل من الأخطاء و اكتشاف الشذوذ لجعل تدفق عمل المشخصين أكثر كفاءة.

تتم استكشاف نماذج اللغة الكبيرة الجديدة للاستخدام في مساعدة سير العمل السريري. يتم استخدام الصوت المحيط لتعزيز استخدام السجلات الصحية الإلكترونية (EHRs). حاليًا، يتم تنفيذ كاتبات الذكاء الاصطناعي لمساعدة في التوثيق الطبي. هذا يسمح للأطباء بالتركيز على المرضى بينما يتحمل الذكاء الاصطناعي عملية التوثيق، مما يحسن الكفاءة والدقة.

بالإضافة إلى ذلك، يمكن للمستشفيات والنظم الصحية استخدام قدرات الذكاء الاصطناعي في النمذجة التنبؤية لتحديد مخاطر المرضى، وتحديد المرضى الذين هم في خطر كبير أو زيادة الخطر، وتحديد أفضل مسار للعمل. في الواقع، يتم استخدام قدرات الذكاء الاصطناعي في الكشف عن التجمعات بشكل متزايد في البحث والرعاية السريرية لتحديد المرضى الذين لديهم سمات متشابهة وتحديد مسار العمل السريري النموذجي لهم. يمكن أن يسمح هذا أيضًا ب المراجعات السريرية الافتراضية أو المحاكاة لتحديد أكثر مسارات العلاج فعالية وقياس فعاليتها.

قد يكون أحد تطبيقات المستقبل استخدام نماذج اللغة المدعومة بالذكاء الاصطناعي في التواصل بين الأطباء والمرضى. تم العثور على هذه النماذج لتكون ذات استجابات صالحة للمرضى التي ت模ّل محادثات تعاطفية، مما يسهل إدارة التفاعلات الصعبة. يمكن أن يحسن هذا التطبيق للذكاء الاصطناعي الرعاية الصحية بشكل كبير من خلال توفير تصنيف أسرع وأكثر كفاءة لرسائل المرضى بناءً على شدة حالتهم ورسائلهم.

التحديات والاعتبارات الأخلاقية

تحدي واحد مع تطبيق الذكاء الاصطناعي في الرعاية الصحية هو ضمان الامتثال لللوائح، وسلامة المرضى، والفعالية السريرية عند استخدام أدوات الذكاء الاصطناعي. بينما تكون الدراسات السريرية هي المعيار للعلاجات الجديدة، هناك نقاش حول ما إذا كان يجب على أدوات الذكاء الاصطناعي اتباع نفس النهج. هناك أيضًا قلق من خطر انتهاك البيانات وتعرض خصوصية المرضى للخطر. يمكن للنماذج الكبيرة المدربة على بيانات محمية أن تؤدي إلى تسرب البيانات الأصلية، مما يشكل تهديدًا كبيرًا لخصوصية المرضى. يجب على منظمات الرعاية الصحية أن تجد وسائل لحماية بيانات المرضى ومنع انتهاكات البيانات للحفاظ على الثقة والسرية. الانحياز في بيانات التدريب هو تحد مهم يجب معالجته. لتجنب نماذج متحيزة، يجب تقديم أساليب أفضل لتجنب الانحياز في بيانات التدريب. من الضروري تطوير تدريبات ونهج أكاديمي يسمح بتدريب أفضل للنماذج ودمج المساواة في جميع جوانب الرعاية الصحية لتجنب التحيز.

لقد فتح استخدام الذكاء الاصطناعي عددًا من القلق الجديد والحدود للابتكار. هناك حاجة إلى مزيد من الدراسة حول مكان وجود الفائدة السريرية الحقيقية في استخدام الذكاء الاصطناعي. للتصدي لهذه التحديات والقضايا الأخلاقية، يجب على منظمات مقدمي الرعاية الصحية وشركات البرمجيات التركيز على تطوير مجموعات بيانات تمثل بدقة بيانات الرعاية الصحية مع ضمان 익명ية وحماية الخصوصية. بالإضافة إلى ذلك، يجب إنشاء شراكات بين مقدمي الرعاية الصحية والنظم وشركات التكنولوجيا / البرمجيات لجلب أدوات الذكاء الاصطناعي إلى الممارسة بطريقة آمنة ومدروسة. من خلال معالجة هذه التحديات، يمكن لمنظمات الرعاية الصحية استغلال إمكانات الذكاء الاصطناعي مع الحفاظ على سلامة المرضى وخصوصيتهم وعدلهم.