فتح إمكانيات جديدة في الرعاية الصحية مع الذكاء الاصطناعي

الرعاية الصحية في الولايات المتحدة في مرحلة مبكرة من انقضاب كبير محتمل بسبب استخدام التعلم الآلي والذكاء الاصطناعي. هذا التحول كان قائماً منذ أكثر من عقد من الزمن، ولكن مع التقدم الأخير، يبدو أنه على وشك تحقيق تغييرات أسرع. لا يزال هناك الكثير من العمل الذي يجب القيام به لفهم التطبيقات الأكثر أماناً وفعالية للذكاء الاصطناعي في الرعاية الصحية، وبناء الثقة بين الأطباء في استخدام الذكاء الاصطناعي، وتعديل نظام التعليم السريري لتحسين استخدام أنظمة الذكاء الاصطناعي.

تطبيقات الذكاء الاصطناعي في الرعاية الصحية

لقد كان الذكاء الاصطناعي في تطور منذ عقود في الرعاية الصحية، سواء في الوظائف التي تواجه المرضى أو في الخلفية. واحدة من الأعمال الأولى والأكثر شمولاً حدثت في استخدام نماذج التعلم العميق والرؤية الحاسوبية.

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

يحمل الذكاء الاصطناعي نهجاً جديداً للتوقع. هيكل يسمى الخلايا العصبية يعالج البيانات التي يتم تمريرها صفاً تلو الآخر، ويتم إنشاؤه كشبكة من طبقات المعادلات التفاضلية لتعديل البيانات الإدخالية، لإنتاج مخرج. خلال التدريب، كل صف من البيانات أثناء مروره عبر الشبكة – تسمى شبكة عصبية – يعدل المعادلات في كل طبقة من الشبكة بحيث يتم مطابقة الإخراج المتوقع مع الإخراج الفعلي.随着 معالجة بيانات مجموعة التدريب، تتعلم الشبكة العصبية كيفية توقع النتيجة.

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

نوع جديد من الشبكات العصبية يسمى هيكل الترانسفورمر أصبح نهجاً مهيمناً بفضل نجاحه غير العادي للنص، والتركيبات النصية والصور (تسمى أيضاً البيانات متعددة الوسائط). الشبكات العصبية الترانسفورمر استثنائية عندما يتم تقديم مجموعة من النص، في توقع النص اللاحق. واحدة من تطبيقات هيكل الترانسفورمر هي نموذج اللغة الكبير أو LLM. أمثلة تجارية متعددة من LLMs تشمل Chat GPT، Anthropics Claude، و Metas Llama 3.

ما تم ملاحظته مع الشبكات العصبية، بشكل عام، هو أن الحد الأقصى للتحسين في التعلم كان صعباً في العثور عليه. بمعنى آخر، 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 تحولاً جوهرياً في تطبيق الذكاء الاصطناعي في الرعاية الصحية. بسبب مهاراتها في اللغة والنص، فهي مطابقة جيدة للسجلات الإلكترونية التي تحتوي على معظم البيانات النصية. كما أنها لا تتطلب بيانات مخططة بشكل عالٍ للتدريب ولكن يمكنها استخدام مجموعات البيانات الحالية. العيوب الرئيسية لهذه النماذج هي أن 1) لا تمتلك نموذجاً للعالم أو فهماً للبيانات التي يتم تحليلها (تم وصفها بأنها مكتملة للنص)، و2) يمكن أن توهي أو تختلق، مما يؤدي إلى إنشاء نص أو صور تبدو دقيقة ولكنها تُقدم كمعلومات حقيقية.

تتم استكشاف حالات استخدام الذكاء الاصطناعي في تطبيقات مثل التلقين الآلي وتحسين قراءة صور الأشعة، وصور الشبكية، وبيانات الصور الأخرى؛ وتقليل الجهد وتحسين دقة الوثائق السريرية، وهو مصدر رئيسي لاستنفاد الأطباء؛ وتحسين التواصل مع المرضى بشكل أفضل وأكثر تعاطفاً؛ وتحسين كفاءة الوظائف الإدارية الخلفية مثل دورة الإيرادات والعمليات والفواتير.

أمثلة من العالم الواقعي

لقد تم تقديم الذكاء الاصطناعي تدريجياً إلى الرعاية السريرية بشكل عام. عادةً، الاستخدام الناجح للذكاء الاصطناعي يلي التجارب المُراجعة من قبل الأقران التي أثبتت نجاحها، وفي بعض الحالات، موافقة إدارة الأغذية والأدوية على الاستخدام.

من بين أوائل الحالات التي يؤدي فيها الذكاء الاصطناعي أداء جيداً هو اكتشاف الأمراض في صور فحص الشبكية والأشعة. لصور فحص الشبكية، تم نشر أدبيات حول أداء هذه النماذج، تليها نشر التلقين الآلي لاكتشاف أمراض الشبكية في الإعدادات السريرية. دراسات حول تقطيع الصور، مع العديد من النجاحات المنشورة، أدت إلى حلول برمجية متعددة توفر دعم قرار للراديولوجيين، مما يقلل من الأخطاء و اكتشاف الشوائب لجعل تدفق عمل الراديولوجي أكثر كفاءة.

النماذج اللغة الكبيرة الجديدة يتم استكشافها لمساعدة سير العمل السريري. يتم استخدام الصوت المحيط لتعزيز استخدام السجلات الصحية الإلكترونية. حالياً، يتم تنفيذ الكتّاب الآليون لمساعدة في الوثائق الطبية. هذا يسمح للأطباء بالتركيز على المرضى بينما يتعامل الذكاء الاصطناعي مع عملية الوثائق، مما يحسن الكفاءة والدقة.

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

قد يكون أحد الحالات المستقبلية لاستخدام نماذج اللغة المدعومة بالذكاء الاصطناعي في التواصل بين الأطباء والمرضى. تم العثور على هذه النماذج لتحقيق استجابات صالحة للمرضى التي ت模ّن محادثات تعاطفية، مما يجعل من السهل إدارة التفاعلات الصعبة. هذا التطبيق للذكاء الاصطناعي يمكن أن يحسن الرعاية الصحية بشكل كبير من خلال توفير التriage السريع والكفء لرسائل المرضى بناءً على شدة حالتهم ورسائلهم.

التحديات والاعتبارات الأخلاقية

تحدي واحد مع تطبيق الذكاء الاصطناعي في الرعاية الصحية هو ضمان الامتثال التنظيمي وسلامة المرضى والفعالية السريرية عند استخدام أدوات الذكاء الاصطناعي. بينما تكون التجارب السريرية هي المعيار للعلاجات الجديدة، هناك نقاش حول ما إذا يجب على أدوات الذكاء الاصطناعي اتباع نفس النهج. هناك أيضاً قلق من خطر انتهاكات البيانات وانتهاك خصوصية المرضى. النماذج اللغة الكبيرة المدربة على بيانات محمية يمكن أن تؤدي إلى تسرب البيانات الأصلية، مما يشكل تهديداً كبيراً لخصوصية المرضى. يجب على منظمات الرعاية الصحية أن تجد طرقاً لحماية بيانات المرضى ومنع انتهاكاتها للحفاظ على الثقة والسرية. انحياز البيانات التدريبية هو تحدي حاسم آخر يجب معالجته. لتجنب النماذج المائلة، يجب تقديم أساليب أفضل لتجنب الانحياز في بيانات التدريب. من المهم تطوير نهج التدريب والأكاديمي الذي يسمح بتدريب أفضل للنماذج ودمج العدالة في جميع جوانب الرعاية الصحية لتجنب الانحياز.

لقد فتح استخدام الذكاء الاصطناعي عدداً من القلق الجديد والحدود للابتكار. هناك حاجة إلى دراسة أكبر لمعرفة أين يمكن أن يوجد الفائدة السريرية الحقيقية في استخدام الذكاء الاصطناعي. لمواجهة هذه التحديات والقضايا الأخلاقية، يجب على منظمات مقدمي الرعاية الصحية والشركات البرمجية التركيز على تطوير مجموعات بيانات تمثل بدقة بيانات الرعاية الصحية مع ضمان