مراقبت های بهداشتی با هوش مصنوعی مولد

ChatGPT، یک هوش مصنوعی یا AI، ربات چت توسعه یافته توسط OpenAIاست که اکنون چهارمین نسخه خود را که می تواند تقریباً هر صنعت شناخته شده را مختل کند، راه اندازی کرده است. با این حال، ChatGPT تنها یکی از ابزارهایی است که با استفاده از هوش مصنوعی تولید شده. در حالی که چندین دهه است که تکرارهای فناوری هوش مصنوعی مولد وجود داشته است، برنامه هایی مانند Midjourney و DALL-E (که تصاویر را از متن ایجاد می کنند) نقاط عطف هستند، به ویژه در یادگیری ماشینی بدون نظارت (ML) و برنامه های کاربردی یادگیری عمیق. پیشرفت‌های بیشتر در کیفیت و تنوع محتوا و طرح‌های مدل مولد جدید منجر به پذیرش گسترده‌تر در صنایع مختلف مانند مراقبت های بهداشتی، بیمه، امور مالی و موارد دیگر می‌شود.

اما هوش مصنوعی مولد چیست؟ هوش مصنوعی مولد الگوریتم هایی را توصیف می کند که قادر به جمع بندی و ایجاد داده ها، تصاویر، صدا، کد و حتی ویدیوهای جدید و منحصر به فرد هستند. پیشرفت های اخیر در این زمینه می تواند نتایج بیمار را بهبود بخشد و کارایی ارائه مراقبت های بهداشتی را افزایش دهد. تا به حال، شاهد بودیم که هوش مصنوعی با موفقیت در تشخیص الگو به کار گرفته شده است. این برای رادیولوژی، آسیب شناسی، پوست، و سایر زمینه های پزشکی که الگوها در تشخیص اصلی هستند، بسیار مفید بوده است.

پس چه انتظاری از این فناوری جدید داریم؟ هوش مصنوعی مولد کاربردهای متعددی در مراقبت های بهداشتی دارد، از جمله کشف دارو، تصویربرداری پزشکی، تشخیص بیماری و پزشکی شخصی. در این مقاله، تأثیر هوش مصنوعی مولد در مراقبت‌های بهداشتی و چگونگی استفاده از این فناوری برای بهبود نتایج بیماران را بررسی خواهیم کرد.

هوش مصنوعی مولد در کشف دارو

طراحی داروهای جدید به عنوان چالش برانگیز، پرهزینه و زمان بر شناخته شده است. تقریباً 12 تا 14 سال طول می کشد و حدود 3 میلیارد دلار هزینه دارد تا یک داروی جدید به بازار عرضه شود. بخش قابل توجهی از این هزینه و زمان کلی به مرحله کشف دارو نسبت داده می شود که شامل سنتز هزاران مولکول برای شناسایی یک کاندید اصلی پیش بالینی است. هوش مصنوعی مولد می‌تواند این فرآیند را با تجزیه و تحلیل حجم وسیعی از داده‌ها برای شناسایی الگوها و پیش‌بینی نتایج برای شناسایی اهداف دارویی بالقوه و پیش‌بینی اثربخشی داروهای جدید سرعت بخشد. با درک ادبیات زیست‌شناسی و شیمی، مدل‌های زبان بزرگ در مقیاس ابرکامپیوتر (LLM) دانشمندان را قادر می‌سازد تا بینش منحصربه‌فردی در مورد پروتئین‌ها، مولکول‌های کوچک، DNA و متن‌های زیست‌پزشکی به دست آورند. این مدل‌های بزرگ و قدرتمند از داده‌های بدون برچسب، مانند داده‌های توالی‌یابی، در زیرساخت‌های محاسباتی چندگرهی و با کارایی بالا یاد می‌گیرند. شرکت‌هایی مانند انویدیا، آی‌بی‌ام یا پروژه تحقیقاتی DeepMind گوگل برای تسخیر این فضا و مختل کردن فرآیندهای کشف دارو، موقعیت‌های استراتژیکی اتخاذ کرده‌اند.

مزایای هوش مصنوعی در مراقبت های بهداشتی برای تشخیص بیماری

هوش مصنوعی مولد می تواند برای بهبود دقت و سرعت تشخیص بیماری با تجزیه و تحلیل داده های بیمار و ایجاد داده های مصنوعی جدید که می تواند برای شناسایی الگوهای بیماری استفاده شود، استفاده شود. یک مثال عالی در این زمینه، تصاویر با وضوح بالا تولید شده توسط هوش مصنوعی است که می تواند برای آموزش مدل های یادگیری ماشینی به منظور تشخیص الگوها و تشخیص استفاده شود. همان مفهوم ساخت مجموعه داده های مصنوعی برای سوابق بیمار، فایل های صوتی و موارد دیگر صدق می کند. این فناوری می تواند نشان دهنده درجه ای از تخریب برای خندق های داده باشد، زیرا آموزش مدل های هوش مصنوعی و ML دیگر به داده هایی که تیم توسعه دهنده به آنها دسترسی دارد بستگی ندارد. با این حال، این بدان معنا نیست که دسترسی به داده‌های بیمار با کیفیت بالا و غیر مصنوعی دیگر مزیت رقابتی قابل توجهی برای استارت‌آپ‌های تشخیص سلامت نخواهد بود.

علاوه بر این، این ظرفیت را دارد که راه دسترسی ما به دانش را مختل کند. یک ابزار تخصصی مولد هوش مصنوعی این پتانسیل را دارد که پزشکان یک مرحله ای برای جستجوی مؤثر پاسخ به سؤالاتی که در غیر این صورت برای جستجوی Google یا سایر وب سایت های دانش سرپرست نیاز داشتند، استفاده کنند.

هوش بالا و نثر شایسته آن می تواند به طور مؤثر هر ایده ای را به هر مخاطبی از جمله بیماران، شرکت های بیمه یا پزشکان منتقل کند. بسیاری از ما درباره گذراندن معاینات رسمی Chat GPT، از جمله آزمون مجوز پزشکی ایالات متحده یا بیمارانی که از محصول OpenAI برای تشخیص خود استفاده می کنند، خوانده ایم. علی‌رغم پتانسیل توسعه در این زمینه، ظهور بازیگران بی‌وجدان که از تبلیغات و سردرگمی برای تبلیغ محصولات ناایمن یا حتی غیراخلاقی استفاده می‌کنند، یک نگرانی است. مشکل واقعی، خطر ورود محصولات آزمایش نشده به بازار است.

ایجاد پزشکی شخصی از طریق هوش مصنوعی مولد

پزشکی شخصی می تواند با ارائه درمان های هدفمندتر و موثرتر به بهبود نتایج بیمار و کاهش هزینه های مراقبت های بهداشتی کمک کند. هوش مصنوعی مولد می‌تواند با تجزیه و تحلیل داده‌های بیمار و توسعه برنامه‌های درمانی یا توصیه‌هایی بر اساس ویژگی‌های منحصربه‌فرد هر بیمار، پزشکی شخصی‌سازی کند. این فناوری همچنین می تواند نتایج درمان های مختلف را پیش بینی کند، بنابراین نیاز به آزمون و خطای زنده را کاهش می دهد. این امر مستلزم جمع‌آوری و تجزیه و تحلیل گسترده داده‌ها، از جمله سوابق پزشکی، آزمایش‌های آزمایشگاهی، آزمایش‌های تصویربرداری، داده‌های omics، دستگاه‌های پوشیدنی و داده‌های گزارش‌شده توسط بیمار است. این داده ها و بینش تولید شده از آن باید به بیمار و پزشک منتقل شود. هوش مصنوعی مولد می‌تواند با تولید متن یا گفتاری که می‌تواند اطلاعات را خلاصه کند، گزینه‌های تشخیص یا درمان را توضیح دهد، به متخصصان مراقبت‌های بهداشتی توصیه‌هایی ارائه کند یا سؤالات مرتبط را از بیماران بپرسد، به این فرآیندها کمک کند.

یکی از جنبه های کلیدی پزشکی شخصی استفاده از داده های دنیای واقعی است. یکی از رایج ترین راه های جمع آوری این داده ها از طریق فناوری پوشیدنی است. داده های جمع آوری شده از طریق این دستگاه ها نه تنها می توانند 24/7 ثبت شوند. با این حال، آنها همچنین می توانند در زمان واقعی مورد استفاده قرار گیرند و سایر منابع داده مانند سوابق پزشکی، تست های تشخیصی و غیره را تکمیل کنند.

استفاده از هوش مصنوعی برای دستیابی به پزشکی شخصی قبلاً معرفی شده است. بیش از دو دهه است که مورد استفاده قرار گرفته است و پیشرفت و موارد استفاده بسیار زیاد است. اخیراً شاهد استفاده های زیادی از هوش مصنوعی بوده ایم که به هوش مصنوعی مولد نسبت داده شده است. در واقعیت، هوش مصنوعی غیر مولد نسبت به هوش مصنوعی مولد برای کارهای خاص توانمندتر و مناسب تر است. نمونه رایج این الگوریتم‌های هوش مصنوعی است که برای تشخیص الگو در تصویربرداری تشخیصی استفاده می‌شود، که می‌تواند دقت را افزایش داده و زمان تشخیص را به‌طور چشمگیری کاهش دهد. با این حال، هوش مصنوعی مولد می‌تواند با تولید داده‌های مصنوعی یا افزوده‌شده که می‌تواند شکاف‌های داده یا داده‌های موجود را تکمیل کند، به غلبه بر چند چالش در پزشکی شخصی‌سازی‌شده، مانند استانداردهای قابلیت اطمینان و دقت مختلف از ابزارهای پوشیدنی کمک کند.

خودکارسازی عملکردهای بالینی – هوش مصنوعی در نمونه های مراقبت های بهداشتی

خودکار کردن عملکردهای بالینی به پزشکان اجازه می دهد تا دوباره بر مراقبت از بیمار تمرکز کنند. در 50 سال گذشته، نحوه نگاه پزشکان به بیماران به طرز چشمگیری تغییر کرده است. در دهه 70، یک ویزیت معمول برای ملاقات با پزشک معمولاً 30 دقیقه برنامه ریزی می شد و ویزیت بیمار جدید معمولاً برای 1 ساعت رزرو می شد. با گسترش دسترسی به مراقبت های بهداشتی و توسعه صنعت، جنبه انسانی مراقبت شروع به کوچک شدن کرد. خوشبختانه، راه‌هایی وجود دارد که فناوری‌های جدید، مانند هوش مصنوعی مولد، می‌توانند به خودکارسازی عملکردهای شغلی خاص و آزاد کردن زمان ارائه‌دهندگان کمک کنند، که می‌تواند تعادل بهتری بین کار و زندگی و ملاقات‌های طولانی‌تر با بیماران را فراهم کند. این دو نکته برای بهبود مراقبت های بهداشتی بسیار مهم است. تا اواخر سال 2022، 30 درصد از پزشکان در ایالات متحده می‌گویند که احساس می‌کنند فرسوده شده‌اند ، و نسبت خیره‌کننده‌ای نیز در شش ماه گذشته به ترک حرفه مراقبت بالینی خود فکر کرده‌اند.

در مقابل، گزارش سال 2018 توسط النا آندریوا و همکارانش در دانشگاه پنسیلوانیا، که در دفتر ملی تحقیقات اقتصادی منتشر شد، تأثیر مدت زمان ویزیت بهداشتی در خانه را بر بیمارانی که اخیراً پس از درمان حاد از بیمارستان مرخص شده‌اند، بررسی کرد. نتایج این مطالعه حاکی از آن است که به ازای هر دقیقه اضافی که ویزیت به طول می‌انجامد، 8% پذیرش ریسک کاهش یافته است. برای ارائه دهندگان پاره وقت، این تعداد دو برابر شد و به 16 درصد کاهش یافت و برای پرستاران، 13 درصد کاهش در هر دقیقه اضافی بود. یک استفاده طبیعی از هوش مصنوعی مولد در محیط بالینی، کاهش حجم کاغذبازی و ساده‌سازی وظایف اداری است که به این فرسودگی شغلی کمک می‌کند. از این نظر، ما مشاهده کرده‌ایم که مایکروسافت پس از اولین گام برای پرداختن به قابلیت همکاری داده‌های سلامت با Azure API برای FHIR در سال 2019 و Microsoft Cloud for Healthcare که در سپتامبر 2020 برای رسیدگی به مشکلات راه‌اندازی شد، روی OpenAI به‌عنوان ادامه استراتژی مراقبت‌های بهداشتی خود شرط‌بندی قابل توجهی انجام داد. چالش‌های صنعت سلامت – از کاهش فرسودگی شغلی پزشکان، ارائه تجربیات شخصی‌سازی‌شده‌تر برای بیماران، و فعال کردن قابلیت همکاری داده‌های سلامت می باشد.

چالش های استفاده از هوش مصنوعی مولد

نگرانی‌های مربوط به حفظ حریم خصوصی و امنیت داده‌ها در مورد چالش‌های پیاده‌سازی هوش مصنوعی مولد در صدر قرار دارند. داده های مراقبت های بهداشتی بسیار حساس هستند و این خطر وجود دارد که این داده ها مورد سوء استفاده قرار گیرند یا توسط اشخاص غیرمجاز قابل دسترسی باشند.

در چند ماه گذشته، کمیسیون تجارت فدرال دو شرکت سلامت دیجیتال را به دلیل به اشتراک گذاشتن اطلاعات سلامت شخصی میلیون‌ها مشتری با تبلیغ‌کنندگان شخص ثالث جریمه کرده است. در همین حال، در اروپا، GDPR در حال حاضر شروع به برافراشتن پرچم برای توسعه دهندگان چت بات/مدل زبان بزرگ (LLM) مانند OpenAI کرده است، که قبلاً در ایتالیا توسط مقامات حفاظت از داده این کشور تعطیل شده است و یک چک لیست طولانی را برای تکمیل در اختیار شرکت قرار داده است. برای رفع تعلیق یادآوری مرتبطی که باید در نظر او لحاظ شود این است که جریمه های نقض GDPR می تواند تا 4 درصد از گردش مالی جهانی سالانه یک شرکت یا 20 میلیون یورو را تشکیل دهد، هر کدام که بیشتر باشد.

وقتی صحبت از حفظ و نگهداری داده ها به میان می آید، بیمارستان ها در ایالات متحده در حال حاضر با حملات سایبری که امنیت سیستم های آنها را نقض می کند، دست و پنجه نرم می کنند. از 14 مورد مهم نقض داده های مراقبت های بهداشتی در تاریخ ایالات متحده، شش مورد در سال گذشته، در سال 2022 رخ داده است . برای رسیدگی به این مشکل، ارائه دهندگان مراقبت های بهداشتی باید اقدامات امنیتی قوی داده را اجرا کنند و اطمینان حاصل کنند که اشخاص مجاز فقط به داده های بیمار دسترسی دارند.

همانطور که قبلاً در این مقاله ذکر شد، LLM ها می توانند توسط بازیگران بد استفاده شوند، تعصبات را تداوم بخشند، یا فقط توهم خالی را نشان دهند. از آنجایی که این فناوری از مدل جعبه سیاه پیروی می کند، چگونه می توانیم بدون اطلاع از روند استدلال آن به پاسخ اعتماد کنیم؟ برای برخی از زمینه های کسب و کار یا زندگی، “جادویی که کار می کند” ممکن است به اندازه کافی خوب باشد، اما برای سلامتی اینطور نیست. اگر تصمیمی قرار است بر سلامت فردی تأثیر بگذارد، باید کاملاً واضح باشد که چرا و چگونه اتخاذ شده است، و این هنوز نیاز به یک متخصص بهداشت دارد که به طور متمرکز درگیر باشد.

یک چالش مرتبط نیاز به متخصصان ماهر برای توسعه و پیاده سازی فناوری های مولد هوش مصنوعی است. ارائه دهندگان مراقبت های بهداشتی باید در آموزش و توسعه سرمایه گذاری کنند تا مطمئن شوند کارکنانشان مهارت ها و دانش لازم برای استفاده موثر از هوش مصنوعی مولد را دارند.

مراقبت های بهداشتی از طریق هوش مصنوعی مولد در حال تغییر است

هوش مصنوعی مولد این پتانسیل را دارد که با ارائه ابزارها و بینش‌های جدید به رهبران صنعت، مراقبت‌های بهداشتی را متحول کند که می‌توانند برای کشف داروهای جدید و عرضه سریع‌تر آنها به بازار، بهبود نتایج بیماران و افزایش کارایی ارائه مراقبت‌های بهداشتی مورد استفاده قرار گیرند. با تجزیه و تحلیل داده‌های بیمار و ایجاد داده‌های جدید که می‌تواند برای پیش‌بینی نتایج و شناسایی بهترین گزینه‌های درمانی مورد استفاده قرار گیرد، صنعت مراقبت‌های بهداشتی می‌تواند درمان‌های هدفمند و مؤثرتری را ارائه دهد و هزینه‌های مراقبت‌های بهداشتی را کاهش دهد.

شرکت های داروسازی و بیوتکنولوژی قادر خواهند بود کشف دارو را تسریع بخشند و درمان های شخصی و کارآمدتری ارائه دهند. در عین حال، دسترسی آسان‌تر به آخرین داده‌ها، به‌روز ماندن در آخرین یافته‌ها را برای محققان پزشکی تسهیل می‌کند. پرداخت کنندگان می توانند از تجزیه و تحلیل ادعاهای گذشته و ایجاد داده های جدید مطابق با الگوهای شناسایی شده، غنی سازی تجربه فروش یا خدمات بهتر به مشتریان بهره مند شوند. در حالی که چندین چالش باید مورد توجه قرار گیرد، که عمدتاً مربوط به مسائل امنیت سایبری و حریم خصوصی داده ها است، فرصت های ارائه شده توسط هوش مصنوعی مولد قابل توجه است. سازمان‌های مراقبت‌های بهداشتی که روی این فناوری سرمایه‌گذاری می‌کنند، موقعیت خوبی برای موفقیت در آینده خواهند داشت.