بزرگنمايي:

ایران پرسمان - کمک بعدی هوش مصنوعی به حوزه سلامت چیست؟
٠
٠
ایسنا / با پیشرفت روز افزون هوش مصنوعی، چشم بسیاری از مردم دنیا فارغ از پیشرفت‌های فناوری موبایل و رایانه به دنبال فرصت‌هایی است که این هوش مصنوعی برای پیشگیری و درمان بیماری‌ها ارائه می‌کند، اما این فرصت‌ها چه هستند و چگونه تحقق خواهند یافت؟
شاید یکی از بزرگترین فرصت‌های هوش مصنوعی، صنعت سلامت و بهداشت باشد. پیش‌بینی می‌شود سرمایه‌گذاری و هزینه روی این حوزه تا سال 2025 از 2.1 میلیارد دلار به 36.1 میلیارد دلار برسد. این حکایت از نرخ رشد سالیانه 50.2 درصد دارد.
بنابراین خدمات هوش مصنوعی به مراقبت‌های بهداشتی چه می‌تواند باشد؟ مجله فوربز برای پاسخ به این سؤال به سراغ متخصصان مختلف رفته است.
"اوری گوا" مدیرعامل شرکت "Medial EarlySign" می‌گوید: یکی از گرایش‌های مهم استفاده از هوش مصنوعی در حوزه بهداشت، انتقال پزشکی از مراقبت‌های واکنشی به مراقبت‌های فعال است. به این معنی که برنامه‌های مبتنی بر یادگیری ماشینی به جای اینکه فقط به علائم واکنش نشان دهند، از ابتلا به بیماری پیشگیری و جلوگیری می‌کنند.
وی افزود: پزشکان و فعالان حوزه سلامت و مردم بهتر می‌توانند با ابزارهایی برای به تأخیر انداختن یا جلوگیری از شروع شرایط تهدید کننده سلامت و رفع نیازهای بیماران خود استفاده کنند. در نهایت نیز بیماران با درمان به موقع و شخصی از بهبود نتایج درمانی و افزایش بالقوه میزان بقا و افزایش طول عمر بهره‌مند می‌شوند.
دکتر "گیدی استاین" مدیرعامل شرکت "MedAware" نیز می‌گوید: در پنج سال آینده، مردم از طریق سوابق پزشکی و نظارت الکترونیکی سلامت روی تلفن همراه(EMR) و گجت‌های پوشیدنی هوشمند به اطلاعات سلامت و بهداشتی خود بیش از گذشته دسترسی خواهند یافت. هوش مصنوعی، تبدیل این کوه از داده‌ها به بینش‌ها و پیش‌بینی‌های مرتبط با سلامتی، بهبود سلامت شخصی و عمومی و بهینه سازی مراقبت بهداشتی را تسهیل خواهد کرد. این امر باعث می‌شود تا بیماران بتوانند از چرخه سلامتی مطلع و بر آن مسلط شوند، ارتباط بهتری بین بیمار و پزشک ایجاد شود و مراقبت‌های بهداشتی مرغوب به مناطق جغرافیایی خاص برسد.
"تیم اومالی" رئیس شرکت "EarlySense" گفت: امروزه میلیون‌ها پارامتر فیزیولوژیکی وجود دارد که از بیمار استخراج می‌شوند. من معتقدم که پیشرفت بعدی این خواهد بود که از این داده‌هایی که هوش مصنوعی به دست می‌آورد برای پیش‌بینی دقیق بیماری و جلوگیری از بروز عوارض جانبی استفاده می‌شود. در مجموع این داده‌ها برای تدوین تجزیه و تحلیل‌های پیش‌بینی مورد استفاده قرار می‌گیرند و در بین جمعیت‌های مختلف بیماران در همه مراقبت‌های بهداشتی مورد استفاده قرار می‌گیرند و دارویی که واقعاً شخصی سازی شده را ارائه می‌دهند.
"آندره فیومیچلی" معاون رئیس و مدیرکل بهداشت و درمان و علوم زندگی در شرکت بزرگ "DXC Technology" می‌گوید: در نهایت هوش مصنوعی و تجزیه و تحلیل داده‌ها می‌توانند عامل برخورداری از برخی از دشوارترین شرایط درمانی امروزی باشند. با ترکیب اطلاعات ژنومیک با داده‌های شخصی بیمار و سوابق الکترونیکی سلامت وی حاصل از اطلاعات ثبت شده در پوشیدنی‌های هوشمند، ارائه دهندگان خدمات بهداشتی می‌توانند از داروهای دقیق برای تعیین مؤثرترین روش‌ها برای درمان بیماران استفاده کنند.
وی افزود: این نوید یک پتانسیل فوق العاده را برای درمان شرایط پیچیده مانند افسردگی می‌دهد. هوش مصنوعی می‌تواند با استفاده از اطلاعاتی چون سن بیمار، جنسیت، سوابق بیماری، ژنومیک، سبک زندگی، محیط زندگی و غیره به تعیین احتمال ابتلا به افسردگی بپردازد و می‌تواند اطلاعاتی در مورد اقدامات و واکنش‌های احتمالی قبل از وقوع ارائه دهد. بنابراین پزشکان را قادر می‌سازد یک درمان موثرتر ارائه دهند.
"روتی داوی" معاون علوم داده در شرکت "Acorn AI" می‌گوید: یکی از پیشرفت‌های کلیدی که نباید آن را نادیده گرفت استفاده از مجموعه داده‌های با دقت مدیریت شده برای تشکیل بازوهای کنترل مصنوعی به عنوان جایگزینی برای دارونما در کارآزمایی‌های بالینی است. داوطلب شدن بیماران برای کارآزمایی‌های کنترل تصادفی به خصوص در بیماری‌های کم جمعیت می‌تواند چالش برانگیز باشد. از دید بیمار، در حالی که یک داروی تحقیقاتی می‌تواند با فراهم کردن یک گزینه درمانی جدید امیدبخش باشد، قرار گرفتن در گروه کنترل می‌تواند یک نکته ناامید کننده باشد. علاوه بر این، اگر بیماران تشخیص دهند که در گروه کنترل قرار دارند، ممکن است آن را ترک کرده و اعتبار و تکمیل کل آزمایش تهدید شود.
وی افزود: با این حال، به لطف پیشرفت در تجزیه و تحلیل پیشرفته و تعداد زیادی از داده‌های موجود، ما معتقدیم یک فرصت واقعی برای تغییر روند کارآزمایی بالینی وجود دارد. با استفاده از داده‌های فراوان بیمار می‌توانیم یک بازوی کنترل مصنوعی(SCA) ایجاد کنیم که دقیقاً نتایج یک آزمایش کنترلی تصادفی سنتی را تقلید کند. این یک تلاش برای تغییر بازی است که تجربه کارآزمایی بالینی را برای بیماران تقویت می‌کند و درمان‌های نسل بعدی را از طریق پیشرفت بالینی تسریع می‌نماید.