گزارش وضعیت در یک ساعت به جای یک روز؛ در مبارزه با ابولا در آفریقا هوش مصنوعی نشان می‌دهد چگونه می‌تواند از نظام سلامت پشتیبانی کند، اما کارشناسان درباره نبود شفافیت و خطرهای نامشخص هشدار می‌دهند.
از ماه مه، تیم‌هایی در محل در جمهوری دموکراتیک کنگو (DRK) با ویروس ابولای بوندیبوگیو مبارزه می‌کنند. هر روز کارکنان سلامت که به آن‌ها Health Workers گفته می‌شود، در خانه‌ها را می‌زنند و مشاوره ارائه می‌کنند. آن‌ها موارد بهبودی و مرگ‌ومیر را ثبت می‌کنند و افرادی را که علائم مشکوک دارند به مراکز درمانی ارجاع می‌دهند.
آگهی
آگهی
دانش این کارکنان سلامت که در دفترچه‌هایشان وضعیت یک جامعه کامل ثبت شده، بنا بر گزارش شرکت هوش مصنوعی Anthropic دیجیتالی شده‌است.
چه کسی بیمار است؟ این فرد با چه کسانی در تماس بوده و پیش از آن‌که از آلودگی خود باخبر شود، در کجاها حضور داشته‌است؟ برای تحلیل پاسخ‌ها و گزارش‌ها از مدل Claude متعلق به Anthropic استفاده شده‌است. در این مطالعه، نهادهایی مانند CEPI، دفتر منطقه‌ای سازمان جهانی بهداشت برای آفریقا و موسسه ملی پژوهش‌های زیست‌پزشکی INRB مشارکت داشته‌اند.
هوش مصنوعی به برآورد سریع‌تر گسترش اپیدمی‌ها کمک می‌کند
دکتر ماری روزلین دارنیکا بلیزر، مدیر آمادگی و واکنش اضطراری در دفتر منطقه‌ای آفریقا در سازمان جهانی بهداشت (WHO) توضیح می‌کند: «گزارش وضعیت اکنون ظرف یک ساعت تهیه می‌شود، در حالی‌که قبلا یک روز کامل کاری زمان می‌برد.» به‌گفته این مقام سازمان جهانی بهداشت روی صحنه World Health Summits، هوش مصنوعی می‌تواند به ارزیابی سریع‌تر گسترش اپیدمی‌ها و هدفمندتر شدن کمک‌های پزشکی کمک کند.
در تحلیل داده‌ها، مناطق احتمالی بروز بیماری شناسایی و تدارکاتی انجام شد؛ از جمله انتقال ذخایر اقلام کمک‌های پزشکی به گره‌های اصلی یا مناطق پرخطر.
این آمادگی در شرایط بحرانی می‌تواند تعیین‌کننده باشد، زیرا هرچه نهادهای بهداشتی زودتر به یک احتمال شیوع واکنش نشان دهند، بهتر می‌توانند خود را آماده و تامین خدمات را سازمان‌دهی کنند. قرار است هوش مصنوعی در این روند کمک کند تا اطلاعات از منابع گوناگون سریع‌تر تحلیل شود و تصمیم‌گیری مسئولان پشتیبانی شود.
این نمونه مثبت از به‌کارگیری هوش مصنوعی در نظام سلامت نشان می‌دهد که در چه سطحی می‌توان با ریسک نسبتا پایین از این فناوری استفاده کرد. با این حال کارشناسان معتقدند در آینده، کاربردهای هوش مصنوعی بسیار گسترده‌تر خواهد بود.
این فناوری می‌تواند دقت تشخیص‌ها را افزایش دهد، کارکنان درمان را از بار کار اداری رها کند و کمک کند منابع محدود هدفمندتر مصرف شوند. همزمان پرسش‌های بنیادی مطرح می‌شود: نتایج تا چه حد قابل اعتمادند؟ آیا متخصصان پزشکی می‌توانند بفهمند که یک سامانه هوش مصنوعی چگونه به یک تصمیم رسیده‌است؟ و آیا در نهایت این بیماران هستند که از این تحول سود می‌برند؟
هوش مصنوعی به‌عنوان پشتیبان پرسنل درمانی تحت فشار
در سراسر جهان نیاز به خدمات درمانی رو به افزایش است و همزمان در بسیاری از نقاط، کمبود نیروی انسانی، زمان و امکانات وجود دارد. برای دکتر توماس زاپاتا، مدیر آکادمی سازمان جهانی بهداشت در لیون، این کمبودها یکی از نقاط اصلی ورود هوش مصنوعی به حوزه سلامت است.
دکتر زاپاتا در یک پنل بحثی در World Health Summit می‌گوید: «ما باید به پارادوکسی فکر کنیم که امروز با آن روبه‌رو هستیم. اکنون در جهان تعداد متخصصان سلامت بیش از هر زمان دیگر است و فناوری‌های بی‌سابقه‌ای در اختیار داریم.» به‌گفته او با وجود این، کمبود شدید نیروی انسانی در نظام سلامت دیده می‌شود: «تقاضا برای خدمات درمانی مدام در حال افزایش است.»
او هوش مصنوعی را ابزاری برای کوچک‌تر کردن این شکاف می‌داند، اما تاکید می‌کند که این فناوری نباید هدف در خود تلقی شود، بلکه باید به‌عنوان ابزاری دیده شود که در نظام‌های موجود سلامت ادغام می‌شود.
زاپاتا هشدار می‌دهد: «هوش مصنوعی یک تسهیل‌کننده و یک وسیله برای نیل به هدف است. امروز تا حد زیادی مجذوب فناوری و هوش مصنوعی شده‌ایم، اما به‌نظر من باید آن را در چارچوب نظام سلامت در جای درست قرار دهیم.» او معتقد است هوش مصنوعی در دو سطح می‌تواند موثر باشد: از یک سو در شیوه سازمان‌دهی خدمات درمانی و از سوی دیگر در آموزش و بازآموزی کارکنان سلامت که باید با امکانات جدید سازگار شود.
در نهایت، هوش مصنوعی می‌تواند به کاهش بار کاری، بهینه‌سازی امور اداری، تقویت تصمیم‌گیری بالینی و بهبود روند تشخیص کمک کند. برای او بسیار مهم است که این فناوری زمانی را آزاد کند برای آنچه به‌آسانی نباید و نمی‌توان خودکارسازی کرد: مراقبت از بیماران.
به‌ویژه بحران ابولا در جمهوری دموکراتیک کنگو نشان داده‌است که اعتماد به نظام‌های سلامت محلی ضعیف است.
پزشکان زمان بیشتری برای بیماران پیدا می‌کنند
در جاهایی که کارکنان درمان زیر فشار شدید زمانی کار می‌کنند، روندهای خودکار می‌تواند تفاوت ایجاد کند. دکتر سیلیا مباکا، مشاور ارشد فنی در حوزه سلامت و وضعیت‌های اضطراری در سازمان امدادی CARE، این چالش‌ها را از بیش از ۱۵ سال کار در خط مقدم می‌شناسد.
برای او سه پرسش کلیدی است: آیا هوش مصنوعی می‌تواند تصمیم‌گیری پزشکی را پشتیبانی کند؟ آیا می‌تواند کارهای تکراری را بر عهده بگیرد؟ و آیا کمک می‌کند که خدمات درمانی بیشتر با نیازهای فردی بیماران هماهنگ شود؟
دکتر سیلیاه مباکا، مشاور ارشد فنی سلامت و بحران‌ها در CARE، توضیح می‌دهد: «اگر هوش مصنوعی این کارها را به‌خوبی انجام دهد، زمان بیشتری برای جنبه‌های انسانی مراقبت باقی می‌ماند؛ زمانی که بتوانیم سوال بپرسیم، گوش کنیم، بیماران را معاینه کنیم و آن‌ها را به سطح بعدی خدمات ارجاع دهیم.»
او خود بیش از ۱۵ سال در خط مقدم با حمایت اندک، منابع محدود و بار کاری سنگین فعالیت کرده‌است.
به‌ویژه در اپیدمی‌ها، موضوع فقط داده‌های پزشکی نیست. اعتماد جامعه نیز نقش مهمی دارد. مردم باید مطمئن باشند که در یک مرکز درمانی در امانند و به‌طور مناسب تحت مراقبت قرار می‌گیرند. در جوامع آسیب‌دیده، این اعتماد می‌تواند تعیین کند که آیا بیماران به‌موقع برای دریافت کمک پزشکی مراجعه می‌کنند یا نه.
به‌گفته اپیدمیولوگ ماکسیمیلیان گرتلر، برآورد می‌شود حدود ۵۰ درصد مرگ‌ومیرها در روستاهای جمهوری دموکراتیک کنگو رخ می‌دهد و نه در مراکز درمانی، چرا که نظام سلامت محلی زیر فشار است و برای شیوع ابولا آماده نبود. هر روز به هزاران لباس محافظ نیاز است تا از آلوده شدن کارکنان مراقبت جلوگیری شود. آلمان اخیرا حجم کمک‌های خود را به ۲۱ میلیون یورو افزایش داده‌است.
بنابراین هوش مصنوعی می‌تواند در سازمان‌دهی خدمات درمانی نقش حمایتی داشته‌باشد، اما به‌تنهایی نمی‌تواند تضمین کند که مردم به مراکز درمانی اعتماد کنند. خود کارشناسان هوش مصنوعی نیز انتقاد می‌کنند که مسیر رسیدن به تشخیص در بسیاری موارد هنوز شفاف نیست.
مسئله شفافیت: هوش مصنوعی چگونه به تشخیص می‌رسد؟
سامانه‌های مدرن هوش مصنوعی قادرند حجم عظیمی از داده‌ها را تحلیل و الگوهایی را شناسایی کنند که ممکن است از چشم انسان دور بماند، اما اغلب روشن نیست که این سامانه‌ها دقیقا چگونه به نتایج خود می‌رسند.
دکتر توماس تزِن، استاد آموزش پزشکی و انفورماتیک در دانشکده پزشکی گایزل در دانشگاه دارتموث آمریکا، این مشکل را این‌گونه توضیح می‌دهد: «این سامانه‌ها در تشخیص الگوها بسیار توانا هستند، اما در توضیح این‌که این الگوها دقیقا چه معنایی دارند، بسیار ضعیف عمل می‌کنند.» او می‌گوید چت‌بات‌ها و مدل‌های زبانی بزرگ مانند Claude یا ChatGPT با آنچه او «مسئله توضیح‌پذیری» می‌نامد روبه‌رو هستند و هوش مصنوعی در اینجا همچنان یک جعبه سیاه باقی می‌ماند.
این موضوع به‌ویژه در نظام سلامت اهمیت دارد. وقتی سامانه‌ای یک تشخیص یا توصیه درمانی ارائه می‌کند، متخصصان پزشکی باید بتوانند تشخیص دهند که آیا این توصیه در مورد خاص مناسب است یا نه. صرف نتیجه کافی نیست؛ مسیر رسیدن به آن نیز باید قابل پیگیری باشد.
تزِن ادامه می‌دهد: «این همان مسئله توضیح‌پذیری است؛ آن‌ها نمی‌توانند به زبانی قابل فهم برای انسان توضیح دهند که چگونه به این نتایج می‌رسند.»
این موسوم به مشکل جعبه سیاه فقط به شفافیت محدود نمی‌شود، بلکه مسئله مسئولیت را نیز مطرح می‌کند: اگر هوش مصنوعی توصیه‌ای اشتباه ارائه کند، چه کسی پاسخ‌گوست؟ به‌گفته دکتر مباکا نیز بسیار مهم است که هوش مصنوعی صرفا نتیجه تحویل ندهد، بلکه واقعا فرآیند تصمیم‌گیری را تقویت کند.
کارشناس: هوش مصنوعی نباید جای یادگیری در آموزش را بگیرد
هوش مصنوعی در آموزش متخصصان پزشکی نیز می‌تواند کمک‌کننده باشد؛ مثلا با دسترس‌پذیر کردن سریع اطلاعات یا پشتیبانی در انجام وظایف تکراری. اما تزِن، استاد آموزش پزشکی و انفورماتیک، در حوزه یادگیری، این فناوری را همراه با ریسک می‌بیند.
او به مطالعه‌ای اشاره می‌کند که در آن جست‌وجوی اطلاعات با موتورهای جست‌وجوی معمول با استفاده از چت‌بات‌های هوش مصنوعی مقایسه شده‌است. بر اساس این تحقیق، دانشجویانی که از چت‌بات استفاده کرده‌اند، دانشی سطحی‌تر و کمتر پایدار داشته‌اند.
او می‌گوید: «این دشواری‌های به‌اصطلاح مطلوب در واقع برای فرآیند یادگیری بسیار مهم‌اند. اگر کل فرآیند یادگیری شناختی را به یک چت‌بات واگذار کنیم، هرچند ممکن است بسیار کارآمد باشد، در عمل چیزی نمی‌آموزیم.»
به‌نظر او کسانی که باید دانشی پایدار به‌دست آورند، نباید اجازه دهند که هوش مصنوعی همه بار فکری را از دوششان بردارد. به‌ویژه در پزشکی، گاهی باید در شرایطی تصمیم درست گرفت که پشتیبانی فنی در دسترس نیست.
تزِن نیز توصیه می‌کند هوش مصنوعی را عمدتا در جاهایی به‌کار بگیرند که فشار کاری را کاهش می‌دهد، اما در حوزه‌هایی که هدف، فهم و حفظ بلندمدت دانش است، یادگیری مستقل باید جایگاه خود را حفظ کند.