نادر جهان مهر

متخصص اقتصاد سلامت 

مقدمه: فراتر از هیاهو

هیاهوی فراوانی پیرامون پتانسیل تحول‌آفرین هوش مصنوعی (AI) در پزشکی وجود دارد و بسیاری آن را راه‌حلی برای بهبود تشخیص، کاهش هزینه‌ها و متحول کردن مراقبت از بیمار می‌دانند. با این حال، واقعیت پیچیده‌تر از این است. پژوهش‌های دقیق اقتصادی نشان می‌دهند که بزرگترین موانع در مسیر پذیرش گسترده هوش مصنوعی، نه صرفاً چالش‌های فنی، بلکه موانعی عمیقاً انسانی و سیستمی هستند. این مقاله با استناد به کتاب کنفرانس «اقتصاد هوش مصنوعی: چالش‌های مراقبت‌های بهداشتی»، که توسط دفتر ملی پژوهش‌های اقتصادی (NBER) در آمریکا منتشر شده، به بررسی مهم‌ترین یافته‌های اقتصادی در این زمینه می‌پردازد و اصطکاک میان فناوری و سیستم‌های انسان‌محور را آشکار می‌سازد.

۱. پارادوکس پزشکان: بزرگترین مانع هوش مصنوعی، خود انسان‌ها هستند

یکی از بزرگترین و غیرمنتظره‌ترین موانع در برابر پذیرش هوش مصنوعی، مقاومت خود پزشکان است. اما این مقاومت صرفاً یک واکنش عاطفی نیست، بلکه ریشه در اصول بنیادین اقتصاد کار دارد. دیوید درانو و کریگ گارثویت با تکیه بر چارچوب اقتصادی «جایگزینی در برابر مکمل بودن» (substitution vs. complementarity)، استدلال می‌کنند که مقاومت پزشکان یک پاسخ اقتصادی منطقی به فناوری‌ای است که جایگاه محوری، استقلال و درآمد آن‌ها را تهدید می‌کند.

در اقتصاد کار، فناوری می‌تواند یا مکمل مهارت‌های یک کارگر باشد (و او را کارآمدتر کند) یا جایگزین وظایف او شود (و او را غیرضروری سازد). مقاومت زمانی به اوج خود می‌رسد که هوش مصنوعی نه به‌عنوان یک ابزار مکمل، بلکه به‌عنوان یک جایگزین برای ارزشمندترین وظایف پزشکان—یعنی تشخیص‌های پیچیده و غیر روتین—ظاهر می‌شود. درانو و گارثویت این چالش را به زیبایی خلاصه می‌کنند:

موفقیت هوش مصنوعی ممکن است به پذیرش از سوی همان افرادی بستگی داشته باشد که موفقیتشان را تهدید می‌کند—یعنی پزشکان.

بنابراین، این مشکل صرفاً یک چالش فناورانه نیست، بلکه یک مسئله انگیزشی و هویتی است که از منطق اقتصادی قابل پیش‌بینی ناشی می‌شود. تا زمانی که هوش مصنوعی به‌عنوان یک رقیب جایگزین تلقی شود، پذیرش آن با مقاومت جدی روبرو خواهد شد.

۲. سراب داده‌ها: چرا با وجود حجم عظیم اطلاعات در سیستم مراقبت‌های بهداشتی ، دسترسی به آنها دشوار است؟

با وجود اینکه سیستم مراقبت‌های بهداشتی روزانه حجم عظیمی از داده‌ها را تولید می‌کند، سندهیل مولایناتان و زیاد اوبرمایر استدلال می‌کنند که بزرگترین مانع فنی در برابر هوش مصنوعی، «فقدان داده‌های بالینی قابل دسترس» است. پژوهش خود آن‌ها برای ساخت الگوریتمی جهت بهبود تشخیص حمله قلبی در بخش اورژانس، این واقعیت را به وضوح نشان داد. آن‌ها دریافتند که هوش مصنوعی می‌تواند به شکل چشمگیری آزمایش‌های ناکارآمد را کاهش دهد، اما ساخت الگوریتم به دلیل پراکندگی، ناسازگاری و تکه‌تکه بودن داده‌ها در سیستم‌های مختلف و محدودیت‌های دسترسی ناشی از قوانین حریم خصوصی مانند HIPAA، تقریباً غیرممکن بود.

این مشکل یک نمونه برجسته از آن چیزی است که اقتصاددانان آن را «کالای عمومی کلاسیک» (classic public good) می‌نامند. یعنی هیچ بازیگر واحدی، چه بیمارستان و چه شرکت فناوری، انگیزه قوی برای ایجاد و به اشتراک گذاشتن یک مجموعه داده جامع و قابل دسترس برای همه را ندارد، هرچند که وجود چنین منبعی به نفع کل جامعه خواهد بود. این مثال واقعی با پیامدهای مرگ و زندگی، نشان می‌دهد که این مانع ساختاری ممکن است بنیادی‌تر از چالش‌های دیگر مانند مشوق‌های مالی یا مقررات باشد.

۳. صرفه‌جویی حیرت‌آور اما دست‌نیافتنی: پتانسیل صدها میلیارد دلاری هوش مصنوعی که در پیچ‌وخم مدیریت گم شده است

بر اساس مقاله نیکیل ساهنی، جورج استاین، رادنی زمل و دیوید کاتلر، هوش مصنوعی پتانسیل عظیمی برای کاهش هزینه‌های مراقبت‌های بهداشتی دارد و می‌تواند سالانه بین ۲۰۰ تا ۳۶۰ میلیارد دلار در ایالات متحده صرفه‌جویی ایجاد کند. اما نکته شگفت‌انگیز اینجاست که مانع اصلی تحقق این صرفه‌جویی چیست؟ در حالی که بسیاری معتقدند که مدل‌های پرداخت مانع اصلی هستند، این پژوهش مقصر اصلی را در جای دیگری جستجو می‌کند: «موانع مدیریتی، هم در سطح سازمانی و هم در سطح صنعت».

چالش‌هایی مانند فناوری‌های قدیمی، جزیره های جدا از هم داده ها و کمبود افراد متخصص در سازمان‌های بهداشتی، مانع از پیاده‌سازی مؤثر راه‌حل‌های هوش مصنوعی می‌شوند. این یافته، روایت‌های رایج را به چالش می‌کشد و شکاف عمیق بین پتانسیل تئوریک هوش مصنوعی و واقعیت عملی را آشکار می‌کند. این پژوهش نشان می‌دهد که حتی با وجود فناوری بی‌نقص و مشوق‌های مالی ایده‌آل، بدون غلبه بر چالش‌های ریشه‌دار عملیاتی و سازمانی، این صرفه‌جویی هنگفت دست‌نیافتنی باقی خواهد ماند.

۴. واقعیت مقررات: مشکل، نفس قانون‌گذاری نیست، بلکه «عدم قطعیت» آن است

روایت رایج این است که مقررات سخت‌گیرانه مانع نوآوری می‌شود. اما آریل استرن در تحلیل خود دیدگاه ظریف‌تری ارائه می‌دهد. او استدلال می‌کند که مانع اصلی، خودِ مقررات نیست، بلکه «عدم قطعیت محیط نظارتی» است. این عدم قطعیت از یک ناسازگاری بنیادین ناشی می‌شود: هوش مصنوعی نرم‌افزاری است که دائماً یاد می‌گیرد و به‌روزرسانی می‌شود، در حالی که سیستم نظارتی برای دستگاه‌های فیزیکی و ثابت طراحی شده است.

این عدم قطعیت یک مانع ورود به بازار ایجاد می‌کند که به‌طور نامتناسبی به «شرکت‌های کوچکتر و شرکت‌های خارجی» آسیب می‌زند، زیرا آن‌ها فاقد منابع و تخصص لازم برای هدایت یک محیط نظارتی غیرقابل پیش‌بینی هستند. در مقابل، استرن نشان می‌دهد که «مقررات مؤثر می‌تواند پذیرش را تشویق کند». وجود یک چارچوب نظارتی شفاف، سرمایه‌گذاری را ترویج می‌دهد. به‌عنوان شاهدی بر اینکه مقررات یک مانع مطلق نیست، داده‌های او «افزایش چشمگیر در تجاری‌سازی محصولات هوش مصنوعی در سال‌های اخیر» را نشان می‌دهد. این دیدگاه، روایت ساده‌انگارانه «مقررات مانع نوآوری است» را به چالش می‌کشد.

نتیجه‌گیری: آیا می‌توانیم از موانع انسانی عبور کنیم؟

پژوهش‌های اقتصادی دفتر ملی پژوهش‌های اقتصادی (NBER) تصویری فراتر از هیاهوی فناوری ارائه می‌دهند. یافته‌ها نشان می‌دهند که بزرگترین چالش‌های هوش مصنوعی در مراقبت‌های بهداشتی، فنی نیستند، بلکه ریشه در اصول اقتصادی و ساختارهای انسانی دارند: مقاومت پزشکان ناشی از تهدید جایگزینی اقتصادی، نبود داده‌های قابل دسترس به دلیل شکست بازار در تولید کالای عمومی، موانع مدیریتی که مانع تحقق صرفه‌جویی‌های عظیم می‌شوند، و عدم قطعیت نظارتی که موانع ورود به بازار را برای نوآوران کوچکتر ایجاد می‌کند.

این حقایق ما را با یک سؤال اساسی روبرو می‌کند. با توجه به اینکه بزرگترین موانع در برابر هوش مصنوعی نه در کدها، بلکه در فرهنگ، انگیزه‌ها و ساختارهای انسانی نهفته است، سؤال اصلی شاید این نباشد که فناوری چه زمانی آماده خواهد شد، بلکه این است که آیا ما آمادگی پذیرش و استفاده از آن را داریم؟

آکادمی زیوست چیست؟

آکادمی زیوست یک رسانه و پلتفرم تحلیلی است که با تمرکز بر شواهد موجود، فرصت‌ها و چالش‌های واقعی را در تقاطع دانش، فناوری و سلامت پیشگیرانه بررسی می‌کند. ما با تحلیل مستمر روندهای فناوری، سیگنال‌های مهم را از هیاهوی رسانه‌ای جدا می‌کنیم. سپس حاصل این تحلیل را در قالب مقالات عمیق و چارچوب‌های قابل فهم ارائه می‌دهیم تا به درک بهتر «سلامت دیجیتال» و «نوآوری‌های سلامت پیشگیرانه» کمک کنیم.  تمرکز ما بر ستون‌های تحول‌آفرین فرداست: از رمزگشایی هوش مصنوعی و یادگیری ماشین در تشخیص زودهنگام بیماری‌ها گرفته تا تحلیل فرصت‌های سرمایه‌گذاری و بازار سلامت پیشگیرانه در ایران و همینطور بررسی فضای رگولاتوری و سیاست‌گذاری‌هایی که مسیر نوآوری را هموار یا مسدود می‌کنند.