هوش مصنوعی این قدرت را دارد که دنیای سلامت و پزشکی را متحول کند؛ از تشخیص بیماری‌ها با سرعتی فرا انسانی گرفته تا شخصی‌سازی درمان‌ها برای هر بیمار. این یک رویای شیرین و در دسترس است. اما در مسیر تحقق این رویا، یک مانع بزرگ و پنهان وجود دارد که می‌تواند این فرصت طلایی را به یک تهدید جدی تبدیل کند: تنظیم گری نادرست.
یک گزارش تحلیلی در آمریکا، با کالبدشکافی موانع پیش روی قانون‌گذاران، به روشنی نشان می‌دهد که چگونه ترکیبی از فشارهای سیاسی، هراس عمومی و درک ناکافی از فناوری، یک «طوفان کامل» برای خفه کردن نوآوری ایجاد می‌کند. در چنین فضایی، فرآیند قانون‌گذاری از یک رویکرد دقیق و مبتنی بر شواهد، به یک واکنش شتاب‌زده برای «انجام یک کار» تبدیل می‌شود. این واکنش، که با هدف ظاهریِ کنترل ریسک و نمایش اقتدار نظارتی صورت می‌گیرد، اگر بر پایه‌ی دانش فنی عمیق نباشد، به طور سیستماتیک به ضد خود تبدیل شده و همان پیشرفتی را که مدعی حفاظت از آن است، فلج می‌کند.
این سناریو برای سیستم سلامت ایران نه تنها آشناست، بلکه به دلیل ساختار متمرکز و چالش‌های خاص ما، می‌تواند با شدتی مضاعف رخ دهد. در ایران، جایی که فاصله میان اکوسیستم نوآور فناوری و بدنه‌ی سنتی قانون‌گذاری بسیار عمیق است، ریسک تدوین مقررات «از بالا به پایین» که واقعیت‌های فنی و نیازهای بازار را نادیده می‌گیرد، بسیار بالاست. این یک تهدید بالفعل برای استارتاپ ها، شرکت‌های دانش‌بنیان، متخصصان نوآوری و در نهایت، کیفیت خدمات درمانی در کشور محسوب می‌شود.
در این نوشتار سعی می کنم با نگاهی به چالش‌های مطرح شده در گزارش مذکور، درس‌های لازم را برای طراحی یک مسیر هوشمندانه و بقای نوآوری در اکوسیستم سلامت ایران استخراج کنم.
۱. خطر اصلی: «تنظیم‌گری نادرست»
خطرناک‌ترین تله در مسیر قانون‌گذاری برای هوش مصنوعی، وضع قوانینی است که در عمل، بیش از آنکه مفید باشند، ضرر می‌رسانند. این مشکل از دو جا سرچشمه می‌گیرد:
- جنجال‌های رسانه‌ای: تصویرهای آخرالزمانی و اغراق‌شده از هوش مصنوعی در رسانه‌ها.
- عدم درک فنی: آشنایی ناکافی سیاست‌گذاران با پیچیدگی‌های عملکردی هوش مصنوعی.
وقتی این دو با هم ترکیب شوند، قوانینی متولد می‌شوند که هزینه‌های فناوری را سرسام‌آور کرده، جلوی پیشرفت‌های پزشکی را می‌گیرند و در نهایت، به جای حفاظت از بیمار، بار کاری و اداری بیهوده ایجاد می کنند.
یک مثال بارز، قانون هوش مصنوعی کلرادو در آمریکاست. این قانون مفاهیمی مانند «خطر بالا» را به شکلی مبهم تعریف کرده و در حالی برای مقابله با تبعیض الگوریتمی وضع شده که قوانین ضد تبعیض از قبل وجود داشته‌اند. این یعنی ایجاد یک لایه بوروکراسی تکراری و ناکارآمد.
درس برای ایران: ما در ایران در ابتدای این مسیر هستیم. این یک مزیت است. می‌توانیم از اشتباهات دیگران درس بگیریم. به جای وضع قوانین کلی و مبهم، باید از همان ابتدا کارگروه‌های تخصصی متشکل از پزشکان، مهندسان هوش مصنوعی، حقوق‌دانان و متخصصان اخلاق تشکیل دهیم تا هسته اصلی مقررات آینده را با دقتی جراحی‌گونه تدوین کنند.
۲. ناتوانی در درک تفاوت‌ها: هوش مصنوعی یک «چیز» واحد نیست!
یک تصور غلط رایج این است که هوش مصنوعی یک فناوری یکپارچه است. در حالی که AI یک «طیف» از فناوری‌هاست. یک الگوریتم یادگیری ماشین که تصاویر رادیولوژی را تحلیل می‌کند، با یک مدل زبان بزرگ (LLM) که با بیمار چت می‌کند، از نظر فنی و از نظر ریسک، کاملاً متفاوت است.
قانون‌گذاران اغلب این تفاوت‌ها را نادیده می‌گیرند. برای مثال:
- ریسک‌های متفاوت: پدیده «توهم هوش مصنوعی»، که در آن هوش مصنوعی اطلاعات غلط تولید می‌کند، مختص مدل‌های مولد است و در سایر سیستم‌ها وجود ندارد. وضع یک قانون یکسان برای همه، مانند تجویز یک دارو برای تمام بیماری‌هاست.
- تعاریف مبهم: استفاده از تعاریف گسترده و غیردقیق در قانون، باعث می‌شود شرکت‌های نوآور و استارت‌آپ‌ها زیر بار هزینه‌های غیرضروری له شوند و تنها بازیگران بزرگ و ثروتمند در میدان باقی بمانند.
درس برای ایران: در تدوین مقررات ملی، باید به صراحت میان انواع هوش مصنوعی (تشخیصی، پیش‌بینی‌کننده، مولد و…) تمایز قائل شویم. سازمان غذا و دارو و وزارت بهداشت باید راهنماهای فنی مشخصی برای هر زیرشاخه از AI در سلامت منتشر کنند تا شرکت‌ها دقیقاً بدانند با چه استانداردها و انتظاراتی روبرو هستند.
۳. داده، سوگیری و حریم خصوصی: پاشنه آشیل هوش مصنوعی
هوش مصنوعی تشنه داده است. این وابستگی، سه چالش بزرگ ایجاد می‌کند:
- قوانین تکراری: در آمریکا اگر قوانین موجود به درستی اجرا و به‌روزرسانی شوند، برای حفاظت از داده‌های حساس بیماران نیازی به وضع قوانین جدید وجود ندارد.
- نمایندگی جمعیتی: اصرار بر اینکه مجموعه داده‌های آموزشی هوش مصنوعی باید نماینده کامل جمعیت باشد، همیشه منطقی نیست. بسیاری از دستگاه‌های پزشکی (چه با هوش مصنوعی و چه بدون آن) برای بیماری‌های نادر یا بیماری‌هایی که در یک گروه جمعیتی خاص شایع‌ترند (مانند برخی سرطان‌ها) طراحی شده‌اند. استانداردها باید واقع‌بینانه باشند.
- امنیت و حریم خصوصی: هرچند نگرانی‌ها درباره امنیت داده‌ها با ظهور هوش مصنوعی افزایش یافته، اما راهکار، لزوماً وضع قوانین جدید نیست، بلکه تضمین اجرای دقیق پروتکل‌های امنیتی موجود برای تمام سیستم‌های درمانی دیجیتال است.
درس برای ایران: این بخش برای ما حیاتی است. مدل‌های هوش مصنوعی که با داده‌های جمعیت‌های اروپایی یا آمریکایی آموزش دیده‌اند، ممکن است برای جمعیت ایرانی با ویژگی‌های ژنتیکی و سبک زندگی متفاوت، نتایج سوگیرانه و حتی خطرناک تولید کنند. ما باید بر ایجاد دیتاست‌های ملی و بومی سرمایه‌گذاری کنیم و مقرراتی وضع کنیم که استفاده از مدل‌های خارجی را منوط به اعتبارسنجی دقیق روی داده‌های ایرانی کند. این یک فرصت بزرگ برای تحقیقات داخلی و تضمین عدالت در سلامت است.
۴. ترمز نوآوری: چگونه انگیزه‌ها را زنده نگه داریم؟
مقررات سخت‌گیرانه و خشک می‌توانند به طور ناخواسته، انگیزه شرکت‌ها برای بهبود و نوآوری را از بین ببرند.
- کشتن انگیزه برای پیشرفت: اگر یک شرکت الگوریتم خود را بهبود بخشد، اما فرآیند دریافت تأییدیه مجدد به اندازه ساخت یک محصول جدید پیچیده و پرهزینه باشد، ترجیح می‌دهد نوآوری نکند.
- اولویت‌دهی بیش از حد به «قابلیت توضیح»: همه ما دوست داریم بدانیم هوش مصنوعی چگونه به یک نتیجه رسیده است. اما گاهی، به دلیل پیچیدگی مدل (مثلاً شبکه‌های عصبی عمیق)، توضیح کامل یک خروجی ممکن نیست. اگر یک سیستم به طور تجربی و بالینی ثابت کرده که دقیق و ایمن است، آیا عدم توانایی در توضیح کامل باید مانع استفاده از آن شود؟ تمرکز باید بر اثربخشی و ایمنی اثبات‌شده باشد، نه صرفاً قابلیت توضیح.
- نیاز به ابزارهای انعطاف‌پذیر: برای فناوری‌های نوظهور که در چارچوب‌های فعلی نمی‌گنجند، باید از «سندباکس های نظارتی» استفاده کرد. این محیط‌های کنترل‌شده به نوآوران اجازه می‌دهند تا محصولات خود را تحت نظارت یک نهاد تنظیم کننده در دنیای واقعی آزمایش کنند، بدون آنکه اسیر قوانین دست‌وپاگیر شوند.
درس برای ایران: اکوسیستم استارت‌آپی ایران سرشار از استعداد است. برای جلوگیری از فرار مغزها و تشویق نوآوری داخلی، باید مسیرهای سریع و کم‌هزینه برای تأیید نرم‌افزارهای پزشکی مبتنی بر هوش مصنوعی ایجاد کنیم. ایده «سندباکس نظارتی» می‌تواند توسط معاونت علمی و فناوری ریاست‌جمهوری با همکاری وزارت بهداشت پیاده‌سازی شود تا ایران به زمین حاصلخیزی برای رشد فناوری‌های سلامت تبدیل شود.
۵. حکمرانی تنظیم‌گری: چه کسی باید فرمان را به دست بگیرد؟
یک وسوسه بزرگ، ایجاد یک نهاد متمرکز و جدید برای قانون‌گذاری تمام حوزه‌های هوش مصنوعی است. این یک اشتباه است. چرا؟
- ایجاد بوروکراسی اضافی: یک نهاد جدید که می‌خواهد برای هوش مصنوعی در حمل‌ونقل، کشاورزی و سلامت به طور یکسان قانون وضع کند، تخصص لازم را نخواهد داشت و تنها به تکرار قوانین و افزایش هزینه‌ها منجر می‌شود.
- نادیده گرفتن تخصص موجود: نهادهایی مانند سازمان غذا و دارو (FDA در آمریکا) دهه‌هاست که در زمینه ارزیابی دستگاه‌های پزشکی تجربه دارند. راهکار درست، تضعیف آن‌ها نیست، بلکه تقویت آن‌هاست. این نهادها باید به پرسنل متخصص در هوش مصنوعی و منابع کافی مجهز شوند تا بتوانند وظایف خود را به درستی انجام دهند.
درس برای ایران: به جای فکر کردن به «سازمان ملی هوش مصنوعی»، باید ظرفیت‌های موجود در وزارت بهداشت و سازمان هایی مانند غذا و دارو را تقویت کنیم. این نهادها باید با استخدام متخصصان داده و هوش مصنوعی و برگزاری دوره‌های آموزشی برای کارشناسان خود، برای مواجهه با این موج جدید فناوری آماده شوند.
سخن پایانی: گام‌های هوشمندانه برای آینده‌ای روشن
چالش‌های پیش روی قانون‌گذاری و تنظیم‌گری هوش مصنوعی در سلامت، پیچیده اما قابل مدیریت هستند. پیام اصلی این تحلیل روشن است:
ما صرفاً به مقررات بیشتر نیاز نداریم، بلکه به مقرراتی هوشمند نیازمندیم که دقیق، متناسب با ریسک و آنقدر انعطاف‌پذیر باشد که راه را برای پیشرفت باز کند، نه اینکه آن را سد کند.
ایران این فرصت تاریخی را دارد که با نگاه به تجربیات جهانی و درک عمیق از نیازهای بومی خود، یک چارچوب نظارتی بسازد که هم از سلامت مردم محافظت می‌کند و هم مسیر را برای نوآوران و کارآفرینان هموار می‌سازد. بنابراین لازم است با احتیاط، تخصص و نگاهی به آینده، در این مسیر گام برداریم و اطمینان حاصل کنیم که هوش مصنوعی، به یاری قدرتمند برای نظام سلامت ما تبدیل می‌شود، نه یک کابوس بوروکراتیک.
دیدگاهتان را بنویسید