در عصر هوش مصنوعی (AI)، خرد چیست؟

در دنیای متصل دیجیتالی امروز، ما در دریایی از داده‌های سلامت غرق شده‌ایم. ساعت‌های هوشمند، ردیاب‌های تناسب اندام، پایشگرهای خواب، حسگرهای گلوکز و دستگاه‌های فشارسنج متصل، هر روز میلیاردها نقطه داده تولید می‌کنند. اما داده بیشتر، راه‌حل نیست. چالش این است که بدانیم با این داده‌ها چه کنیم. همان‌طور که من اغلب می‌گویم: پزشکان داده نمی‌خواهند، آن‌ها به دنبال بینش‌های کاربردی هستند. ارزش واقعی هوش مصنوعی و ابزارهای تحلیلی در این است که داده‌های پیچیده را برای ما معنادار کنند. اگر نتوانند به ما بگویند که این اعداد و ارقام در عمل چه مفهومی دارند و چرا مهم هستند، عملاً بی‌فایده‌اند.

این موضوع را در نظر بگیرید: وقتی همه‌گیری کووید-۱۹ در اوایل سال ۲۰۲۰ باشگاه‌های ورزشی را تعطیل کرد، من برای ورزش به واقعیت مجازی روی آوردم. من ۱۰۰ روز متوالی را در یک پلتفرم تناسب اندام واقعیت مجازی به نام Supernatural تمرین کردم. ضربان قلب من در طول جلسات به طور منظم به ۱۶۰ ضربه در دقیقه می‌رسید و من تغییرات آن را در طول زمان با استفاده از اپلیکیشن HeartWatch روی ساعت اپل خود ردیابی می‌کردم. در آن دوره، میانگین ضربان قلب من در حالت استراحت ۱۵ واحد کاهش یافت.

این چیزی فراتر از یک حکایت ورزشی است؛ این یک مطالعه موردی واقعی در زمینه سلامت کمّی‌شده است. حالا به این موارد، تنوع‌پذیری ضربان قلب، کیفیت خواب، زمان بهبودی و حتی تخمین حداکثر اکسیژن مصرفی از دستگاه‌های پوشیدنی را اضافه کنید تا ناگهان دیدگاهی چندبعدی از سلامت به دست آورید. پس از بهبودی من از کووید-۱۹، حداکثر اکسیژن مصرفی‌ام به میزان قابل توجهی کاهش یافت. این کاهش در داده‌های دستگاه پوشیدنی من ثبت شد؛ سیگنالی که در غیر این صورت ممکن بود متوجه آن نشوم. این‌ها تنها چند نمونه از ردپاهای دیجیتالی هستند که می‌توانیم ردیابی کنیم. سؤال این است که چگونه آن‌ها را به معنایی منسجم تبدیل کنیم.

مسیر رسیدن به خرد: تلاقی شهود بالینی و هوش مصنوعی

پزشکی هم هنر است و هم علم. پزشکان آموزش می‌بینند تا در طول هزاران مواجهه با بیمار، الگوها را تشخیص دهند. در دوران رزیدنتی من در بیمارستان عمومی ماساچوست ، شیفت‌های ۳۶ ساعته بخش مراقبت‌های ویژه به من تجربه عملی پذیرش و مدیریت بیماران پیچیده را داد و می‌توانستم تکامل وضعیت آن‌ها را لحظه به لحظه مشاهده کنم. این تجربه نوعی شهود بالینی را در من پرورش داد؛ حسی که می‌گوید در دریایی از علائم و سیگنال‌ها، چه چیزی بیشترین اهمیت را دارد.

امروزه، این پیچیدگی چندین برابر شده است. داده‌ها نه تنها از پرونده الکترونیک سلامت، بلکه از هر دستگاه متصلی که بیمار استفاده می‌کند، سرازیر می‌شوند. هیچ پزشکی نمی‌تواند این حجم از اطلاعات را به صورت آنی جذب کند. به همین دلیل است که هوش مصنوعی و یادگیری ماشین باید این مسئولیت را بر عهده بگیرند؛ نه برای جایگزینی تخصص بالینی، بلکه برای تقویت آن. هوش مصنوعی می‌تواند روندهای نامحسوس را تشخیص دهد، سیگنال‌های چندوجهی را مرتبط سازد و علائم اولیه وخامت حال را بسیار پیش از آنکه یک انسان بتواند، شناسایی کند.

آنچه اهمیت دارد، یکپارچه‌سازی با فرآیند کاری است. ما نمی‌خواهیم پزشکان به داده‌های خام دستگاه‌های ۱۰۰ بیمار خیره شوند. ما به داشبوردها و سیستم‌های پشتیبان تصمیم‌گیری نیاز داریم که بگویند: «این پنج بیمار در حال حرکت به سمت ریسک بالا هستند.» و به سیستم‌هایی نیاز داریم که به طور پیشگیرانه یک تماس پیگیری، تنظیم دارو یا مداخله را قبل از وقوع بحران فعال کنند.

مراقبت پیش‌فعال، شخصی‌سازی‌شده و پیشگیرانه

بیایید پزشکی کمّی‌شده را در اوج پتانسیل خود تصور کنیم. یک ساعت هوشمند به صورت غیرفعال آریتمی‌های نامحسوس را ردیابی کرده و فیبریلاسیون دهلیزی را قبل از بروز علائم شناسایی می‌کند. یک پایشگر مداوم قند خون که با یک دفترچه یادداشت غذایی جفت شده، پاسخ‌های شخصی‌سازی‌شده بدن به رژیم غذایی را آشکار می‌سازد. آنالیز شیوه راه‌ رفتن شما از طریق تلفن همراه‌تان، می‌تواند نخستین تغییرات مرتبط با زوال عصبی را آشکار سازد.

حال این را به هزاران نشانگر زیستی (بیومارکر) تعمیم دهید. امروزه، ما می‌توانیم هزاران پروتئین و متابولیت را در یک نمونه خون اندازه‌گیری کنیم. این داده‌ها را با ژنومیک، داده‌های میکروبیوم و سیگنال‌های دیجیتالی مانند خواب، فعالیت و خلق‌وخو ترکیب کنید تا به چیزی برسید که ما آن را «پروفایل‌های چند-اُمیک» می‌نامیم. این بینش‌های لایه‌لایه، چیزی را آشکار می‌کنند که تصاویر ثابت (لحظه‌ای) قادر به نشان دادن آن نیستند: اینکه بدن شما چگونه در لحظه در حال تغییر است.

دکتر مایکل اسنایدر، استاد ژنتیک در دانشگاه استنفورد، مطالعه‌ای را با استفاده از دستگاه‌های پوشیدنی برای تشخیص کووید-۱۹ قبل از ظهور علائم رهبری کرد. با تحلیل ضربان قلب در حالت استراحت و الگوهای خواب، این سیستم عفونت‌ها را چند روز زودتر تشخیص داد. اسنایدر این رویکرد را «چراغ چک موتور برای بدن» می‌نامد.

ما نیازی نداریم منتظر بمانیم تا مردم بیمار شوند. اکنون می‌توانیم سیستم‌هایی بسازیم که زودتر به ما هشدار داده و کمک کنند تا سریع‌تر اقدام کنیم.

از رویکرد «یک نسخه برای همه» به سوی شخصی‌سازی هوشمند

در طول تاریخ، دستورالعمل‌های بالینی بر اساس مجموعه داده‌های محدودی مانند «مطالعه قلب فرامینگهام» استوار بوده‌اند؛ مطالعه‌ای مهم، اما از نظر جمعیتی محدود. ابتکار «همه ما» از مؤسسه ملی بهداشت آمریکا در حال تغییر این رویه است و با ایجاد یک مجموعه داده از یک میلیون آمریکایی با تنوع نژادی و قومی، به دنبال ایجاد بینش‌های فراگیرتر است.

مدل‌های هوش مصنوعی که بر روی این گستره از داده‌ها آموزش دیده‌اند، می‌توانند تشخیص دهند که آنچه برای یک زن سفیدپوست در نیوانگلند صادق است، ممکن است برای یک مرد هندی-آمریکایی در کالیفرنیا صدق نکند. جغرافیا، محیط (اکسپوزوم)، قومیت و رفتار، همگی بر مسیرهای سلامت تأثیر می‌گذارند.

در این زمینه، پزشکی کمّی‌شده به یک ناوبری شخصی‌سازی‌شده تبدیل می‌شود. آن را مانند «نقشه گوگل برای سلامت خود» در نظر بگیرید. همانطور که نقشه گوگل ترافیک، جاده‌های بسته و ترجیحات شخصی را در نظر می‌گیرد، یک راهنمای سلامت مبتنی بر هوش مصنوعی نیز می‌تواند سفر سلامتی شما را بر اساس بیولوژی منحصر به فرد، محیط و بینش‌های به دست آمده از دیگران در مسیرهای مشابه، هدایت کند. در همین راستا، در کار اخیر پژوهشگران گوگل که در مجله Nature منتشر شده، آن‌ها در حال توسعه یک «مدل زبانی بزرگ سلامت شخصی» هستند که بینش‌ها و پیش‌بینی‌هایی شخصی‌سازی‌شده و منطبق بر شرایط هر فرد را بر اساس داده‌های دستگاه‌های پوشیدنی ارائه می‌کند.

تصور کنید در حال خواندن یک مطالعه بالینی ۵ ساله هستید که به صورت پویا با شواهد جدید و داده‌های حاصل از مشارکت عمومی به‌روز شده و متناسب با پروفایل ژنتیکی و سبک زندگی شما سفارشی شده است. این کاری است که یک «مطالعه زنده» می‌تواند انجام دهد.

چه چیزی مانع پیشرفت ماست؟

با وجود تمام این وعده‌ها، موانعی همچنان باقی است. بزرگترین مانع، فرآیند کار بالینی است. هیچ پزشکی نمی‌خواهد زیر بار هشدارها یا داده‌های خام مدفون شود. آنچه آن‌ها نیاز دارند، خلاصه‌های واضح و کاربردی است که با روال روزمره‌شان یکپارچه شود.

مسئله دیگر، انگیزه‌هاست: شما همان چیزی را به دست می‌آورید که اندازه‌گیری می‌کنید و برایش انگیزه ایجاد می‌کنید. آیا ما برای مراقبت‌های پیشگیرانه انگیزه ایجاد می‌کنیم؟ آیا برای زمانی که صرف تحلیل بیومارکرهای دیجیتال می‌شود، هزینه‌ای بازپرداخت می‌کنیم؟

ما همچنین نیازمند استانداردسازی (برای ایجاد زبان مشترک)، قابلیت تبادل یکپارچه داده‌ها میان سیستم‌های مختلف و وجود مقرراتی شفاف و مشخص هستیم. امروزه داده‌های سلامت در سیلوهای جداگانه قرار دارند و بیماران به ندرت کنترل یا دسترسی کامل به آن‌ها دارند. ما باید افراد را توانمند سازیم تا داده‌های سلامت خود را به اشتراک بگذارند، مالک آن باشند و از آن بهره‌مند شوند، در حالی که با تیم‌های درمانی خود همکاری می‌کنند.

آینده: خرد در مقیاس وسیع

چه می‌شد اگر می‌توانستیم ردیابی مداوم بیومتریک را با تفسیر آنی هوش مصنوعی ادغام کنیم، آن را با پرونده‌های پزشکی الکترونیک یکپارچه سازیم و حلقه‌های بازخوردی بسازیم که با هر مواجهه با بیمار تکامل یابد؟ این آینده پزشکی کمّی‌شده است: خرد در مقیاس وسیع.

با در دسترس قرار گرفتن داده‌های بیشتر، از الگوهای صوتی گرفته تا اسکن شبکیه و بیومارکرهای دیجیتالی که هنوز کشف نکرده‌ایم، ما قادر خواهیم بود از مراقبت واکنشی به مراقبت پیش‌بینانه تغییر مسیر دهیم. این فرصت نه تنها در تشخیص زودهنگام بیماری، بلکه در افزایش طول عمر سالم، بهبود کیفیت زندگی و کاهش هزینه‌ها نهفته است. ما ابزارها را در اختیار داریم. اکنون باید سیستم‌ها، انگیزه‌ها و ذهنیت را برای استفاده خردمندانه از آن‌ها همسو کنیم.

دکتر دانیل کرفت پزشک، بنیان‌گذار و رئیس NextMed Health است. او در نقطه تلاقی سلامت، زیست‌پزشکی، فناوری و نوآوری فعالیت می‌کند.