شفقنا – با توجه به سیاست‌های دولت‌ها مبنی بر گسترش نقش هوش مصنوعی در تشخیص و غربالگری، این فناوری پتانسیل زیادی برای افزایش ظرفیت، کاهش خطا و تشخیص زودهنگام بیماری‌ها دارد؛ به ویژه در خدماتی که مبتنی بر تصویربرداری هستند. اما برای موفقیت، هوش مصنوعی باید فراتر از آزمایش‌های کنترل‌شده عمل کند و با واقعیت سیستم‌های درمانی تطبیق یابد.
به گزارش سرویس ترجمه شفقنا، انتقال هوش مصنوعی از مقالات سیاستی به مسیرهای واقعی درمانی، به موارد زیر نیاز دارد:
زیرساخت دیجیتال: سیستم‌ها باید بتوانند به طور یکپارچه با زیرساخت‌های موجود (مثل سامانه‌های مدیریت غربالگری ملی) تعامل داشته باشند و موفق به جلب اعتماد پزشکان و بیماران و تضمین انصاف الگوریتم‌ها شوند. همچنین باید دید که سیستم‌های هوش مصنوعی چگونه تحت فشارهای روزمره بالینی عمل می‌کنند.
تیمی از محققان در لندن اولین ارزیابی در مقیاس بزرگ سیستم‌های تجاری هوش مصنوعی را برای غربالگری چشم دیابتی با استفاده از داده‌های واقعی انجام دادند.
بیماری رتینوپاتی دیابتی یا چشم دیابتی یکی از عوارض جدی و شایع دیابت نوع ۱ و نوع ۲ است که به دلیل آسیب به رگ‌های خونی شبکیه ایجاد می‌شود. شبکیه لایه‌ای حساس به نور در پشت چشم است که تصاویر را دریافت کرده و به مغز می‌فرستد و قند خون بالا (هایپرگلیسمی) که کنترل نشده باقی می‌ماند، به مرور زمان به رگ‌های خونی کوچک در سراسر بدن، از جمله شبکیه، آسیب می‌زند و منجر به این بیماری و بیماری‌های دیگر می‌شود.
هوش مصنوعی در غربالگری‌های تحقیق جدید توانست بیماری تهدیدکننده بینایی را با ۹۶ تا ۹۹٪ دقت تشخیص دهد و موفق به پردازش تصاویر در عرض چند ثانیه شد (به جای چند دقیقه).
این نتایج پتانسیل بالای هوش مصنوعی را نشان می‌دهد، اما همچنین بر اهمیت درک رفتار این ابزارها در محیط‌های عملیاتی واقعی تأکید می‌کند.
چندین نکته مهم در استفاده بالینی از هوش مصنوعی شناسایی شد:
ارزیابی مستقل ضروری است: سیستم‌های بهداشتی درمانی، به تضمین نیاز دارد که آزمایش‌ها بی‌طرفانه باشند و به داده‌های واقعی و نماینده (نه نمونه‌های کوچک و خاص) متکی باشند.
آمادگی دیجیتال معنی‌دار: یک الگوریتم عالی فایده‌ای ندارد اگر سیستم‌های محلی نتوانند تصاویر را بارگذاری کنند، خروجی‌ها را سریع برگردانند یا نتایج را در پلتفرم‌های تیمی ادغام کنند. زیرساخت دیجیتال، قابلیت استفاده واقعی هوش مصنوعی را تعیین می‌کند.
ایمنی در کنار کارایی: سرعت هوش مصنوعی باید با شفافیت گردش کار، قوانین گزارش‌دهی واضح و مکانیسم‌های بازبینی قوی برای موارد مرزی یا پیچیده همراه باشد.
تأثیر هزینه: راهکار هوش مصنوعی باید مقرون‌به‌صرفه‌تر از مسیرهای موجود باشد تا هزینه‌ها را افزایش ندهد.
درس‌هایی برای پذیرش موفق
سرمایه‌گذاری در ارزیابی ضمن خدمت: آزمایش در شرایط واقعی، تغییرات عملیاتی را که نشان می‌دهد هوش مصنوعی واقعاً برای استقرار آماده است، آشکار می‌کند.
توسعه زیرساخت دیجیتال مشترک: یک رویکرد متمرکز برای بارگذاری ایمن تصاویر و دریافت خروجی‌های سازگار، از تکه‌تکه شدن اجراها جلوگیری می‌کند.
ایجاد اعتماد و شفافیت: اعتماد کارکنان حیاتی است. نظارت مستمر و ارتباط شفاف، برای اطمینان از اینکه پزشکان می‌توانند با خیال راحت به هوش مصنوعی تکیه کنند، الزامی است.
حمایت از نیروی کار، نه جایگزینی آن: هوش مصنوعی ابزاری برای آزاد کردن ظرفیت و استانداردسازی وظایف تکراری است تا متخصصان بتوانند بر مراقبت‌های پیچیده‌تر تمرکز کنند.
اگر این اصول رعایت شوند، هوش مصنوعی می‌تواند به روشی ایمن و عملی وارد خدمات غربالگری شود که نهایتاً نتایج را بهبود بخشیده و به نفع بیمارانی باشد که به این برنامه‌ها تکیه می‌کنند.
این خبر را اینجا ببینید.
source