گزارش کرسی نظریه‌پردازی «کاربرد هوش مصنوعی در حوزه سلامت و پزشکی»

در سومین نشست کرسی نظریه‌پردازی فناوری مطرح شد؛

تشریح کاربردها، چالش‌ها و راهکارهای کاربرد هوش مصنوعی در حوزه پزشکی و سلامت /  اعلام آمادگی برای تشکیل کمیته مشترک میان دانشگاهی برای اجرای طرح‌های مشترک حوزه هوش مصنوعی و ارتباطات سلامت / آگاه‌سازی مردم موجب ایجاد حساسیت و سپس رفتارهای خودمراقبتی خواهد شد

سومین جلسه از سلسله نشست‌های کرسی نظریه‌پردازی فناوری با عنوان «کاربرد هوش مصنوعی در حوزه سلامت و پزشکی» روز دوشنبه، 16 اسفند ماه ۱۴۰۱، به همت انجمن ایرانی مطالعات فرهنگی و ارتباطات به صورت برخط برگزار شد.

در ابتدای این نشست، دکتر عباس قنبری باغستان، عضو هیئت علمی گروه ارتباطات دانشگاه تهران، با بیان این نکته که انجمن ایرانی مطالعات فرهنگی و ارتباطات یک انجمن علمی در سطح ملی است که وابسته به وزارت علوم بوده و در دانشکده علوم اجتماعی دانشگاه تهران مستقر است، گفت: انجمن حسب ماموریت‌های مختلفی که در حوزه فرهنگ، مطالعات اجتماعی و ارتباطات دارد کرسی‌هایی را به صورت سالیانه و در موضوع فناوری برگزار کرده و در این کرسی‌ها بیشتر به دنبال نظریه پردازی در خصوص فناوری‌های روز با نیم نگاهی به وضعیت امروز ایران و پیش‌بینی چشم‌انداز آینده آن در کشورمان است.

وی افزود: امسال به دلیل ظهور هوش مصنوعی در چند سال اخیر و مخصوصا با رونمایی از Chat GPT، هوش مصنوعی را مدنظر قرار دادیم که دو نشست با موضوع کسب و کار و سیاست خارجی برگزار کردیم و نشست سوم با موضوع کاربرد هوش مصنوعی در نظام بهداشت و سلامت کشور است.

دکتر قنبری ادامه داد: همچنین ما در دانشکده علوم اجتماعی دانشگاه تهران، موضوع ارتباطات سلامت را دنبال می‌کنیم که در این نگاه، از ظرفیت و پتانسیل دانش ارتباطات در حوزه‌های مختلف شامل رسانه، روابط عمومی و مارکتینگ استفاده کرده تا به موضوع سلامت و نظام سلامت کمک کنیم که چگونه در موضوع پیشگیری، ارتباط با بیمار، اقناع آنها و … به موفقیت دست یابند.

هوش مصنوعی و کاربردهایش در سلامت یک مزیت رقابتی برای کشور است

دکتر حسین ریاضی، عضو هیئت علمی گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران، ضمن تشکر از برگزاری این جلسه گفت: من سخنانم را با حدیثی از امام علی (ع) آغاز می‌کنم که می‌فرمایند: «دانش، سلطنت و قدرت است. هر که آن را بیابد بر آن یورش برد و پیروز شود و هر که آن را نیابد، بر او یورش برند و مغلوب گردد». علم هوش مصنوعی و کاربردهایش در سلامت طبیعتا می‌تواند یک مزیت رقابتی برای کشور و پرُ کنندة شکاف دیجیتالی و فناوری ایران در مقایسه با کشورهای دیگر باشد. سال گذشته مقام معظم رهبری در دیداری که با نخبگان و استعداد‌های علمی داشتند، پیشنهاد دادند که یکی از مسائلی که باید به آن توجه ‌شود، هوش مصنوعی است که کاربرد آن در اداره آینده دولت نقش اساسی دارد و ایشان در آنجا خواستند که کاری کنیم که جزءِ 10 کشور اول دنیا در حوزه هوش مصنوعی باشیم.

وی افزود: یک تعریف خلاصه برای هوش مصنوعی عبارت است از برنامه‌ریزی آن چیزی که غیرقابل برنامه‌ریزی است. خود هوش مصنوعی علم جدیدی نیست و بیش از 70 سال سابقه دارد ولی گسترش کاربردهای آن در دهه اخیر  که ناشی از افزایش قدرت پردازنده‌ها، تولید و مدیریت داده‌های حجیم و توسعه و پیشرفت زیرساخت‌های نرم‌افزاری است، سبب شده که این کاربردها به شدت توسعه پیدا کند و البته یکی از این کاربردها هم در حوزه سلامت و پزشکی است.

متناظرسازی کاربردهای هوش مصنوعی در حوزه پزشکی و سلامت

دکتر ریاضی با ذکر گرایش‌های مختلف هوش مصنوعی و مقایسه کاربردهای آن در پزشکی عنوان کرد: بینایی ماشین عمدتا به پردازش تصاویر می‌پردازد که متناظر آن در حوزه پزشکی و سلامت، پردازش تصاویر پزشکی یا همان سونوگرافی، رادیوگرافی، سی تی اسکن و … است. پردازش زبان طبیعی عمدتا بحث متن کاوی، تبدیل گفتار به متن، متن به گفتار و همان چیزی است که در زبان محاوره و مکتوبات استفاده می‌کنیم و طبیعتا در حوزه پزشکی و سلامت به گزارشات پزشکی برخواهد گشت. موضوع علم داده هم به مباحثی همچون داده‌کاوی، پردازش داده‌ها و استخراج الگوها و طرح‌های جدید از این داده‌ها می‌پردازد که متوازی آن در حوزه سلامت داده‌هایی است که ما در بهداشت عمومی در سطح کشوری برای تشخیص بیماری‌ها و در سطح کلان مدیریت نظام سلامت کشور، که حجم انبوهی از داده را تشکیل می‌دهد، برای داده‌کاوی و استخراج معضلات و مشکلات بهداشتی، تشخیصی و درمانی استفاده می‌کنیم.

عضو هیئت علمی دانشگاه علوم پزشکی ایران ادامه داد: حوزه رباتیک بخش دیگری از گرایش‌های هوش مصنوعی است که استفاده از ربات‌ها را در موضوعات متنوع شامل می‌شود. در حوزه پزشکی نمونه‌های عملی استفاده از ربات را در جراحی‌ها، داروخانه‌های رباتیک و کاربرد پرستار به عنوان ربات در کنار بیمار شاهد هستیم. یادگیری ماشین، شبکه‌های عصبی و در نهایت یادگیری عمیق، سه اصطلاح در خصوص ماشین‌هایی است که با مدل‌های ابتدایی یاد می‌گیرند، تعلیم داده می‌شوند، با داده‌های جدید دقتشان افزایش پیدا کرده و بعد در خصوص مواجهه‌های جدید می‌توانند پیش بینی‌ها یا پیشنهادهایی را به کاربر ارائه دهند.

دکتر ریاضی در خصوص کاربرد روش‌ها و الگوریتم‌های هوش مصنوعی عنوان کرد: بخشی از کاربرد روش‌ها و الگوریتم‌ها در حوزه سلامت و پزشکی به سیستم‌های کمک تشخیصی، سیستم‌های کمک درمانی و سیستم‌های تصمیم‌یار مدیریتی در نظام سلامت برمی‌گردد تا ما با استفاده از این الگوریتم‌ها، پیش‌بینی‌ها و تشخیص‌های زودهنگامی در آینده داشته باشیم یعنی برای نمونه قبل از اینکه پزشک در بالین بیمار به تشخیص برسد، نرم‌افزار بتواند پیشنهادهای اولیه را به ما ارائه دهد. از سوی دیگر طبیعی است که هر کدام از این گرایش‌ها از یکسری الگوریتم‌های متنوع و متعددی استفاده کرده که بر اساس نوع کاربردی که ما از هوش مصنوعی انتظار داریم، یک یا چند مورد از این الگوریتم‌ها مورد استفاده قرار می‌گیرد.

مدیر کل وقت IT وزارت بهداشت در خصوص حرکت دنیا در این مسیر و روند توسعه هوش مصنوعی در حوزه سلامت بیان داشت: تقریبا از سال 2010 تا 2012 افزایش شدید پژوهش‌ها در این حوزه را ملاحظه می‌کنیم که نشان می‌دهد علاقه‌مندی دنیا و یا ابزارهایی که در این حوزه‌ها هستند به شدت توسعه پیدا کرده و جدا از موضوعاتِ روزِ رشد فناوری، پژوهش‌ها هم در این حوزه به شدت در حال افزایش است. تعداد مقالاتی که در چند سال اخیر منتشر شده، به شدت افزایش داشته و شاید بیش از 60 % مقالاتی که در حوزه کاربردهای هوش مصنوعی در پزشکی و سلامت‌اند مربوط به پنج سال اخیر است که نشان از رشد این فناوری در دنیا دارد.

این کارشناس ارشد مدیریت فناوری اطلاعات پزشکی یک پژوهش در حوزه کاربرد هوش مصنوعی در پزشکی را تشریح کرد و گفت: در سال 2019، مکنزی کتابی را تحت عنوان Transforming Healthcare with AI یا تغییراتی که مراقبت‌های بهداشتی – درمانی از طریق هوش مصنوعی می‌توانند داشته باشند، منتشر کرد. یکی از گزارشاتی که در این کتاب آمده کارآزمایی بالینی مرتبط با هوش مصنوعی است. اصطلاح کارآزمایی بالینی، وقتی به کار می‌رود که شما می‌خواهید یک فناوری، دارو یا روش درمانی جدید را روی بیماران پیاده‌سازی کرده و ببینید اثربخشی آن چقدر است که در آن افراد را به دو گروه شاهد و بیمار دسته بندی می‌کنیم. به گروه شاهد اصطلاحا دارونما می‌دهیم و به گروه هدفِ مداخله، یک دارو یا ابزار IT یا استفاده از هوش مصنوعی داده می‌شود که به صورت دو سویه کور است یعنی نه پژوهشگر می‌داند این داروها مربوط به کدام گروه است و نه بیمار اطلاع دارد که در کدام دسته درمانی قرار گرفته است. سپس نتیجه این دو را باهم مقایسه کرده و اگر مداخله‌ای که به گروه هدف پیشنهاد شده باشد، تفاوت جدی با گروه شاهد داشه باشد، نشان دهنده این است که در درمان یا تشخیص آن بیماری، تکنولوژی جدید می‌تواند نقش خوبی ایفا کند.

حسین ریاضی در خصوص وضعیت کشورهای مختلف در حوزه کاربرد هوش مصنوعی در سلامت اظهار داشت: کشورهای مختلف در حوزه استفاده از هوش مصنوعی به عنوان یک روش تشخیصی – درمانی، کارآزمایی بالینی را در سطح دنیا شروع کرده‌اند که به شدت رو به توسعه است. کشورهایی که به طور جدی روی این حوزه کار می‌کنند آمریکا، کانادا، چین و کشورهای اروپایی هستند که تعداد مطالعاتشان رو به افزایش است. در این کتاب آمده که از متخصصان حوزه سلامت و پزشکان سوال شده که آیا قبلا درگیر توسعه هوش مصنوعی بودید؟ یعنی قصد داشته بداند که چقدر از پزشکان علاقه‌مند هستند یا تجربه استفاده از هوش مصنوعی در حوزه پزشکی را داشتند که حدود نیمی از آنها یا درگیر نبودند یا خیلی کم در سازمان‌هایشان درگیر استفاده از این ابزار و تکنولوژی بودند ولی از طرفی حدود  40 نفر از پزشکان به طور مستقیم یا غیرمستقیم درگیر راهکارهای مبتنی بر هوش مصنوعی شدند که این آمار در حال افزایش است و رشته‌های تخصصی مختلف هم به این فکر افتادند که از این ابزار در حوزه‌های تشخیص و درمان استفاده کنند.

وی با اشاره به رده‌بندی فعالیت کارآموزان هوش مصنوعی در مراکز سلامت در گزارش فوق بیان داشت: در رده اول موضوعات تشخیصی است یعنی بیشترین کاربرد هوش مصنوعی در حال حاضر برای تشخیص بیماری‌ها مورد استفاده قرار می‌گیرد که این تشخیص‌ها توسط تصاویر پزشکی، پاتولوژی یا بررسی ژن‌های افراد صورت می‌گیرد. در رده‌ دوم تصمیم‌یارهای بالینی یعنی ابزارهایی که به پزشک در تشخیص و درمان، پیشنهادهایی را ارائه می‌دهند قرار می‌گیرد. رده سوم، بحث مدیریت داده‌ها و رده چهارم موضوع آموزش است که در حال حاضر تکنولوژی‌هایی مانند واقعیت افزوده و واقعیت مجازی در بحث آموزش پزشکی به شدت در حال توسعه است.

عضو هیئت موسس انجمن انفورماتیک پزشکی ایران بخش دیگری از این گزارش را که روی اهداف و برنامه‌های استارتاپ‌های هوش مصنوعی و سلامت در دنیا تمرکز کرده است تشریح کرد و گفت: تصمیم‌گیری‌های بالینی، یعنی ابزارهایی که برای تشخیص و درمان به کمک پزشک می‌آیند در رده اول قرار دارند. رده دوم این اهداف، خود مدیریتی و خود مراقبتی است. یعنی ابزاری که به جای پزشک، در اختیار مردم باشد تا با استفاده از آن بتوانند مشارکت بیشتری در کنترل و مدیریت بیماری خود داشته باشند مثلا کسی که مرض قند دارد بتواند با استفاده از این ابزار سریع‌تر و بهتر از اوضاع و احوال سلامت خود مطلع شود. در رده‌های دیگر نیز بحث تشخیص و دسته بندی بیماران (تریاژ) که در رده‌های اورژانسی و غیراورژانسی و مراقبت‌های ثانویه قرار می‌گیرند به چشم می‌خورد.

دکتر حسین ریاضی با ذکر اندازه سرمایه‌گذاری در استارتاپ‌هایی که در حوزه هوش مصنوعی و سلامت فعالیت می‌کنند خاطر نشان کرد که برای حدود 50 درصد استارتاپ‌ها تا 1 میلیون یورو سرمایه‌گذاری انجام شده است. همچنین 21 درصد استارتاپ‌ها بین  1 تا 2 میلیون یورو و 29 درصد هم بیش از 2 میلیون یورو سرمایه گذاری صورت گرفته است. وی این نکته را نیز متذکر شد که این آمار، ابعاد میزان سرمایه گذاری است. باید توجه داشت که بعضی از استارتاپ‌ها کوچک‌ترند و هزینه‌های کمتری می‌طلبند اما برخی دیگر به فاند بزرگتری نیاز دارند. مهم این است که سرمایه‌گذار توجیه شود که چه میزان سرمایه‌گذاری روی استارتاپ‌ها داشته باشد. طبیعتا فردی که سرمایه گذاری بیشتری کرده است، انتظار درآمد یا تاثیرگذاری بیشتری در حوزه پزشکی و درآمدهای مربوط به خدمات پزشکی و سلامت هم خواهد داشت.

وی با مقایسه اینکه در 5 تا 10 سال آینده نسبت به وضع موجودمان چه تغییراتی در استفاده از هوش مصنوعی در پزشکی و سلامت خواهیم داشت، عنوان کرد: در آینده عمدتاً بحث‌های تصمیم‌یار بالینی دنبال خواهد شد. یعنی پزشکان اتکا و اعتماد بیشتری بر پیشنهادهای مبتنی بر هوش مصنوعی خواهند داشت. موضوعات تشخیصی در رده دوم قرار خواهند گرفت و موضوع خودمراقبتی به رده سوم می‌آید یعنی مردم هم اعتماد بیشتری به راهکارهای مبتنی بر هوش مصنوعی خواهند داشت و هم استفاده بیشتری از راهکارهای خود مراقبتی و خودمدیریتی خواهند کرد.

این عضو کارگروه سلامت دیجیتال فرهنگستان علوم پزشکی همچنین به معرفی مشاغلی که در حوزه سلامت از هوش مصنوعی تاثیرپذیراند را معرفی کرد و گفت: در رده اول پیش‌بینی این است که در طی 7 تا 8 سال آینده، ما دستیارانی که نقش پرستار را ایفا می‌کنند خواهیم داشت. چه آنها که در بیمارستان‌ها و مراکز درمانی در قالب ربات‌ها و ابزارهای دیگر در کنار بیمار خواهند بود و چه آنهایی که به صورت مجازی و در قالب اپلیکیشن‌ها و نرم‌افزارها نقش یک پاسخگو به سوالات بیماران را خواهند داشت. همچنین پیش بینی می‌شود این نوع دستیاران،  بیشترین تقاضا را در 7 تا 8 سال آینده داشته باشند. همچنین ابزارهایی که در اختیار پرستاران است وکمک‌هایی که در منزل صورت می‌گیرد مانند درمان در منزل یا مانیتورینگ از راه دور که در آن بیمار به جای اینکه روی تخت بیمارستان باشد، در منزل خوابیده و از راه دور مراقبت می‌شود نیز در رده‌های بعد مشاغلی هستند که بیشتر تحت تاثیر هوش مصنوعی قرار خواهند گرفت.

مدیر سابق IT وزارت بهداشت در ادامه با بیان اینکه برخی کشورها، یک راهبرد ملی و مصوب برای هوش مصنوعی دارند که طبیعتا بخشی از آن برای سلامت و پزشکی تعریف می‌شود، تصریح کرد: متاسفانه کشور ما جزءِ کشورهایی است که راهبرد ملی مصوبی در این حوزه ندارد. گرچه اطلاع دارم پژوهشگاه ارتباطات و فناوری اطلاعات وابسته به وزارت ارتباطات، راهبردها و نقشه راهی برای توسعه هوش مصنوعی در کشور تدوین کرده ولی هنوز تصویب و ابلاغ نشده است.

دکتر ریاضی در ادامه چند مثال از کاربردهای هوش مصنوعی به صورت عمومی را ذکر کرد و گفت: اکنون اتوموبیل‌های خودران را داریم که نرم‌افزارهایی، تصاویر خیابان‌ را برای تشخیص موانع و اتفاقاتی که در جاده می‌افتد پردازش کرده و تبدیل به کنترلرهایی می‌کنند که آنها نیز حرکت ماشین را در جهت کاهش و افزایش سرعت تنظیم می‌کنند. همچنین رباتی وجود دارد که رسیدن میوه‌ها را تشیص داده و آنها را می‌چیند. موضوع بعدی نیز کاربرد هوش مصنوعی در پهپادهای جنگی است یعنی به جای انجام یک کار از سوی پهپاد مثل شلیک یا انتحاری، این پهپادها با هم یک شبکه تشکیل داده و به مواضع دشمن حمله می‌کنند. کاربردهای دیگری نیز مانند فرمان‌های صوتی، پردازش تصاویر برای حضور  و غیاب و … نیز وجود دارد.

تشریح کاربردهای عمومی و اختصاصی هوش مصنوعی در حوزه پزشکی و سلامت

وی سپس کاربردهای هوش مصنوعی در حوزه سلامت را برشمرد و اظهار داشت: در گزارشی که چند سال پیش، سازمان ملی سلامت انگلیس ارائه داده، توصیه‌هایی داشته که اگر بخواهید از هوش مصنوعی در پزشکی استفاده کنید، چه حوزه‌هایی را باید در نظر بگیرید. تمرکز ستون اول توصیه‌ها، در حوزه موضوعات تشخیصی است. ستون دوم مربوط به موضوعات تولید دانش پزشکی است و ستون سوم نیز موضوعات عمومی بهداشت است که عمدتا مسائل بهداشت در سطح کشور و موضوعات اپیدمولوژی یا همه گیری‌ها مثل کرونا را در برمی‌گیرد.

وی ادامه داد: ستون چهارم مربوط به آن چیزهایی است که ما برای افزایش کیفیت خدمات، کاهش بوروکراسی و کاراتر کردن سیستم‌های سلامت انتظار داریم بهره‌گیری از هوش مصنوعی معنا پیدا ‌کند و کاربردهایش برای افزایش اثربخشی سیستم، مورد استفاده قرار گیرد. در نهایت، تمرکز ستون آخر در حوزه پزشکی دقیق یا پزشکی شخصی‌سازی شده است. اینکه در عوام مصطلح است که ما یک نسخه را برای همه نپیچیم یعنی حتی بین 10 بیماری که با یک تشخیص به پزشک مراجعه می‌کنند ما باید 10 نوع درمان مختلف با توجه به شرایط فیزیکی، ژنتیک و سوابق پزشکی فرد به صورت مجزا تجویز کنیم و این به یک زیرساخت قوی اطلاعاتی از سوابق پزشکی فرد نیاز دارد.

عضو هیئت علمی هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران سپس به گزارش مشترک بنیاد راکفلر و گیتس در خصوص هوش مصنوعی در سلامت پرداخت و گفت: گزارش «کاربرد هوش مصنوعی در سلامت عمومی» که به طور مشترک توسط بنیاد راکفلر و بنیاد گیتس که مربوط به بیل گیتس است منتشر شده، نشان می‌دهد که این دو بنیاد نسبت به نفوذ هوش مصنوعی در حوزه سلامت و خروجی‌ها و دستاوردهایی که می‌تواند داشته باشد بسیار حساس شده‌اند و در این زمینه یک برنامه اجرایی ارائه داده‌اند.

وی با بیان اینکه حتی در سایت این‌ها گرنت‌ داده شده و مبالغی را برای پشتیبانی از پژوهش‌ها و فعالیت‌های این حوزه در نظر گرفته‌اند، بیان کرد: به طور خلاصه کاربردهای هوش مصنوعی در سلامت شامل پردازش تصاویر، آزمایشات، پایش بیماران از راه دور، پردازش داده‌های پزشکی و استخراج الگوهای مربوط به بیماری‌ها و خدماتی که در فضای مجازی ارائه می‌شود مانند اپلیکیشن‌هایی که به صورت شخصی سازی شده مباحث مربوط به سلامت افراد را به صورت تک تک و فردی دنبال می‌کنند، ربات‌هایی که در این حوزه فعال‌اند و نهایتا کاربردهای حوزهIOT یا اینترنت اشیا در حوزه سلامت می‌باشد. متناسب با هر کدام از این کاربردهای تکنولوژی، صرفه جویی خواهیم داشت به عبارتی یا زندگی افراد حفظ می‌شود یا اینکه می‌تواند وقت پزشک، پرستار و کارکنان بالینی را ذخیره کند تا این افراد به موضوعات مهم‌تری بپردازند.

– پردازش تصاویر پزشکی برای تشخیص‌های زودهنگام

دکتر حسین ریاضی در ادامه مثال‌هایی از کاربرد اختصاصی هوش مصنوعی در حوزه سلامت را تشریح کرد. وی افزود: یک مثال، پردازش تصاویر پزشکی برای تشخیص‌های زودهنگام است. آن چیزی که رایج است اینکه خانم‌ها از سن 40 تا 45 سالگی به بعد باید تصاویر ماموگرافی را انجام دهند تا اگر سرطان سینه بروز پیدا کند، قبل از اینکه این سرطان توسعه پیدا کرده و به مراحلی برسد که عملا درمان آن بسیار سخت باشد، می‌تواند شناسایی شده و مراحل اولیه درمان صورت گیرد. گاهی اوقات تغییراتی که در رادیوگرافی بیماران اتفاق می‌افتد آنقدر کم و ریز است که توسط پزشک تشخیص داده نمی‌شود لذا ما این تصاویر را در اختیار یک سیستم یادگیرنده قرار می‌دهیم و در این زمینه‌ها که خصوصا ارزش افزوده زیادی می‌تواند داشته باشد، قبل از اینکه پزشک به تشخیص برسد، افراد می‌توانند با نرم‌افزارها، تشخیص زودهنگام داشته باشند. همین موضوع می‌تواند برای انواع تصویربرداری‌ها از پاتولوژی و آزمایشات تا موضوعاتی که به صورت روزمره درگیرش هستیم را شامل شود.

– جراحی‌های رباتیک

حسین ریاضی در خصوص جراحی‌های رباتیک بیان داشت: اگر دقت کرده باشید برخی جراحی‌ها با ابزارهایی صورت می‌گیرد که دیگر نیاز نیست بدن بیمار باز شود مانند آندوسکوپی، کولونوسکوپی یا استفاده از لاپاراسکوپ که به جای اینکه شکم بیمار را باز کنند، با سوراخ کردن بخشی از شکم، تعداد تجهیزاتی که مورد نیاز است وارد بدن بیمار کرده و این جراحی‌ها را انجام می‌دهند. برای اینکه دقت این جراحی‌ها افزایش پیدا کند از ربات‌ها نیز استفاده می‌کنند. این کار آنقدر می‌تواند توسعه پیدا کرده و پیشرفته‌تر شود که جراحی‌های از راه دور را هم دربرگیرد.

وی ادامه داد: جراح از راه تجهیزات رباتیک عملیات جراحی را روی بیمار انجام داده و اگر زیرساخت ارتباطی قوی داشته باشیم که در نسل پنجم ارتباطات(5G)  آن را ملاحظه می‌کنیم، این فاصله می‌تواند طولانی‌تر باشد. یعنی برای نمونه فردی در یک کشور و جراح در یک کشور دیگر قرار گرفته و با همین شرایط بتواند عمل جراحی از راه دور انجام دهد. این جراحی رباتیک می‌تواند آنقدر پیشرفته‌ باشد که ابزارهای هوش مصنوعی در انواع جراحی‌های پیچیده، با دقت بالا و در حین و قبل و بعد از جراحی به کمک جراح بیایند.

-کاهش هزینه‌های غیرضرورِ سلامت و سازمان‌های بیمه‌گر

دکتر ریاضی همچنین استفاده از هوش مصنوعی برای تشخیص تقلبات و تخلفات عمدتا بیمه‌ای را راهی برای کاهش هزینه‌های غیرضرورِ سازمان‌‌های بیمه‌گر و یا سازمان‌هایی که به دنبال کاهش هزینه‌های سلامت هستند، دانست و افزود: ما در پزشکی اصطلاحی داریم به نام نیاز القاء شده یا پروسیژل پزشکی که واقعا برای بیمار نیاز نیست ولی به هر دلیل، پزشک یا ارائه دهنده خدمات سلامت می‌گوید باید این کار را انجام دهی. مثلا درمان با دارو انجام می‌شده اما پزشک پیشنهاد عمل جراحی داده زیرا هزینه‌اش بالاتر است یا بیمار به اقدامات تشخیصی نیاز نداشته ولی پزشک می‌گوید که باید انجام شود تا زدوبندهایی صورت گیرد. همه این موارد توسط برخی سیستم‌های پیشگیری کننده قابل شناسایی است.

-کمک به تصمیم‌گیری در خصوص طرح‌های درمانی و کاهش خطاهای پزشکی

ریاضی، کمک به تصمیم‌گیری در خصوص طرح‌های درمانی و کاهش خطاهای پزشکی را کاربرد دیگر هوش مصنوعی در سلامت عنوان کرد و گفت: گاهی شاهد هستیم که در سطح کشور به دلایل مختلف خطاهای پزشکی اتفاق می‌افتد که این خطا می‌تواند ناشی از این باشد که پزشک وقت کافی برای بیمار نمی‌گذارد یا آن مرکز درمانی خیلی شلوغ است یا امکانات ناکافی وجود دارد. به هر دلیلی که این خطای پزشکی صورت گرفته باشد، آن کسی که متضرر می‌شود، بیمار است. یکی از کاربردهای هوش مصنوعی، تشخیص خطاهای پزشکی و جلوگیری از آن است. این خطا با فرمت خیلی ساده می‌تواند نسخه‌ای باشد که دست بیمار است برای مثال دو داروی او با هم تداخل دارند. کمی پیچیده‌تر هم این است که بیمار به چند متخصص مراجعه کرده و هر کدام نسخه‌ای با توجه به رشته تخصصی خودشان به بیمار داده‌اند ولی هیچکس حواسش نبوده که دارویی که پزشک دیگر به بیمار داده آیا تداخل دارد یا خیر؟ خطاهای پیچیده‌تری نیز مانند اشتباه در عمل جراحی یا تداخل با طب سنتی مطرح است. اینجا هوش مصنوعی، به عنوان یک سیستم کمک درمانی، می‌تواند به کمک آمده و به پزشک هشدار دهد که الان ریسک عمل جراحی برای این فرد به این شکل است یا این داروها با هم تداخل دارند و پزشک می‌تواند آنها را بپذیرد یا رد کند و به مسئولیت خودش آن درمان را ادامه دهد.

– کمک‌های پرستاری آنلاین

موضوع بعدی که دکتر حسین ریاضی آن را مطرح کرد، موضوع کمک‌های پرستاری آنلاین بود. وی با بیان اینکه خیلی از بیماران و همراهانشان این دغدغه را دارند که به فردی اعتماد کرده و از او سوالات پزشکیشان را بپرسند، افزود: گاهی اوقات پزشکان وقت پاسخگویی به بیمار را ندارند که این خلاء را اپلیکیشن‌هایی می‌توانند پر کنند. مثلا فرد سوال دارد آیا من می‌توانم این دارو را در دوره بارداری استفاده کنم و روی جنین تاثیر منفی نمی‌گذارد؟ یا من اگر فلان مشکل و علائم را داشتم باید به کدام تخصص پزشکی مراجعه کنم؟ مثلا این درد استخوان من مربوط به روماتولوژی است یا اورتوپد؟ این‌ها موضوعاتی است که این ابزارها به صورت پرستارِ ترند شده و آموزش دیده به صورت مجازی پاسخ بیمار را می‌د‌هند مانند Chat GPT که شما سوال می‌پرسید و او جواب می‌دهد پس این پرسش و پاسخ می‌تواند در حوزه پزشکی هم اتفاق افتاده و حتی به شبکه‌های اجتماعی هم تسری پیدا کند.

-شبیه‌سازی داروها و ارزیابی اثر آنها

عضو هیئت موسس انجمن انفورماتیک پزشکی ایران همچنین موضوع شبیه‌سازی داروها و ارزیابی اثر آنها را مطرح کرد و گفت: مراحل سخت و خیلی پیچیده‌ای برای طراحی و تولید یک دارو و دریافت مجوزهای لازم وجود دارد. برای اطمینان‌بخشی از اینکه دارو عوارض جانبی خیلی خطرناکی نداشته باشد آن را اول روی حیوانات و بعد روی انسان‌ها آزمایش می‌کنند. سپس بررسی بازار را انجام داده و در آخر بازخورد می‌گیرند. بنابراین مطالعه روی یک دارو سال‌ها طول می‌کشد و هزینه‌های گزافی را بر شرکت‌های داروسازی تحمیل می‌کند. بنابراین سوال این است که آیا با استفاده از ابزارها و اپلیکیشن‌های هوش مصنوعی می‌توان این هزینه‌ها را کم کرد؟ در پاسخ باید گفت می‌توان شبیه سازی داروها را انجام داد و بعد از اینکه آن دارو برخی تست‌ها را به صورت نرم‌افزاری طی کرد، آن را در محیط واقعی عملیاتی کرد که ما مثال‌های واقعی در دوره اپیدمی کرونا برای انتخاب داروی موثر داشتیم.

-پیش‌بینی بیماری‌ها و پیشنهاد مداخلات اپیدمیولوژیک

ریاضی مثال بعدی از کاربرد هوش مصنوعی در سلامت و پزشکی را پیش‌بینی بیماری‌ها و پیشنهاد مداخلات اپیدمیولوژیک عنوان کرد و گفت: تجربه کووید 19 نشان داد که اگر مداخلات موثری در این همه‌گیری‌ها صورت نگیرد، می‌تواند سیستم بهداشت و درمان کشور را به صورت ناگهانی قفل کند و انرژی بسیار زیادی از کارکنان بالینی و مراکز درمانی بگیرد. این رخداد البته می‌تواند به صورت محلی هم اتفاق بیفتد مثلا اگر آب یک منطقه آلوده شود می‌تواند افراد زیادی را درگیر مسمومیت کند یا اگر غذایی که یک کیترینگ تولید می‌کند، مسمومیت داشته باشد می‌تواند طیف زیادی از افراد مصرف کننده را آلوده کند. اینها همه موضوعاتی است که قابل تشخیص است و اگر زود به آن رسیدگی شده و مداخله موثر صورت گیرد، از انتشار این آلودگی و بیماری به افراد دیگر جلوگیری شده و هزینه‌های کنترل آن نیز کاهش خواهد یافت.

– پردازش سیگنال‌های حیاتی و داده‌های دریافتی

عضو کارگروه سلامت دیجیتال فرهنگستان علوم پزشکی به موضوع پردازش سیگنال‌های حیاتی و داده‌های دریافتی نیز پرداخت و گفت: ما یک بیماری قلبی داریم به اسم فیبلیراسیون دهلیزی که در این بیماری، ضربان قلب نامنظم می‌شود که ناشی از اشکالی است که عمدتا در دهلیز افراد وجود دارد و متاسفانه جوانان را هم بیشتر درگیر می‌کند. گاهی فرد احساس می‌کند چیزی در گلویش گیر کرده ولی نمی‌تواند سرفه کند و یا سرش گیج می‌رود و غش کرده و می‌افتد و بعد از چند ثانیه بلند می‌شود ولی علت را نمی‌فهمد و فکر می‌کند مثلا فشار یا قندش افتاده یا خسته بوده است. این موضوع اگر تکرار شود می‌تواند تولید لخته کند و اگر لخته جابه جا شود منجر به سکته مغزی یا عوارض دیگر می‌شود. هوش مصنوعی می‌تواند پردازش نوار و ریتم قلبی فرد را به صورت مستمر مثل مانیتورینگ در 24 ساعت، 48 ساعت و 72 ساعت پشت سر هم بررسی کند و آنجایی که این نوار تغییر می‌کند، آن اپلیکیشن می‌تواند تغییرات را حس کرده و تشخیص مربوطه را انجام دهد. بنابراین همه این موارد، ارزشمندی کاربردهای هوش مصنوعی را نشان می‌دهد که با استفاده از آن می‌توان جلوی خیلی از بیماری‌ها را گرفت و به تشخیص‌های زودهنگام رسید.

-شناسایی مسائل نظام سلامت کشور در سطح کلان

دکتر حسین ریاضی یکی دیگر از کاربردهای هوش مصنوعی را شناسایی مسائل نظام سلامت کشور در سطح کلان خواند و عنوان کرد: گاهی اوقات ما دیتا داریم ولی از این دیتا خوب استفاده نمی‌کنیم. یعنی نمی‌دانیم این دیتا را چگونه مصورسازی کنیم یا به خورد مدیران دهیم. ما سیستم‌های اطلاعاتی داریم که دیتا در آن تولید می‌شود، اما مدیران ما در حوزه سلامت، مبتنی بر این شواهد تصمیم نمی‌گیرند و این موجب هدررفت بخشی از منابع حوزه سلامت شده و آن مداخلات هم ممکن است در زمان خودش انجام نشود یا مثمر ثمر نباشد. اینجا نرم‌افزارهای مبتنی بر هوش مصنوعی به کار آمده، می‌توانند برای مدیر تصمیم‌سازی کنند و بگویند که من الان این اتفاق را پیش‌بینی می‌کنم که هفته آینده اتفاق می‌افتد و بهتر است برای پیشگیری از این اتفاق، فلان کار را انجام دهی که لازمه‌اش این است که دیتاها را تبدیل به مدل‌ کنیم، سپس مدل‌ها دقتشان افزایش پیدا کند و تصمیمات را به صورت اتوماتیک به مدیران نظام سلامت بدهند تا بتوان از وقوع برخی مسائل پیشگیری کرد.

– پردازش تصویر عمل جراحی برای تشخیص خونریزی حین عمل

این متخصص انفورماتیک پزشکی، از پردازش تصویر عمل جراحی برای تشخیص خونریزی حین عمل سخن گفت و عنوان داشت: گاهی تجهیزاتی که وارد بدن بیمار می‌کنند بدون اینکه بدن باز شود، ممکن است یک خونریزی ایجاد کند که اگر پزشک حواسش نباشد بعد از عمل هم ممکن است خونریزی تداوم داشته باشد و آسیب بزند. حال هوش مصنوعی، حین عمل این پردازش آنلاین را انجام داده و چنین مواردی را به پزشک گوشزد می‌کند تا عمل را با عارضه کمتری پایان دهد. کاربرد دیگر هوش مصنوعی در چنین عمل‌هایی، تشخیص هر کدام از ارگان‌ها و تعیین مکان، چگونگی و فاصله برش‌هاست. طبیعی است وقتی شکم باز نشود، جراح مستقیما به درون شکم نگاه نمی‌کند بلکه با دوربینی نگاه می‌کند که ممکن است اندازه و فاصله ارگان‌ها را در حد واقعی خود نشان ندهد. لذا تخمین اندازه فاصله‌ها با این ابزارها و تکنولوژی‌ها امکان پذیر است. یا در جایی، پردازشی انجام شده و تجهیزات پزشکی و ارگان‌های حیاتی بیمار از هم منفک تشخیص داده شده تا جراح راحت‌تر تصمیم بگیرد که دقیقا در درون بدن بیمار چه کند.

 مثال‌های واقعی از کاربرد هوش مصنوعی در حوزه پزشکی و سلامت

دکتر ریاضی سپس چند مثال از کاربرد هوش مصنوعی در پزشکی در دنیای واقعی را مرور کرد و گفت: خانم30 ساله‌ای که با سابقه سرطان سینه در بستگان درجه یک خود مراجعه کرده بود، ماموگرافی داشته ولی پزشک تشخیص داده مشکلی نیست و به بیمار توصیه کرده که برای سال آینده ماموگرافی را تکرار کند اما هوش مصنوعی تغییرات اندک ماموگرافی را تشخیص داده و توصیه‌اش این بوده که بیمار، نمونه‌برداری کند که اگر مثبت بود کارهای ثانویه درمان انجام شود. در این کیس نمونه مثبت بوده و توصیه شده شیمی درمانی یا عمل جراحی انجام شود که به علت تشخیص مناسب، بیمار نجات پیدا کرده است.

وی افزود: در کیس دوم یک آقای 25 ساله با سابقه غش و افتادن ناگهانی مشکوک به ضربان نامنظم قلب بوده که اینجا دستگاه مانیتورینگ در منزل به او وصل شده، تغییرات ضربان قلب و نامنظمی آن تشخیص داده شده و برای جلوگیری از وقایع وخیم‌تر، درمان دارویی مناسب برای فرد پیشنهاد شده که پزشک مبتنی بر این پیشنهادات درمان را شروع کرده و بیمار بهبود پیدا کرده است.

ریاضی ادامه داد: موضوع بعدی که در دوران کرونا رخ داد این بود که در سه سال گذشته حجم مطالعات برای داروهای موثر بر کرونا افزایش پیدا کرد ولی ما در اپیدمی‌ها این فرصت را نداریم که مانند سایر بیماری‌ها چندین سال مطالعه انجام دهیم و ببینیم این دارو مفید یا کم عارضه هست یا نه؟ لذا یکی از روش‌های موجود این است که داروهایی که قبلا برای بیماری‌های دیگر بوده‌اند را تست کنیم و ببینیم که آیا اینها هم روی کرونا موثر هستند؟ یکی از سوالات این بود که برخی بیماری‌های ویروسی مانند ابولا که آن هم مانند کرونا خیلی قابلیت انتشار و صدمه زنندگی دارد، داروهایی هم برای آن در دنیا کشف شده و موثر بوده، حال آیا آن داروها هم روی کرونا تاثیر مثبتی دارد؟ این سوالی است که اگر ابزاری داشته باشیم که خیلی سریع جواب آن را پیدا کنیم، طبیعتا در زمان ما خیلی صرفه جویی شده و کمک می‌کند تا سریع‌تر از این داروها استفاده کنیم. در همین چند سال گذشته و قبل از اینکه تمام داروها را تست کنند و ببینند موثر هستند یا نه، ابتدا شبیه‌سازی انجام داده و خصوصیات کرونا و داروهای ضدویروس را که در دنیا موجود بوده را بر بدن شبیه سازی کردند و با نرم افزارها به یکی دو دارو رسیدند که ممکن است موثر باشد. سپس آنها را کارآزمایی بالینی کرده و جواب مثبت گرفتند. این اقدام به شدت هزینه و زمان را در رسیدن به داروی موثر بر کرونا کاهش داد.

حسین ریاضی با بیان مثال سوم، اظهار داشت: کیس بعدی، مربوط به بیمار 55 ساله‌ای است که در یک بخش شلوغ بیمارستانی بستری بود و البته تعداد دانشجویان پزشکی و پرستاری کمی نیز داشت و آنها  فرصت رسیدگی به همه بیماران را نداشتند. بیمار به دستگاه قلبی عروقی متصل بوده و آنجا پردازش نوار قلب توسط نرم افزار به صورت خودکار انجام می‌شده است. نرم‌افزار نیز افزایش یا کاهش پتاسیم خون را گزارش و هشدار داده و آنجا بدون اینکه آزمایش خون را سنجش کنند، از روی نوار قلب متوجه کاهش پتاسیم خون شده و سریعا به بیمار رسیدگی کرده‌اند.

بی‌اعتمادی پزشکان و پرستاران به هوش مصنوعی، دقت مدل‌های هوش مصنوعی و ساده‌انگاری برخی مدیران، مهمترین چالش‌های نظام سلامت برای کاربرد هوش مصنوعی در پزشکی

عضو هیئت علمی هوش مصنوعی پزشکی دانشگاه علوم پزشکی ایران در تشریح یکی از چالش‌های نظام سلامت گفت: یکی از مسائل ما این است که هزینه‌های حوزه سلامت پایانی ندارد یعنی ما باید بررسی کنیم که این منابع محدود را صرف چه کاری کنیم. در بیمارستان و مرکز درمانی هم یک دغدغه دیگر وجود دارد که با توجه به اینکه منابعمان محدود است چگونه می‌توانیم کارایی را افزایش دهیم. مثلا 5 تا اتاق عمل داریم و در روز 20 عمل جراحی انجام می‌شود آیا با استفاده از نرم‌افزارها می‌شود کاری کرد که با همین 5 اتاق عمل، 30 عمل جراحی انجام داد؟ این سوالی است که پاسخش مثبت است. هوش مصنوعی با برنامه‌ریزی و محاسبه متوسط زمان انجام هر عمل توسط پزشک طبق داده‌های قبلی، به گونه‌ای چینش برنامه را انجام می‌دهد که بیشترین کارایی حاصل شود.

وی افزود: چالش دیگری که در کشور ما نیز شایع است موضوع کم‌کاری تیروئید نوزدان است. اگر دقت کرده باشید چند روز پس از تولد نوزاد، یک تست غربالگری از کف پای نوزاد انجام می‌دهند که در آن یک قطره خون می‌گیرند تا کم‌کاری تیروئید را زودتر تشخیص دهند. گاهی میانگین نوزادان با کم‌کاری تیروئید در تهران، با نرمال کشوری یا جهانی مساوی است. در اینجا به طور کاذب شاید یک مدیر بگوید مشکلی نداریم اما اگر تهران را به شهرهایش تقسیم کنید شاید شهری خوب مدیریت کرده باشد و جایی بد مدیریت کرده و شیوع در آنجا بیشتر باشد. پس راه جلوگیری از این خطاهای محاسباتی آن است که از ابزارها در حوزه دیتاساینس و دیتا مانینگ استفاده کنیم تا این سیستم‌ها خودشان کار شناسایی الگوها و پیشنهادات موثر را انجام دهند.

دکتر ریاضی با بیان اینکه شرکت‌های متعددی در دنیا هستند که در حوزه هوش مصنوعی پزشکی و سلامت کار می‌کنند و اخیرا هم برخی شرکت‌ها در کشور ما شروع به کار کردند و این رو به توسعه است و هر چه جلوتر می‌رویم، شفاف‌تر می‌شود که چه کاربردهایی در این حوزه مطرح است.

وی سپس چند چالش‌ مهم موجود در حوزه کاربرد هوش مصنوعی در پزشکی و سلامت را برشمرد و افزود: اولا پذیرش هوش مصنوعی میان پزشکان و پرستاران بالینی کم است زیرا برخی از آن‌ها یا اعتماد ندارند و یا نگران‌اند که شاید هوش مصنوعی جای کار و درآمدشان را به هر دلیلی بگیرد. طبعیتاً تکنولوژی منتظر نمی‌ماند و با توسعه تکنولوژی این امر پذیرش بیشتری خواهد داشت.

مدیر وقت IT وزارت بهداشت چالش بعدی را دقت مدل‌های هوش مصنوعی و خطاهای آن دانست و تصریح کرد که باید دائما با علم و فناوری جدید، کاهش دیتای پرت، افزایش حجم داده و استفاده از الگوریتم‌های بهینه‌تر، دقت مدل‌های هوش مصنوعی را افزایش داد.  حسین ریاضی با یادآوری اشتباه گوگل در تشخیص انسان و گوریل، این انتقاد که «در پزشکی نیز ممکن است این مدل‌سازی دقت کافی نداشته باشد مخصوصا که با جان انسان‌ها سر و کار دارد» را قابل قبول خواند.

دکتر ریاضی افزود: گاهی ما اطلاعات خوب نداریم، مثلا تصویر ماموگرافی بی‌کیفیت است یا آن خروجی مطلوب را ندارد. گاهی اوقات این راهکارها اقتصادی و تجاری‌سازی شده نیستند. گاهی نیز مباحث مربوط به اخلاق و حریم خصوصی در آنها تعیین تکلیف نشده است. همچنین باید به این نکته نیز توجه کرد که قوانین و مقررات در کشور ما برای حمایت از کاربردهای هوش مصنوعی در پزشکی کافی یا موجود نیست. از طرفی ممکن است برخی قوانین برای موضوعات تجاری‌سازی دست و پا گیر بوده و چالش ایجاد کنند.

عضو کارگروه سلامت دیجیتال فرهنگستان علوم پزشکی با تاکید بر این نکته که باید یکپارچه‌سازی با سامانه‌های اطلاعات موجود اتفاق بیفتد تا ما حجم کافی و متنوعی از دیتا برای استفاده داشته باشیم، چالش بعدی کاربرد هوش منصوعی در نظام سلامت کشور را تشریح کرد و بیان داشت: گاهی برخی مدیران ما به صورت ساده انگارانه‌ای فکر می‌کنند که مثلا ما یک جعبه سیاه هوش مصنوعی داریم که به آن دیتا می‌دهیم و آن جعبه سیاه، خروجی و ارزش افزوده پیدا می‌کند. ایشان نمی‌دانند که اگر این جعبه را باز کنیم، خود این دیتا، داده‌های پرت را حذف کردن، کار کردن روی این دیتا برای آماده‌سازی استفاده در الگوریتم‌های هوش مصنوعی، خود یک پروژه عظیم است و زمان و هزینه و انرژی زیادی از افراد می‌برد. این ساده‌انگاری گاهی اوقات باعث می‌شود، سیستم‌ها با دقت پایین توسعه پیدا کرده و آن خروجی که با دقت بالا می‌خواهیم حاصل نشود.

تدوین راهبردهای ملی برای هوش مصنوعی، سرمایه‌گذاری برای ارائه سرویس‌های عمومی مشترک و حمایت حقوقی و مالی؛ مهمترین پیشنهادات جهت توسعه هوش مصنوعی پزشکی

در بخش دیگری از این جلسه، دکتر حسین ریاضی پیشنهاداتی در جهت افزایش کاربرد هوش مصنوعی در حوزه پزشکی و سلامت ارائه داد. وی گفت: ما نیاز به یکسری راهبردهای ملی برای توسعه کاربردهای هوش مصنوعی در حوزه پزشکی و سلامت داریم. همچنین باید بستری برای اشتراک‌گذاری داده‌ها و ساخت مدل‌های هوش مصنوعی داشته باشیم زیرا یکی از مشکلاتی که دانشجویان فنی در پایان نامه‌ها و کارهای پژوهشی‌شان دارند عدم دسترسی به اطلاعات است لذا اگر بستری فراهم شود که هم دسترسی به این اطلاعات فراهم شود و هم هویت مرکز درمانی و پزشکان و بیماران حذف شده باشد، مشکل پژوهش این دانشجویان نیز برطرف شود.

پیشنهاد بعدی ریاضی، سرمایه‌گذاری برای ارائه سرویس‌های عمومی مشترک در حوزه هوش مصنوعی و سلامت بود. وی در تبیین این پیشنهاد اظهار کرد: باید جلوی موازی‌کاری‌ها گرفته شده تا ما یک هم‌افزایی ایجاد کنیم. برای مثال صرف نظر از اینکه محتوای گفتاری که مطرح می‌شود حوزه پزشکی و گزارشات پزشکی است، یک‌سری سرویس‌های عمومی برای تبدیل گفتار به متن مانند گوگل داکز وجود دارد ولی اینکه ما بتوانیم این سرویس‌های فنی را داشته باشیم و از سویی این سرویس‌ها را مختص پزشکی و سلامت کنیم که دقتش در این حوزه نیز افزایش پیدا کند طبیعتا هزینه‌ها را در این بخش کاهش خواهد داد.

این متخصص انفورماتیک پزشکی، پیشنهاد بعدی را در موضوع مربی‌گری و منتورینگ مطرح کرد و افزود: فارغ از جنبه‌های مختلف موضوعات فنی و الگوریتم‌های هوش مصنوعی، باید در بحث‌های تجاری‌سازی و حقوقی به کمک شرکت‌ها و جوانانی بیاییم که دوست دارند در قالب استارتاپ و راه‌اندازی شرکت فعالیت کنند. باید بازار برای این شرکت‌ها باز شده تا محصولات خود را به فروش برسانند که این‌ها جزو وظایف مراکز رشد و فناوری و پارک‌های علم و فناوری است.

تسهیل ارتباط با صنعت، حمایت از بخش‌های غیردولتی و انتقال فناوری از کشورهای برتر برای کاهش شکاف تکنولوژی پیشنهادات دیگر دکتر ریاضی برای توسعه کاربرد هوش مصنوعی در پزشکی بود.

تشریح دستاوردهای گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران

عضو هیئت علمی گروه هوش مصنوعی در پزشکی دانشگاه علوم پزشکی ایران در پایان سخنان خود ضمن برشمردن اقدامات گروه هوش مصنوعی پزشکی دانشگاه علوم پزشکی ایران در مدت یک سالی که از تاسیس این گروه می‌گذرد، خاطر نشان کرد: این گروه در سال گذشته شکل گرفته و دانشگاه ایران، تنها دانشگاه علوم پزشکی کشور است که گروه هوش مصنوعی پزشکی را دارد و متناسب با آن تعدادی دانشجو در مقطع دکترای تخصصی داریم که در حال تحصیل رشته هوش مصنوعی پزشکی هستند.

وی ادامه داد: یک برنامه عملیاتی برای گسترش کاربردهای هوش مصنوعی در دانشگاه تدوین کردیم و گفتیم که چرخ را از اول اختراع نکنیم بلکه پروژه‌های این حوزه در چهار سال اخیر در دنیا را فهرست کردیم تا در کشور خودمان به صورت طرح‌های مشترک اجرا کنیم. برای مثال یکی از موضوعات این بود که ما متخصص و جوانان علاقه‌مند زیادی در این حوزه داریم اما همدیگر را نمی‌شناسیم مثلا دانشجویان فنی و پزشکی به یکدیگر دسترسی ندارند. در واقع می‌توان گفت مابه ازای گرایش‌های مختلف هوش مصنوعی، دانشجویان و اساتید علاقه‌مند زیادی وجود دارند ولی یک بانک اطلاعاتی متمرکز در کشور موجود نیست لذا وقتی بخواهیم کاری کنیم، نمی‌دانیم آیا مشابه آن طرح در کشور انجام شده یا نه؟

ریاضی افزود: پس یکی از اهداف ما این بوده که این شبکه متخصصین را توسعه دهیم. تفاهم‌نامه‌های متعددی را هم با سایر مراکز علمی و پژوهشی مانند دانشگاه شریف، پژوهشگاه ارتباطات و دانشگاه فنی شیراز بستیم که این‌ها می‌توانند کارگروه‌های مشترک فنی و پزشکی را برای اجرای پروژه‌ها داشته باشند. دو پروژه در دست اقدام دیگر ما نیز طراحی مکانیزم تشویق اساتید و پژوهشگران حوزه هوش مصنوعی و پزشکی و برگزاری دوره‌های آموزشی مهارتی برای افرادی که در رشته‌های دیگر هستند اما علاقه‌مند به هوش مصنوعی می‌باشند، است.

تغییر رفتار نیازمند مداخلات رفتاری و استفاده از نظریات حوزه ارتباطات سلامت است

گفتنی است پیش از بخش پرسش و پاسخ، دکتر داوود مهرابی، عضو هیئت علمی پژوهشکده مطالعات فرهنگی و ارتباطات و پژوهشگاه علوم انسانی و مطالعات فرهنگی، ضمن جمع‌بندی سخنان دکتر حسین ریاضی و بیان اینکه هوش مصنوعی می‌تواند با هر حوزه‌ای از جمله علوم انسانی و اجتماعی ارتباط برقرار کند، کتاب ارتباطات سلامت در قرن 21 را به عنوان کتابی مرتبط با موضوع بحث معرفی کرد و افزود: آگاهی که حساسیت ایجاد کند می‌تواند حتی روی رفتار و نظریه‌ها نیز تاثیرگذار باشد. مثلا یکی از نظریه‌های ارتباطات سلامت، نظریه اعتقاد بهداشتی است. این مدل هم می‌گوید برای ایجاد حساسیت باید از نشانه‌های اقدام استفاده کنید که آن هم شامل دو دسته است: داخلی و بیرونی. منظور از بیرونی، رسانه‌ها و عوامل مشابه‌اند.

مترجم کتاب ارتباطات سلامت در قرن 21  ادامه داد: در مداخلات سلامت این سازه‌ها به تنهایی جواب نمی‌دهند هر چند برخی نیز خوب کار کرده‌اند. مثلا خودکارآمدی در دهه 1990 به قدری در حوزه مداخلات رفتاری در بخش سلامت خوب کار کرده که به پنی‌سیلین دهه 1990 معروف بوده است. هر چند یک سازه ممکن است در یک نظریه موثر باشد اما این سازه نیز در ترکیب با سایر سازه‌ها می‌تواند به یک نتیجه اثر بخش برسد مانند آب که وجود یک عنصر برای تشکیل آن به تنهایی کافی نیست. اما در کل تغییر رفتار نیازمند مداخلات رفتاری و استفاده از نظریات این حوزه است.

نقاط مشترک هوش مصنوعی پزشکی و ارتباطات سلامت چیست؟ / اعلام آمادگی برای تشکیل کمیته مشترک میان دانشگاه علوم پزشکی ایران و دانشگاه تهران برای اجرای طرح‌های مشترک میان هوش مصنوعی و ارتباطات سلامت

در بخش پرسش و پاسخ، دکتر حسین ریاضی ضمن اعلام آمادگی برای تشکیل کمیته مشترک میان دانشگاه علوم پزشکی ایران و دانشگاه تهران برای اجرای طرح‌های مشترک میان هوش مصنوعی و ارتباطات سلامت، در پاسخ به این سوال که چه نقاط اشتراکی میان ارتباطات سلامت، به عنوان یک حوزه بین رشته‌ای و بحث هوش مصنوعی پزشکی وجود دارد، گفت: در اسفندماه 1398 که کرونا شناسایی شد، وزارت بهداشت به فکر ایجاد یک زیرساخت مرکز تماس افتاد که سامانه 4030 با تکنولوژی‌های روز دنیا در یکی دو هفته افتتاح شد تا به سوالات مردم پاسخ دهد. روز اولی که افتتاح این مرکز رسانه‌ای شد، ما 900000 تماس داشتیم که توانستیم فقط 200000 تای آن را پاسخ دهیم. البته به تدریج اپراتورها را افزایش دادیم و در مقطعی به 1400 اپراتور در سراسر کشور رسیدیم.

وی افزود: مردم نیز در آن زمان نگران نحوه ورود، ریسک ابتلا و نحوه پیشگیری یا درمان کرونا بودند. این ضعف در اطلاع‌رسانی، هم به خاطر ناشناخته بودن کرونا بود و هم به خاطر اینکه به طور کلی پیش از این هم ابزارهای مناسبی برای آگاه‌سازی در نظر گرفته نشده بود. مثلا بسیاری از مردم ما تفاوت افزایش قند خون و چربی خون را نمی‌دانند و گمان می‌کنند قند خون نیز با یک قرص حل می‌شود در حالیکه فردی که دیابت دارد، هم ابدی است، هم درمانش به سادگی نیست و هم عوارض بسیار زیادی در چشم، کلیه و … خواهد داشت. بنابراین ارتباطات با مردم برای آگاهی‌رسانی و اینکه در سلامت خودشان مشارکت فعال داشته باشند و سپس حساسیتی در افراد برای رفتار ایجاد شود بسیار تاثیرگذار است. بنابراین آموزش نشانه‌ها ، علائم، پیشگیری‌ها و سواد سلامت افراد را می‌توان با همین ابزارهای IT و هوش مصنوعی در این گروه مشترک پیش برد. تجربه نیز نشان داده آنجایی که مردم آگاه شوند، خودشان می‌توانند نقش مثمر ثمری داشته باشند لذا اگر پروژه‌هایی در این حوزه تعریف کنیم، بسیار موثر است.

دکتر حسین ریاضی در پایان و در پاسخ به این سوال که وضعیت کشور ما در حوزه هوش مصنوعی و سلامت و در مقایسه با سایر کشورها و کشورهای پیشرو چگونه است خاطر نشان کرد: به طور دقیق آماری در این زمینه وجود ندارد ولی برآوردها این است که کشور ما در رده 60 تا 70 است. کشورهای پیشرو در تولید و کاربرد هوش مصنوعی در قسمت‌های مختلف نیز آمریکا، چین، هند و کشورهای اروپایی هستند اما آمار دقیقی در حوزه خاص مورد بحث ما وجود ندارد.

تهیه و تنظیم: بهنام مجدی زاده ، دانشجوی کارشناسی رشته ارتباطات دانشگاه تهران