واحد توسعه تحقیقات بالینی بیمارستان امام خمینی (ره)

هوش منصوعی می‌تواند به پردازش داده‌های پزشکی کمک کند و به متخصصان پزشکی بینش‌های مهمی بدهد، نتایج سلامتی و تجربیات بیمار را بهبود بخشد.  هوش مصنوعی در پزشکی استفاده از مدل‌های یادگیری ماشینی برای جستجوی داده‌های پزشکی و کشف دیدگاها برای کمک به بهبود نتایج سلامت و تجربیات بیمار است. به لطف پیشرفت های اخیر در علوم کامپیوتر و انفورماتیک، هوش مصنوعی (AI) به سرعت به بخشی جدایی ناپذیر از مراقبت های بهداشتی مدرن تبدیل می شود. الگوریتم‌های هوش مصنوعی و سایر برنامه‌های کاربردی مجهز به هوش مصنوعی برای حمایت از متخصصان پزشکی در محیط‌های بالینی و تحقیقات در حال انجام،استفاده می‌شوند.

 

در حال حاضر، رایج ترین نقش های هوش مصنوعی در تنظیمات پزشکی، پشتیبانی تصمیم گیری بالینی و تجزیه و تحلیل تصویربرداری است. ابزارهای پشتیبانی تصمیم بالینی به ارائه‌دهندگان خدمات سلامت کمک می‌کنند تا با فراهم کردن دسترسی سریع به اطلاعات یا تحقیقات مرتبط با بیمار، درباره درمان‌ها، داروها، سلامت روان و سایر نیازهای بیمار تصمیم‌گیری کنند. در تصویربرداری پزشکی، ابزارهای هوش مصنوعی برای تجزیه و تحلیل سی تی اسکن، اشعه ایکس، MRI و سایر تصاویر برای ضایعات یا سایر یافته‌هایی که رادیولوژیست انسانی ممکن است از دست بدهد، استفاده می‌شود.

 

هوش مصنوعی در پزشکی را می توان به دو زیر گروه تقسیم کرد: مجازی و فیزیکی.

بخش مجازی از کاربردهایی مانند سیستم های پرونده الکترونیک سلامت تا راهنمایی مبتنی بر شبکه عصبی در تصمیم گیری های درمانی را شامل می شود.  بخش فیزیکی مربوط به روبات هایی است که در انجام جراحی ها، پروتزهای هوشمند برای افراد معلول و مراقبت از سالمندان کمک می کنند.

 

کاربردهای کنونی هوش مصنوعی در پزشکی در زمینه های مختلف:

 قلبی-عروقی ،تشخیص فیبریلاسیون دهلیزی،پیشبینی ریسک بیماری های قلبی-عروقی ،تست های علملکرد ریوی ،کنترل تست های قند خون، پیشبینی کاهش GFR و بیماری های کلیوی ،تصویر برداری تشخیصی در مشکلات گوارشی ،نورولوژی(مغز و اعصاب) ،تشخیص صرع و مانیتور تشنج، ارزیابی راه رفتن، وضعیت بدن و لرزش ، تشخیص سرطان در هیستوپاتولوژی ، تصویربرداری پزشکی و اعتبار سنجی فناوری های مبتنی بر هوش مصنوعی

چالش‌هایی که همه‌گیری COVID-19 برای بسیاری از سیستم‌های بهداشتی ایجاد کرد، همچنین بسیاری از سازمان‌های مراقبت‌های بهداشتی در سراسر جهان را به آزمایش میدانی فناوری‌های جدید پشتیبانی شده از هوش مصنوعی، مانند الگوریتم‌های طراحی‌شده برای کمک به نظارت بر بیماران و ابزارهای مجهز به هوش مصنوعی برای غربالگری COVID-19 سوق داد.

تحقیقات و نتایج این آزمایشات هنوز در حال جمع آوری است و استانداردهای کلی برای استفاده از هوش مصنوعی در پزشکی هنوز در حال تعریف است. با این حال، فرصت‌های هوش مصنوعی برای بهره‌مندی از پزشکان، محققان و بیمارانی که به آنها خدمات می‌دهند به طور پیوسته در حال افزایش است. در این مرحله، تردید کمی وجود دارد که هوش مصنوعی به بخش اصلی سیستم‌های سلامت دیجیتالی تبدیل خواهد شد که پزشکی مدرن را شکل داده و از آن پشتیبانی می‌کند.

نمونه هایی  از نحوه استفاده از هوش مصنوعی :

•              هوش مصنوعی در تشخیص بیماری

برخلاف انسان ها، هوش مصنوعی هرگز نیازی به خواب ندارد. مدل‌های یادگیری ماشینی را می‌توان برای مشاهده علائم حیاتی بیمارانی که مراقبت‌های ویژه دریافت می‌کنند و در صورت افزایش عوامل خطر خاص به پزشکان هشدار می دهند به کار گرفت.

در حالی که دستگاه‌های پزشکی مانند مانیتورهای قلب می‌توانند علائم حیاتی را ردیابی کنند، هوش مصنوعی می‌تواند داده‌های آن دستگاه‌ها را جمع‌آوری کند و به دنبال شرایط پیچیده‌تری مانند سپسیس(عفونت خون) باشد.

•              درمان شخصی سازی شده

پشتیبانی از پزشکی دقیق با کمک هوش مصنوعی مجازی آسان تر می شود. از آنجایی که مدل‌های هوش مصنوعی می‌توانند اولویت‌ها را یاد بگیرند و حفظ کنند، هوش مصنوعی این پتانسیل را دارد که توصیه‌های بی‌درنگ شخصی ‌سازی شده را در تمام ساعات شبانه‌روز به بیماران ارائه دهد. به جای اینکه هر بار اطلاعات را با یک فرد جدید تکرار کنید، یک سیستم مراقبت های بهداشتی می تواند به بیماران دسترسی شبانه روزی به یک دستیار مجازی مجهز به هوش مصنوعی را ارائه دهد که می تواند به سوالات بر اساس تاریخچه پزشکی، ترجیحات و نیازهای شخصی بیمار پاسخ دهد.

•              هوش مصنوعی در تصویربرداری پزشکی

هوش مصنوعی در حال حاضر نقش برجسته ای در تصویربرداری پزشکی ایفا می کند. تحقیقات نشان داده است که هوش مصنوعی با استفاده از شبکه های عصبی مصنوعی می تواند به اندازه رادیولوژیست های انسانی در تشخیص علائم سرطان سینه و همچنین سایر شرایط موثر باشد. علاوه بر کمک به پزشکان در تشخیص علائم اولیه بیماری، هوش مصنوعی همچنین می‌تواند با شناسایی بخش‌های حیاتی از تاریخچه بیمار و ارائه تصاویر مربوطه به آنها، تعداد خیره‌کننده تصاویر پزشکی را که پزشکان باید پیگیری کنند، را فراهم کند.

•              کارایی کارآزمایی بالینی

زمان زیادی در طول آزمایش‌های بالینی صرف اختصاص کدهای پزشکی به نتایج بیمار و به‌روزرسانی مجموعه داده‌های مربوطه می‌شود. هوش مصنوعی می‌تواند با ارائه جستجوی سریع‌تر و هوشمندانه‌تر برای کدهای پزشکی به سرعت بخشیدن به این فرآیند کمک کند.

•              رشد سریع در حوزه دارویی

کشف دارو اغلب یکی از طولانی ترین و پرهزینه ترین بخش های توسعه دارو است. هوش مصنوعی می‌تواند به کاهش هزینه‌های توسعه داروهای جدید به دو صورت کمک کند:

ایجاد طرح‌های دارویی بهتر و یافتن ترکیب‌های دارویی نویدبخش. با هوش مصنوعی، می توان بر بسیاری از چالش های کلان داده که صنعت علوم زیستی با آن مواجه است غلبه کرد.