مفهوم سلامت دیجیتال یک مفهوم جدید و انقلابی نیست. به عنوان مثال ، فناوری هایی مانند تصاویر پزشکی و پزشکی از راه دور بیش از 100 سال قدمت دارند ، در حالی که برای مقابله با چاقی از دهه 1940 از نمونه های اولیه ی دستگاه های پوشیدنی استفاده شده است. با این حال ، سلامت دیجیتال به طور مداوم در صنعت سلامت که به شدت مقاوم در برابر تغییر است ، تأثیرات دگرگون کننده ای داشته است. علاوه بر این ، از اواسط دهه 1990 که آکادمی ملی پزشکی ایالات متحده توصیه به دیجیتالی شدن کامل داده های بهداشتی را آغاز کرد، تأثیرات تغییر شکل دهنده فن آوری های دیجیتال در مراقبت های بهداشتی هرگز مشهودتر از این نبوده است. با ظهور پوشیدنی ها و سایر دستگاه های اینترنت اشیا (IoT) ، مراقبت های بهداشتی با استفاده از فن آوری های همه جا حاضر که به افراد در مراقبت از خود یا مانیتورینگ بی درنگ -Real-time- کمک میکند ، به سمت الگوهای شخصی و پیشگیرانه پیش می رود.
همه گیری ویروس کرونا 2019 (COVID-19) نیاز به پیشرفتهای سلامت دیجیتال را افزایش می دهد. به عنوان مثال ، مشاوره های پزشکی حضوری سنتی خطر ابتلا را افزایش می دهند و بر نیاز به فناوری های مشاوره مجازی تاکید میکند. به همین ترتیب ، ابزارهایی برای درک و پشتیبانی از تأثیرات همه گیری بر سلامت جسمی و به ویژه روان ما لازم هستند. حتی بدون این نیاز روزافزون ، واضح است که فناوری های دیجیتال به دگرگونی بخش مراقبت های بهداشتی بارها و بارها ادامه خواهند داد. همانطور که ویلهلم کنراد رانتگن - فیزیکدانی که اشعه ایکس را کشف کرد - و بسیاری دیگر قبل از او این کار را کردند، از افراد با سوابق فنی و نه فقط پزشکی خالص انتظار می رود که کمک کنند.
این مقاله با تکیه بر Kostkova ،به بررسی مجموعه ای از چالش های مهم کنونی برای اطمینان خاطر از اینکه سیستم های بهداشتی دیجیتال از اصول «برای همه افراد در هر مکان و هر زمان» پیروی می کنند، میپردازد. بهتر است قبل از خواندن قسمت، قسمت اول را از اینجا بخوانید.
هوش مصنوعی می‌تواند از داده‌های تولید شده در سیستم‌های سلامت دیجیتال مثل سامانه های اطلاعات بیمارستانی برای کمک به جنبه‌های مختلف پزشکی مثل بهبود تشخیص، انتخاب درمان‌ها و پیش‌بینی نتایج بالینی استفاده کند. البته وجود راه حل های هوش مصنوعی در سلامت دیجیتال چالش های پیرامون ایمنی، تفسیر پذیری و عدم سوگیری در تصمیم گیری را تشدید می کند. در رابطه با ایمنی، سیستم‌های هوش مصنوعی نسبت به انسان استانداردهای ایمنی بالاتری دارند و در واقع ما از اون ها انتظار داریم نسبت به انسان خطای کمتری داشته باشند. علاوه بر این، خطراتی که در سیستم‌های مبتنی بر هوش مصنوعی، جان انسان‌ها رو تهدید میکنن، در حال حاضر به خوبی مورد مطالعه قرار نگرفته است و فقدان استانداردهایی برای تأیید و اعتبارسنجی چنین سیستم‌هایی وجود دارد. همچنین در مورد قدرت تعمیم هوش مصنوعی هم موضوعاتی وجود داره چراکه اکثر اوقات مدل ها بر روی داده های محدودتری آموزش میبینن و اکثرا دقت اونها بر روی داده های واقعی بیشتری بررسی نمیشه. یک بررسی سیستماتیک اخیر بر روی راه حل های یادگیری عمیق در تصاویر پزشکی نشان داد که تنها تعداد کمی از مطالعات در این زمینه برای اجرای بالینی کیفیت کافی دارند.
با معرفی اخیر مقررات عمومی حفاظت از داده ها (GDPR) در اتحادیه اروپا، پزشکان و بیماران حق دارند بفهمند که چگونه یک تصمیم خاص هوش مصنوعی گرفته شده است. بهبود اعتماد و شفافیت در سیستم های هوش مصنوعی نه تنها به نفع پزشکان و بیماران خواهد بود، بلکه این افزایش دانش در مورد مدل ها و تفسیرپذیری اونها دقت کلی و تعمیم پذیری سیستم پیشرفته را بهبود می بخشد. بنابراین، برای اینکه راه هوش مصنوعی به بالین باز شود، نسل بعدی فناوری‌های هوش مصنوعی باید شفاف، قابل درک، تفسیرپذیر و منصفانه باشد.
علیرغم اینکه هوش مصنوعی در حال حاضر به نتایج قابل توجهی در طیف وسیعی از وظایف مثل تشخیص بیماری ها دست یافته است، افزایش تفسیرپذیری یک کار بسیار مهم است. این مشکل از آنجا به وجود می آید که بسیاری از این نتایج با استفاده از تکنیک های "جعبه سیاه" به دست آمده اند. - در این پست در مورد تفسیر پذیری بیشتر صحبت شده - یعنی داده ها وارد می شوند و هر کدام به نوبه خود یک خروجی پیش بینی ایجاد می کند، اما سیستم هیچ اطلاعات یا استنتاجی در مورد چگونگی رسیدن به مقدار پیش بینی شده ارائه نمی دهد. این موضوع به ویژه با حضور روزافزون سیستم های یادگیری عمیق در سلامت دیجیتال برجسته می شود. مدل‌های یادگیری عمیق دارای میلیون‌ها ارتباطات داخلی هستند.
پیشرفت های تکنولوژیکی، افزایش تقاضا و کاهش هزینه ها به این معنی است که تعداد افرادی که به دنبال تعیین پروفایل های ژنتیکی خودشون هستن در حال افزایش است. علیرغم این افزایش عرضه و تقاضا، بجز قسمتی از این داده ها، مانند تشخیص بیماری های نادر و غربالگری سرطان، اطلاعات ژنتیکی در مراقبت های پزشکی معمول ادغام نمی شود. در صورتی که اطلاعات ژنومیک این پتانسیل را دارد که دستاوردهای قابل توجهی در مراقبت شخصی مبتنی بر داده ها ایجاد کند. برای برآورده شدن این پتانسیل، نیاز به پیشرفتهای بیشتری در بررسی تاثیر ژنتیک در بیماری های بالینی و درک بیشتر در تفسیر انواع ژنتیک وجود دارد.
این دو عامل البته به هم مرتبط هستند. ژنومیکس، در یک سطح، اساساً اطلاعاتی در مورد "آنچه ممکن است" برای یک فرد در رابطه با سلامت آنها اتفاق بیفتد، ارائه می دهد. یک عامل کلیدی در بهبود درک ما از این اطلاعات، تفسیر گونه های ژنتیکی شناسایی شده بعد از انجام تست است. میلیون ها نوع از این گونه ها وجود دارد و هیچ تعریف استانداردی برای همه آنها وجود ندارد. تسهیل دسترسی به داده ها و افزایش حجم اونها و به اشتراک گذاری منابع محاسباتی ابزارهای شناسایی شده برای بستن این شکاف دانش هستند. البته به اشتراک گذاری داده ها با افزایش نگرانی های اخلاقی هم همراه است که قبلاً در این مقاله مورد بحث قرار گرفته است.
پیشرفتهای ژنومیک چالش‌های مرتبط با سلامتی هستند. برای مراقبت های پزشکی واقعا شخصی، اطلاعات ژنومیک باید با اطلاعات محیطی، رفتاری و تاریخچه پزشکی ترکیب شود. علاوه بر این، این ترکیب اطلاعات از منابع متعدد ناهمگن باید به گونه‌ای انجام شود که از پزشکان و بیماران حمایت کند، نه اینکه آنها را سردرگم کند. این سیستم های ناهمگن بسیار پویا هستند و به احتمال زیاد به پارادایم های هوش مصنوعی پیشرفته برای ترکیب و تجزیه و تحلیل کامل نیاز دارند.
در نهایت، ژنومیک نقش حیاتی در تلاش‌های مبارزه با کووید-19 و هر گونه بیماری همه‌گیر مشابه آینده خواهد داشت. افزایش قابلیت توالی یابی ژنومی، که از طریق استفاده از هوش مصنوعی تسریع می شود، می تواند در ردیابی پاتوژن ها و ویروس ها و در شناسایی علائم ژنومی آنها کمک کند. این قابلیت‌ها همچنین می‌تواند به شناسایی عوامل ژنومی که حساسیت یا مقاومت فرد را در برابر این بیماری ها افزایش می‌دهند کمک کند.
این نوشته ترجمه ی مقاله ی ارائه شده تحت قوانین Creative Commons Attribution License (CC BY) است که توسط Nicholas Cummins و Björn W. Schuller نوشته شده. من بسیار از مقاله لذت بردم و یادگرفتم و فکر کردم شاید برای افرادی که میخوان یک دید کلی در این زمینه داشته باشن یا در این حوزه فعالیت میکنن هم مفید باشه.
منبع :www.frontiersin.org
