آیا هوش مصنوعی بحران منابع انسانی را در بهداشت و درمان حل خواهد کرد؟

مقدمه

هوش مصنوعی پتانسیل حل نمودن بحران منابع انسانی را در زمینه‌ی بهداشت و درمان با تسهیل نمودن فرایندهای تشخیص، تصمیم‌گیری و تحلیل و مدیریت داده‌ها را دارد. بنابراین، ما در ابتدا باید به موانع تکنولوژی، اخلاقی و قانونی فائق آییم.

بحران منابع انسانی در سرتاسر دنیا در حال تشدید است و مشخص است که بدون نیروی انسانی امکان ارائه‌ی خدمات درمانی وجود ندارد. چگونه تکنولوژی می‌تواند به حل نمودن مشکلات مربوط به منابع انسانی کمک کند؟ آیا تکنولوژی، پزشکان را قدرتمند می‌کند یا جایگزین آنان می‌شود؟ چطور برنامه‌ی آموزش پزشکی، که شامل آموزش‌هایی در مقاطع تحصیلات تکمیلی است، متخصصان را برای استفاده‌ی معنی داری (مفیدی) از تکنولوژی آماده می‌کند؟ این پرسش‌ها برای دهه‌ها مطرح بوده‌اند و نشانه‌های این که تکنولوژی جایگزین آن‌ها می‌شوند بسیار قریب‌الوقوع است؛ با توجه به این که سلامت هوشمند در حال فراگیری است. نویسندگان این مقاله باور دارند که هوش مصنوعی نه تنها شکاف منابع انسانی را پر خواهد کرد بلکه باعث مطرح شدن سوالات اخلاقی خواهند شد که امروزه با آنها سروکار داریم.

گرچه سوالات بیشتری مطرح است، موضع ما این است که هوش مصنوعی هدفی برای جایگزینی مراقبان بهداشتی ندارد، اما کسانی که از هوش مصنوعی استفاده می‌کنند، کسانی که از هوش مصنوعی استفاده نمی‌کنند را (با استفاده هوش مصنوعی) جایگزین خواهند کرد و آمادگی برای این موضوع، امکان‌پذیر است.

این مقاله ترجمه ای از مقاله ی Will artificial intelligence solve the human resource crisis in healthcare ؟ می باشد که در BMC Health Services Research منتشر شده است. نسخه ی اصلی مقاله را میتوانید از اینجا مطالعه کنید.

پیش زمینه

امروزه یک بحران منابع انسانی در بخش بهداشت و درمان وجود دارد.

همه‌ی افراد باور دارند که طی ده سال آتی با ربات و هوش مصنوعی کار خواهند کرد. ما سوالاتی را بررسی می‌کنیم که این تمایل برای آینده‌ی نیروی کار به چه معنی است و این که آیا این موضوع عواقبی برای صنعت بهداشتی –درمانی خواهد داشت.

بحران نیروی کار بهداشت و درمان ناشی از حداقل سه مسئله‌ی اساسی است: کمبود پزشک در سرتاسر دنیا، پیری و فرسودگی پزشکان و تقاضای بیشتر برای مراقبت‌های مزمن.

یک سیستم کارآمد به موجودیت، در دسترس بودن و مقبولیت و کیفیت کارکنان سلامتش وابسته است.

تخمین زده می‌شود که کمبود مبتنی بر نیازهای کارمندان مراقبت‌های بهداشتی در سطح جهان در حدود 17.4 میلیون نفر باشد و افزایش سن نیروی کار یک چالش اضافی (مازاد) است.

با افزایش امید به زندگی (پیش بینی می‌شود که جمعیت بالای 65سال تا سال 2030 دوبرابر شوند) و تعداد بیماری‌های مزمن، تقاضا به سمت سیستم‌های مراقبت بهداشتی به طور مداوم در حال افزایش است. بنابراین، عدم دسترسی به مراقبت و کیفیت‌های متفاوت در سراسر جهان وجود دارند. چهارصد میلیون نفر فاقد دسترسی به یک یا چند خدمات بهداشتی ضروری هستند و پنج میلیارد نفر درصورت نیاز، به مراقبت‌های جراحی و بیهوشی ایمن و مقرون به صرفه دسترسی ندارند.

از هر سه پزشک، یک نفر بالای 55 سال سن دارد و یک سوم پزشکان نیز انتظار می‌رود تا ده سال آینده، بازنشسته شوند. از آنجا که نسل جدید متخصصان پزشکی به دنبال ساعات محدود کاری، تخصصی خاص بدون نیاز به روی خط بودن (آن‌کال) و تعادلی قابل قبول بین کار و زندگی هستند، این خواسته برای یک شیوه زندگی قابل کنترل ممکن است باعث تشدید کمبودها بشود.

به دلیل افزایش تعداد بیماران مزمن و کمبود پزشکان به دلیل بار کاری زیاد، فرسودگی شغلی در حال افزایش است. این موضوع می‌تواند دلیل علائم (مخرب) جسمانی، مصرف مواد مخدر، اختلالات خواب و اختلالات روان‌پریشی و همچنین استراتژی‌های نابهنجار باشد. از آنجایی که رفاه پزشکان با کیفیت و ایمنی نتایج مرتبط است، این مسئله می‌تواند بیشتر به چالش کشیده شود. بحران منابع انسانی در سراسر جهان رو به گسترش است و بدیهی است که بدون نیروی کار توانا قادر به ارائه‌ی خدمات با کیفیت نیستیم.

چگونه فناوری‌ها در مراقبت‌های بهداشتی-درمانی می‌توانند به رفع انواع مشکلات منابع انسانی کمک کنند؟ آیا تکنولوژی، پزشکان را توانمند خواهد کرد یا جایگزین آن‌ها خواهد شد؟ چگونه برنامه درسی پزشکی، از جمله آموزش پس از فارغ التحصیلی، متخصصان را برای اسفاده‌ی مفید از فناوری می‌تواند آماده کند؟

متن اصلی

هوش مصنوعی، پتانسیل‌هایی برای پرکردن این شکاف ها نشان می‌دهد.

این شکاف‌ها برای ده ها سال در حال افزای بوده است و نشانه‌های پرکردن آن‌ها با گسترش سلامت دیجیتال قریب‌الوقوع است. نویسندگان این مقاله باور دارند که هوش مصنوعی نه تنها خلا منابع انسانی را پر خواهند کرد بلکه سوالات اخلاقی را مطرح می‌کنند که امروزه نیاز است آن‌ها را بررسی نماییم.

همانطور که نیک بوستروم در کتابش به نام فراهوش (superintelligence) توضیح میدهد،هوش مصنوعی به سه دسته تقسیم میشود:

1-هوش باریک مصنوعی(ANI)

2-هوش عمومی مصنوعی(AGI)

3-فراهوش مصنوعی(ASI)

در دهه‌ی آینده، هوش باریک مصنوعی بیشترین شانس را دارد تا در مراقبت‌های پزشکی در زمینه‌های تجزیه و تحلیل داده، یافتن ارتباطات نوین و به طور کلی حمایت از مشاغل مراقبت محور مورد استفاده قرار گیرد.

اولین گام بدیهی، حذف تعاریف پیرامون هوش مصنوعی است تا سوء استفاده از آن در ارتباطات پزشکی متوقف شود. در اینجا، ما سعی داریم تا تعاریف کوتاهی برای رایج ترین عبارات ارئه دهیم:

هوش باریک مصنوعی

در انجام یک کار واحد مثل بازی شطرنج یا پوکر، ایجاد پیشنهادات خرید، جستجوی آنلاین، پیش بینی فروش و پیش بینی وضعیت هوا خوب عمل می‌کند.

هوش عمومی مصنوعی

مثل یک انسان، می‌تواند محیط خود را درک و استدلال نماید. بنابراین، به عنوان هوش مصنوعی در سطح انسان نیز شناخته می‌شود.

فراهوش مصنوعی

به گفته‌ی نیک بوستروم، باهوش‌تر از بهترین انسان‌ها در هر زمینه‌ای اعم از خلاقیت علمی، خرد عمومی و مهارت‌های اجتماعی می‌باشد.

ابر رایانه‌ها

ابر رایانه‌ها ، رایانه‌هایی هستند که دارای سطح بالایی از عملکرد محاسباتی هستند و برای انجام کارهای فشرده‌ای از منابع مورد استفاده قرار می‌گیرند. (مثل deep learning و machine learning)

فراگیری ماشینی (Machine Learning)

فراگیری ماشین یکی از زیرمجموعه‌های هوش مصنوعی است که به ایجاد برنامه‌های مبتنی بر داده‌ها بر خلاف قوانین برنامه‌نویسی اشاره دارد. نرم‌افزاری که از مجموعه‌های بزرگی از داده‌های مربوطه می‌آموزد. (مثلاً تغذیه آن با تصاویر زیاد رادیولوژی انجام شده و به آن اجازه می‌دهد تا الگوهای تکراری را کشف کند).

یادگیری عمیق

زیر مجموعه‌ای تخصصی از یادگیری ماشینی است که از شبکه‌های عصبی استفاده می‌کند، یک همانند‌سازی مصنوعی از ساختار و عملکرد مغز. در کارهای مختلفی مثل تشخیص تصویر، پردازش زبان طبیعی و ترجمه نیز کارآمد است. عملکرد الگوریتم‌های یادگیری عمیق در حال بهبودی است با توجه به اینکه مجموعه‌های داده‌ای به طور چشمگیری در حال افزایش هستند که بدین مفهوم است که هرچه مجموعه‌ی داده‌ای بزرگتر باشد، نتیجه و راندمان هم بهبود می‌یابد.

شرکت‌ها و سازمان‌های مختلفی قبلاً نشان داده‌اند که چگونه هوش مصنوعی می‌تواند در بهبود کیفیت مراقبت و یا کاهش هزینه کمک نمایند.

دیپ مایند به همکاری با Moorfields Eye Hospital NHS Foundation Trust تلاشی را برای بهبود درمان چشم با استخراج یک میلیون اسکن چشم ناشناخته همراه با سوابق پزشکی مرتبط آغاز کرد.

آی بی ام، Watson Oncology را برای ارائه‌ی گزینه‌های درمانی مبتنی بر شواهد و توانایی پیشرفته در تجزیه و تحلیل معنی دار و زمینه‌ی داده‌های ساختارمند و بدون ساختار را در یادداشت‌ها و گزارش‌های کلینیکی به پزشکان، ارائه داد.

در کشور هلند، zorgprisma publiek به سرپرستان و بیمارستان‌ها کمک می‌کند تا با تجزیه و تحلیل فاکتورهای دیجیتالی بدست آمده از شرکت‌های بیمه با IBM Watson از بستری غیرضروری بیماران جلوگیری کنند. در رادیولوژی، پروژه پزشکی غربالگری با هدف ایجاد " دستیار شناختی" نسل بعدی با قابلیت‌های تحلیلی و توانایی‌های استدلالی و طیفی از دانش‌های کلینیکی ایجاد شده است. چنین دستیاری قادر به تجزیه و تحلیل تصاویر رادیولوژی برای شناسایی مسائل پزشکی است. در ژنتیک، Deep Genomics به شناسایی پیوندها به بیماری‌ها در مجموعه‌های بزرگی از اطلاعات ژنتیکی و سوابق پزشکی کمک می‌کند.

در تحقیقات دارویی، Atomwise از ابررایانه ها برای یافتن روش‌های درمانی جدید در جهت تسریع آزمایشات بالینی که گاهی بیش از یک دهه طول می‌کشد و هزینه‌های میلیارد دلاری دارد، استفاده می‌کند. به عنوان مثال، Atomwise دو داروی پیش‌بینی شده توسط فناوری هوش مصنوعی این شرکت را یافت که ممکن است قادر باشد بجای سال‌ها، در کمتر از یک روز تحقیق، میزان عفونت بولا را به شکلی چشمگیر کاهش دهد.

الگوریتم‌های یادگیری عمیق می‌توانند به تشخیص بیماری‌های قلبی، پوستی و غده‌ای کمک کنند.

آرتریز(Arterys ) قبلاً مجوز FDA را برای سیستم تصویربرداری قلبی خود به کمک هوش مصنوعی در سال 2017 دریافت کرده بود. برنامه‌های پیام‌رسانی پشتیبانی شده توسط هوش مصنوعی وvoice controlled chatbots می‌توانند با توجه به دغدغه‌های قابل تشخیص سلامتی و مسائل مدیریت سلامت حل‌شدنی، به کاهش بار تحمیلی به حرف‌های پزشکی کمک کنند. Safedrugbots یک سرویس پیام‌رسانی گفت‌و‌گوست که از متخصصین بهداشتی که به اطلاعات مناسب در زمینه‌ی استفاده از مواد مخدر در دوران شیردهی نیاز دارند، به شکل دستیار، پشتیبانی می‌کند.

خدمات مبتنی بر هوش مصنوعی می‌توانند فرآیندهای تشخیصی، تصمیم گیری، مدیریتی، تجزیه و تحلیل داده‌ها و آموزش‌های تحصیلات تکمیلی را تسهیل نمایند. با این حال، ذکر این نکته ضروری است که کاربرد پزشکی، فرآیندی خطی نیست. هر عنصر و پارامتر نمی‌توانند به تنهایی به یک زبان برنامه‌نویسی ترجمه شوند. بعلاوه، هیچ کارآزمایی بالینی یا داده‌های بازبینی شده‌ای وجود ندارند که در فرآیند تصمیم‌گیری پزشکی مشارکت داشته باشند. مشخص است که هوش مصنوعی راه‌حل نهایی برای همه‌ی چالش‌های مراقبت‌های بهداشتی امروز نیست؛ گرچه در بسیاری از زمینه‌ها، استفاده از آن برای حمایت از شغل مراقبین سلامت، اجتناب پذیر و سودمند است.

با این حال، یک چارچوب محکم از سمت سازمان‌های نظارتی باعث می‌شود که شرکت‌ها از ارائه‌ی امید کاذب به بیماران در زمینه‌ی خدماتی که می‌توانند ارائه دهند، دست بردارند. به علاوه، FDA تیمی از دانشمندان و مهندسان رایانه را برای کمک به نظارت و پیش‌بینی پیشرفت‌های آینده در نرم‌افزار پزشکی‌محور هوش مصنوعی تشکیل داده است. این اقدامات دلگرم کننده‌ای به سمت جلو است، اما دامنه‌ی پیامدهای اخلاقی، قانونی و اجتماعی استفاده از هوش مصنوعی در مراقبت‌های بهداشتی-درمانی فراتر از آنچه که امروزه با آن سروکار داریم، می‌باشد.

بحث

به پاسخ هزاران سوال نیاز داریم

مناطق فقیرنشین هنگام به‌کارگیری هوش مصنوعی با چالش‌هایی روبرو خواهند شد. از طرفی، هزینه‌ی فناوری‌ها ممکن است برای کشورهای توسعه‌نیافته بالا باشد و مانع از بهبودی اوضاع آنها در زمینه‌ی مراقبت‌های بهداشتی باشد. این در حالی ست که بهره‌گیری از تکنولوژی در طولانی مدت مقرون به صرفه خواهد بود. اگر کشوری برای خرید یک سیستم پشتیبانی از تصمیمگیری مبتنی بر هوش مصنوعی سرمایه‌گذاری کند، میتواند به پزشکان کمک کند تا تصمیمات بهتری اتخاذ کنند، بنابراین تعداد بستری‌های غیرضروری کاهش یافته و هزینه‌ها نیز کاهش می‌یابد.

از طرفی دیگر، کشورهای توسعه‌نیافته می‌توانند برای تغییرات خط مشی‌هایی که باعث تسهیل به‌کارگیری از این فناوری‌ها می‌شوند و باعث استفاده‌ی گسترده‌تری از این فناوری‌ها نسبت به مناطق توسعه یافته می‌شوند، با سیاست‌هایی بازتر عمل کنند. مثال‌ها شامل چگونگی افتتاح سیستم مراقبت‌های ضروری در رواندا است که خدمات پزشکی را در سراسر کشور تولید و اداره می‌کند. با در نظر گرفتن، مشاغل مراقبت سلامت به طور کلی، آیا برای ارائه مراقبت بهتر به هوش مصنوعی باریک یا عمومی احتیاج داریم؟ هوش مصنوعی می‌تواند کدام یک از عناصر وظایف تکراری مثل یادداشت برداری یا وظایف اداری یا مواردی چون تشخیص، درمان یا نظارت را تسهیل نماید؟

فناوری همچنین میتواند راه‌حل‌هایی برای بهبود دسترسی به مراقبت ارائه دهد. با هوش مصنوعی، مراقبت از تعداد بیشتری از بیماران برای متخصصان پزشکی راحت‌تر است. ابزارهای هوش مصنوعی به آنها کمک می‌کند تا تصمیمات تشخیصی بهتری گرفته، نتایج را بهبود بخشند و خطاهای پزشکی را کاهش دهند. هوش مصنوعی همچنین می‌تواند در حل مسائل منابع انسانی مانند استخدام و انتخاب نیروی بالقوه مراقبت‌های بهداشتی مشارکت نماید. ذکر این نکته نیز لازم است که با توسعه فناوری برای پزشکان ، بحران منابع انسانی قابل حل نیست بلکه همه‌ی متخصصان مراقبت‌های بهداشتی باید درگیر شوند.

گرچه هوش مصنوعی کل مراحل درمان را تحت پوشش قرار نمی‌دهد: همدلی، ارتباط مناسب و لمس انسانی هنوز به همان اندازه ضروری است. هیچ برنامه، نرم‌افزار یا دستگاهی نمی‌تواند جایگزین ارتباطات و اعتماد شوند. نقش پزشک انسانی اجتناب ناپذیر است، اما هوش مصنوعی می‌تواند یک دستیار شناختی بسیار مفیدی باشد. هوش مصنوعی نیز به مفهوم تغییر پارادایم در رابطه‌ی پزشک-بیمار است. از آنجا که سلامت دیجیتال، سلسله مراتب پزشک-بیمار را به یک مشارکت در سطحی برابر تبدیل می‌کند، با استقلالی که در ذات مراقبت بوده، چه اتفاقی می‌افتد؟ چه کسی مسئول است اگر یک تصمیم پزشکی با کمک هوش مصنوعی باعث آسیب به بیمار شود؟ بیشتر پزشکان از ابزارهای آنلاین برای کمک به تحقیقات استفاده می‌کنند. آیا واقعاً هنگام استفاده از هوش مصنوعی تفاوتی وجود دارد؟ آیا هوش مصنوعی باید به عنوان ابزار یا موجودیت فردی کنترل نمود؟

از سمت بیماران، آیا آن‌ها اصرار به رابطه‌ی انسانی خواهند داشت زمانی که کمبودها به آنها این شانس را نمی‌دهد که حضوراً پزشکشان را برای هر مسئله‌ی درمانی ملاقات کنند؟ چه می‌شود اگر الگوریتم‌های هوش مصنوعی بتوانند همدلی را به نوعی تقلید کنند؟ هنوز مشخص نیست که آیا بیماران استفاده از هوش مصنوعی را در تصمیم‌گیری بپذیرند و در طول مراقبتشان، استفاده از آن را بیاموزند.

در سطح جامعه، آیا به تغییر تمرکز از درمان به پیشگیری کمک خواهد کرد؟ آیا هوش مصنوعی هزینه‌ی مراقبت را افزایش می‌دهد؟ آیا پزشکان و متخصصان کارآمدتر خواهند بود به این دلیل که هوش مصنوعی می‌تواند انجام کارهای وقت گیر را برعهده گیرد؟ آیا پزشکان با استفاده از هوش مصنوعی قادر به ارائه مراقبت‌های بهتر در مناطق محروم خواهند بود؟ و به شکلی عام، آن چگونه ساختارهای کنونی خط مشی بیمه‌ای را تغییر خواهد داد؟

نتیجه‌گیری

اگر به قدر کافی شجاع باشیم تا دیدگاهی را بیان کنیم، نویسندگان این مقاله باور دارند که هوش مصنوعی نهایتا مبتنی بر شواهد، گسترده و مقرون به صرفه خواهند شد. پزشکان در حال تفسیر داده‌های مورد اندازه‌گیری قرار گرفته با ابزارهای ابتدایی هستند و همین کار را نیز با حسگرهای دیجیتالی که به شکل خالکوبی در بدن فرد قرار می‌گیرند و با هوش مصنوعی نیز انجام خواهند داد (و داده های حاصل از آنها را نیز تفسیر خواهند کرد). این فناوری باعث کاهش هزینه‌ها در ارائه‌ی خدمات مراقبتی می‌شوند و سرعت کارایی ارائه خدمات را افزایش می‌دهند و این باعث تغییری در حرفه‌ی پزشکی شده که وظایف بیشتری مثل خلاقیت و مهارت تفکر انتقادی را در مقایسه با امور تکراری وقت‌گیر را در بر خواهد داشت.

در طول حدود بیست سال، پنجاه درصد شغل‌ها منسوخ شده یا دیگر مورد نیاز نخواهند بود و بهداشت و درمان نیز در این زمینه مستثنی نخواهد بود. گرچه هوش مصنوعی پتانسیل‌های چشمگیری در بهبود تشخیص داشته است، شاید بحران منابع انسانی را در بهداشت و درمان حل نخواهد کرد یا حداقل در ابتدا قادر با انجام این کار نخواهد بود. شانس بهبود فضای شغلی و شرایط پزشکان (در صورت کارگیری گسترده هوش مصنوعی) بالاتر است که می‌‌تواند باعث بهبودی کیفیت کلی مراقبت‌های درمانی گردد. اگر هوش مصنوعی بتواند انجام وظایف مهمی را برعهده گیرد، رنسانسی در روابط پزشک و بیمار ایجاد خواهد شد.

گرچه سوالات بیشتری در این زمینه وجود دارد، موضع ما مبنی بر جایگزینی حرف‌های پزشکی نیست اما افرادی که از هوش مصنوعی استفاده نمی‌کنند توسط افرادی که از هوش مصنوعی بهره می‌جویند، جایگزین می‌شوند. وظیفه‌ی هر فرد ارائه‌دهنده‌ی خدمات بهداشتی و درمانی است که برای آینده‌ای این چنینی آماده شود.

تصاویر این مقاله از مقاله یCould A.l. solve the human resources crisis in healthcare? میباشد که در سایت Medicalfuturist منتشر شده است.