دسته‌بندی استارتاپ‌های سلامت که به تصمیم‌گیری در نظام سلامت کمک می‌کنند

تا مدت‌ها تصور عمومی این بود که پزشکان باید بتوانند تمامی تصمیم‌گیری‌ها، از ارزیابی بیمار تا تشخیص و درمان را به تنهایی و برمبنای آموخته‌هایشان انجام دهند. تحقیقات معتبری هست که نشان می‌دهد در گذشته‌ای نه‌چندان دور، مراجعه پزشک به کتاب یا اینترنت حین ملاقات بیمار، روی اعتماد بیمار به پزشک اثر منفی می‌گذاشت. کتاب‌های مرجع پزشکی و منابع آنلاین معتبر مثل up-to-date اولین ابزارهای پزشکان برای ارائه خدمات بهتر به بیماران بودند که با نام ابزارهای تصمیم‌گیری پزشکی (clinical decision tools) شناخته می‌شدند. با گذشت زمان، تکنولوژی جای خود را در حوزه سلامت هم باز کرد و به تدریج که توسط مراقبان سلامت به کار گرفته شد، بیماران و عموم هم، تکنولوژی را به عنوان ابزاری کمک‌درمانی پذیرفتند. به این ترتیب، نسل پیشرفته‌تر ابزارهای کمک‌تصمیم‌گیری توسعه یافتند. ابزارهایی که نه فقط در تشخیص‌ و درمان که برای پیگیری بیمار و مدیریت تخت‌های بیمارستانی هم به کمک مراقبان و مدیران سلامت آمده‌اند.

سیستم‌های کمک‌تصمیم‌گیری پزشکی را می‌توان به شش دسته تقسیم کرد که در ادامه، هریک به همراه مثال توضیح داده شده‌ است.

یک. تریاژ و ارجاع

یکی از اتفاقات معمول در نظام سلامت که هم موجب خستگی و سردرگمی بیماران می‌شود و هم هزینه بالایی را به تمام سیستم تحمیل می‌کند، مراجعه به درمانگرِ اشتباه است. برای بیماران تشخیص اینکه برای ناراحتی‌ یا دردی که تجربه می‌کنند،‌ باید به چه پزشکی مراجعه کنند، راحت نیست، اما هوش مصنوعی می‌تواند به راحتی و با پرسیدن چند سوال درباره علائم بیماری، این موضوع را تشخیص دهد. استارتاپ‌های این حیطه، پایشگرهای علائم (Symptom Checker) هستند که سؤالات هدفمندی درباره علائم از بیمار می‌پرسند و در نهایت علت‌های مختلف را همراه راهکار مناسب به او پیشنهاد می‌دهند.

اینفرمدیکا (Infermedica) محصولات پایشگر علائم طراحی کرده که در مراکز درمانی به ویژه بخش اورژانس و مرکز تلفن کاربرد دارد. مشابه چکاپی که توسط پزشک انجام می‌شود، هوش مصنوعی اینفرمدیکا تریاژ، سؤالاتی از بیمار می‌پرسد و بعد براساس علائم بیمار، ممکن است به به او یکی از این راه‌ها را پیشنهاد ‌دهد: اطمینان‌دهی و پیشنهاد داروهای بدون نسخه، ویزیت مجازی، معرفی تخصص مرتبط برای مراجعه سرپایی، توصیه به مراجعه اورژانسی.

بوی‌هلث (BuoyHealth) هم مشابه اینفرمدیکا است با این تفاوت که طراحی آن متمرکز بر بیماران بوده است. بوی‌هلث الگوریتم دقیقی برای پایش علائم دارد و هدفش کمک به بیماران برای خودتشخیصی (self-diagnose) است.

دو. تشخیص

هوش مصنوعی با کمک یادگیری ماشین، داده‌های جمع‌آوری‌شده از چندین و چند بیمار را یاد می‌گیرد و پس از آن، در مواجهه با مورد‌های جدید، براساس آموخته‌هایش بهترین تصمیم را اخذ و به پزشک پیشنهاد می‌کند. ابزارهای کمک‌تشخیصی، هم دقت تشخیص‌ها را بیشتر و احتمال خطا را کمتر می‌کنند و هم زمان لازم برای بررسی و تشخیص را کاهش می‌دهند. ابزارهای کمک‌تشخیصی یکی از محبوب‌ترین حیطه‌های سیستم‌های کمک‌تصمیم‌گیری است. این ابزارها برای تحلیل تصاویر پزشکی یا تصاویر میکروسکوپی تهیه‌شده از تست‌های آزمایشگاهی توسعه یافته‌اند.

تصویربرداری

نیرامای (Niramai) استارتاپ غربالگری سرطان پستان از طریق آنالیز عکس‌های حرارتی با کیفیت بالا است. محصول این استارتاپ دستگاهی در دسترس و ارزان است که تصاویر حرارتی بافت پستان را با روشی دقیق، امن، غیرتهاجمی و بدون نیاز به تماس مستقیم، تهیه می‌کند. این تصاویر سپس توسط نرم‌افزار نیرامای تحلیل شده و گزارش آن برای رادیولوژیست ارسال می‌شود. محصول نیرامای، نمونه‌ای از امکانی است که بدون هوش مصنوعی برای انسان فراهم نبود. چرا که طول موج‌ تصاویری که نیرامای تحلیل می‌کند برای انسان قابل رؤیت نیست و به همین دلیل هم از تصاویر حرارتی، با وجود بی‌خطر بودن آنها در تشخیص سرطان پستان استفاده نمی‌شد.

تست‌های آزمایشگاهی

پث‌اِی‌آی (PathAI) سیستم هوش مصنوعی برای تحلیل لام‌های پاتولوژی است که در حال حاضر تمرکز خود را روی نمونه‌های تشخیصی سرطان متمرکز کرده است.

سایت‌دایاگنوستیکز‌ (Sightdx) استارتاپ دیگری است که در زمینه تشخیص نمونه‌های خون فعالیت می‌کند. این استارتاپ دستگاهی اختصاصی برای تحلیل تصاویرش ساخته که تنها به دو قطره خون برای شمارش سلول‌های خونی (CBC) و بررسی ریخت‌شناسی سلول‌ها (morphology) نیاز دارد. به این ترتیب، بدون نیاز به تکنسین آموزش دیده برای تهیه و رنگ‌آمیزی نمونه، هرکسی می‌تواند به راحتی در عرض 10 ثانیه، نمونه را آماده کند و داخل دستگاه قرار دهد. این محصول که ابتدا برای تشخیص بیماری مالاریا طراحی و ساخته شد، به دلیل سادگی استفاده از آن بسیار مورد توجه قرار گرفت.

سه. درمان

پزشک برای انتخاب روش درمان مناسب بیمار خود، علاوه بر شرح حال و معاینه بیمار، باید عوامل متعدد دیگری را هم در نظر داشته باشد. سابقه بیماری‌های فرد، سابقه بیماری‌ در خانواده بیمار و داروهای در حال مصرف تنها تعدادی از عوامل موثر هستند. همین پیچیدگی باعث شده، اشتباه در تصمیم‌گیری‌های پزشکی، سومین عامل مرگ در آمریکا، بعد از بیماری‌های قلبی عروقی و سرطان باشد. استارتاپ‌های این دسته، یا با پایش مداوم اطلاعات ثبت‌شده در پرونده الکترونیک سلامت بیمار، به درمانگر در انتخاب داروهای مناسب کمک می‌کنند و تداخلات دارویی، موارد منع مصرف و غیره را هشدار می‌دهند و یا با بررسی ویژگی‌های منحصر به فرد بیمار، مثل ژنتیک او، بهترین گزینه‌های درمان را به درمانگر پیشنهاد می‌دهند.

درمان دارویی مبتنی بر داده

اِف.دی.بی (First Databank) فعالیت خود را چهار دهه قبل و به عنوان مجله اطلاعات دارویی شروع کرده، اما پس از آن، توانسته خود را با پیشرفت‌ها و روندهای روز دنیا همگام و مزیت رقابتی خود را حفظ کند. این شرکت هم‌اکنون یکی از بزرگ‌ترین ارائه‌دهندگان سیستم‌ کمک‌تصمیم‌گیری در زمینه تجویز دارو است. اِف‌دی‌بی برای شرایط گوناگون مانند مراقبت در بیمارستان، مراقبت در منزل یا آمبولانس، پزشکی از راه دور، مدیریت خطر داروهای مخدر و غیره نرم‌افزارهای اختصاصی دارد. بانک اطلاعات دارویی، سیستم هشدار تداخل و منع مصرف، تنظیم دارو برای افزایش پایبندی بیمار، اطلاعات ویژه سرم‌تراپی بخشی از خدماتی است که اف‌دی‌بی از طریق نرم‌افزارهای خود ارائه می‌دهد.

علاوه‌ بر دارو، این شرکت مدتی است در حیطه تجهیزات پزشکی هم وارد شده و به ارائه‌دهندگان خدمات سلامت در انتخاب تجهیزات پزشکی مناسب کمک می‌کند. همچنین، اف‌دی‌بی قصد دارد در آینده، راهنمای درمان دارویی براساس اطلاعات ژنتیکی را به خدمات خود اضافه کند.

درمان شخصی‌سازی‌شده

سِلمَتیکس (Celmatix) از هوش مصنوعی و ژنتیک برای کمک به سلامت باروری زنان استفاده می‌کند. فرتیلوم، یکی از محصولات این استارتاپ، تستی ژنتیکی است که 46 توالی ژنومی مرتبط با باروری را اندازه‌گیری و تحلیل می‌کند. پلتفرم تحلیلی پولاریس، تاریخچه و داده‌های پزشکی بیمار و نتیجه تست فرتیلوم (در صورت وجود) را با داده‌های جمع‌آوری‌شده از موارد قبلی، می‌سنجد و به پزشک بهترین درمان را پیشنهاد می‌کند. پولاریس به پزشک پیشنهاد می‌دهد چه زمانی‌ درمان را شروع کند، بین روش کمک‌باروری IVF و IUI کدام را انتخاب کند، چند سلول را در رحم مادر قرار دهد و غیره.

چهار. مراقبت‌های اورژانسی

در این دسته استارتاپ‌هایی قرار دارند که به تشخیص موقعیت‌های حاد و اورژانسی کمک می‌کنند. شاید در نگاه اول، به نظر برسد تفاوتی با دسته تشخیص ندارد، اما با وجود برخی شباهت‌ها این دو دسته یکسان نیستند. در دسته تشخیص، اغلب هوش مصنوعی از داده‌های کلان و آنچه از تجربه‌های قبلی آموخته برای تحلیل یک تصویر پزشکی یا آزمایش استفاده می‌کند، اما در اینجا، ابزارها بیشتر به صورت یک سیستم هشدار عمل می‌کنند. داده‌ها به طور مداوم اندازه‌گیری می‌شوند و در صورتی که تغییر معناداری بکنند یا به مقدار خطرناک برسند، سیستم به درمانگران هشدار می‌دهد.

پوترِرو (Potrero Medical) استارتاپی است که تمرکز خود را روی پیشگیری از شرایط بحرانی پزشکی گذاشته است. این استارتاپ حسگرهای هوشمندی طراحی و تولید کرده که خروجی ادرار بیمار، فشار داخل شکم و دمای مرکزی بدن را اندازه‌گیری و ارزیابی می‌کنند. داده‌های به‌دست‌آمده از این حسگرها به جلوگیری از موقعیت‌هایی مانند آسیب حاد کلیه (Acute Kidney Injury) و سپسیس کمک می‌کند.

پنج. فالوآپ و پیگیری

پوشیدنی‌ها و ابزارهای ردیابی (tracking) به صورت هماهنگ با پرونده الکترونیک سلامت بیمار، حجم بسیار زیادی از اطلاعات را درباره بیماران به دست می‌دهد. ارزیابی درست این اطلاعات می‌تواند به پیشگیری یا تشخیص زودهنگام بیماری‌ها بیانجامد و مدیریت بیماری‌های مزمن را تسهیل کند. در این دسته، ابزارهایی را داریم که با پایش و تحلیل داده‌های جامعه در معرض خطر و مبتلایان، به مراقبان سلامت در انجام اقدامات پیشگیرانه، حفظ سلامت بیمار و کاهش هزینه‌های درمانی کمک می‌کنند.

هلث‌ریویل (Health Reveal) اطلاعات به دست‌آمده از پرونده الکترونیک سلامت (EHR) و بیمه درمانی و داده‌های سلامتی را که توسط بیمار تولید شده گردآوری می‌کند. سپس براساس شرایط خاص هر فرد، احتمال وقوع بیماری یا پیشرفت آن را پیش‌بینی می‌کند و راهکارهای منطبق بر دستورالعمل‌های معتبر درمانی ارائه می‌دهد.

شش. مدیریت درمان و مراقبت

یکی دیگر از جاهایی که هوش مصنوعی می‌تواند بسیار بهتر از انسان، داده‌های فراوان موجود را پردازش کند، مدیریت درمان و مراقبت است. اطلاعاتی همچون طول مدت بستری بیماران، پرهزینه‌ترین اقدامات، جریان ورود و خروج بیمار، خطاهای رخ‌داده در درمان و غیره، اطلاعات بسیار ارزشمندی را فراهم می‌کند که مدیران اغلب توان بررسی جامع آنها را ندارند. اما ابزارهایی به این منظور طراحی شده‌اند که این داده‌ها را در جهت شناسایی مشکلات، بهینه کردن فرآیندها، کاهش هزینه‌ها و غیره ارزیابی می‌کنند.

کیوونتوس (Qventus) داده‌های انبوه و نامنظم ثبت الکترونیکی سلامت (Elactronic Health Records)، برنامه زمانی جراحی‌ها، برنامه حضور کارکنان و دیگر داده‌های مراقبت سلامت را تحلیل کرده و براساس آنها راهکاری در لحظه برای بهبود عملکرد بیمارستانی ارائه می‌دهد. کیوونتوس می‌تواند مشکلات را پیش‌بینی کند، سپس با بررسی هزینه-اثربخشی، بهترین راهکار را پیشنهاد می‌دهد و به طور مستقیم، فرد مناسب را از تیم مربوطه برای رفع مشکل مشخص کند. این پلتفرم می‌تواند با بهینه کردن برنامه جراحی‌ها، مدیریت منابع، تسهیل تصمیم‌گیری‌ها و غیره زمان انتظار در اورژانس، زمان انتظار برای جراحی، مدت‌زمان بستری و هزینه‌های بیمار و بیمارستان را کاهش دهد.

زینکس‌هلث (Zynxhealth) محصولات مختلفی برای مدیریت مراقبت دارد. یکی از محصولاتش (ZynxCare) است که برنامه‌های راهنما برای ارائه مراقبت بین رشته‌ای مبتنی بر شواهد فراهم می‌کند. در شرایط سخت و پیچیده، افراد مختلفی از کادر درمان باید بتوانند بدون آنکه شناخت کافی از هم داشته باشند یا سایر اعضای تیم مراقبت را دیده باشند، به طور کارآمدی با هم همکاری کنند و اقدامات مناسب را در بهترین زمان برای بیمار انجام دهند. این محصول در تسهیل این فرآیند به کادر درمان کمک می‌کند. محصول دیگر زنکس‌هلث، ابزار تحلیل ابزارهای کمک تصمیم‌گیری است. برای اینکه مراقبت ارائه‌شده بهترین نتیجه را دربر داشته باشد، لازم است ابزار کمک تصمیم‌گیری مورد استفاده، مطابق جدیدترین منابع علمی بوده و از موارد قبلی، یادگیری درستی داشته باشد. زنکس‌هلث می‌تواند ابزار کمک تصمیم‌گیری مرکز درمانی را براساس منابع علمی، دستورالعل‌ها و عملکردش ارزیابی کند و تأثیر آن را بر مواردی مانند هزینه‌ها، طول مدت بستری، مرگ‌ومیر و بستری مجدد بسنجد.

با وجود همه پیشرفت‌ها و توانایی‌های شگفت‌انگیز آن، هوش مصنوعی هنوز به انسان وابسته است. تمامی این ابزارها با عنوان ابزارهای کمک‌تصمیم‌گیری شناخته می‌شوند و به نظر نمی‌رسد در آینده نزدیک، ماشین بتواند به صورت مستقل و بدون دخالت پزشک، تصمیم‌گیری‌های پزشکی را انجام دهد.