https://virgool.io/feed/@gorjiarman پزشک، فعال در حوزه ی هوش مصنوعی، علاقه مند به تاثیرات علوم دیجیتال و اطلاعات در علوم پزشکی fa 2026-06-16 09:08:35 https://files.virgool.io/upload/users/22770/avatar/GLg2C2.png?height=120&width=120 https://virgool.io/@gorjiarman https://virgool.io/@gorjiarman/%D8%A7%D8%B2-%D8%B2%D9%86%D8%AF%DA%AF%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-alife-%D8%AA%D8%A7-%D9%85%D8%AF%D9%84-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%AF%D8%B1-%D8%AA%D8%B5%D8%A7%D9%88%DB%8C%D8%B1-pet-zbh2ma9ngbfr نمونه ای از الگویی در Leniaخیلی وقت بود که در پیش‌نویس‌های من عبارت «زندگی مصنوعی» یا «Artificial Life» یا «ALife» بود و همیشه دوست داشتم درباره‌ی آن بنویسم. امروز بالاخره فرصت پیدا شد. از روزهای ابتدایی نوشتن در بلاگ خودم، فکر کردن به انواع مصنوعی زندگی برایم بسیار جذاب بود و به واسطه‌ی یکی از دوستانم با Conway's Game of Life آشنا شدم. ایده‌ی اولیه‌ی این بازی بسیار ساده است: در یک محیط دوبعدی با سلول‌های بی‌نهایت، شما می‌توانید در ابتدای بازی هر سلولی را که می‌خواهید روشن کنید و بعد دکمه‌ی شروع را بزنید. سپس بر اساس چهار قانون ساده، سلول‌ها روشن یا خاموش می‌شوند و شما شاهد تکاپوی مختلف آن‌ها در طول زمان خواهید بود. این چهار قانون به شرح زیر است:هر سلول زنده با کمتر از دو همسایه زنده می‌میرد (کمبود جمعیت).هر سلول زنده با بیش از سه همسایه زنده می‌میرد (ازدحام جمعیت).هر سلول زنده با دو یا سه همسایه زنده، زنده می‌ماند و به نسل بعد می‌رود.هر سلول مرده با دقیقاً سه همسایه زنده دوباره زنده می‌شود.A single Gosper's glider gun creating glidersدنیای زندگی مصنوعی بسیار هیجان‌انگیز است و حتی با جست‌وجو در ویکی‌پدیا می‌توان اطلاعات جالبی به دست آورد و با نمونه‌های کوچک و بزرگ و پروژه‌های بلندپروازانه‌ی آن آشنا شد. در ابتدای مقاله تصویری از یک الگو مشاهده می‌کنید که توسط Lenia ایجاد شده؛ نسخه‌ای پیشرفته‌تر از Conway's Game of Life.به‌تازگی وارد دنیای kinetic modeling در تصاویر PET شده‌ام و شاید در ابتدا کمی عجیب به نظر برسد، اما آن را فرصتی می‌بینم برای ادامه‌ی کار در زمینه‌ی زندگی مصنوعی. در این میان، مفهوم PBPK بیش از سایر مفاهیم به این موضوع نزدیک است. PBPK که مخفف Physiologically Based Pharmacokinetic Modeling است، مفهومی نسبتاً جدید است که با کمک radiotracerها و kinetic modeling تلاش می‌کند ارتباط بین بافت‌ها و اندام‌های بدن را مدل کند. به عبارتی، سعی می‌کند هر سلول و بافت بدن را به مدلی برای کامپیوتر تبدیل کند تا بتوان درباره‌ی دوز داروها و اثر آن‌ها بر بدن با اطمینان بیشتری تصمیم گرفت و با استفاده از اصول dosimetry، دوزها را متناسب با اندام‌ها و تومورها تنظیم کرد. با گسترش پزشکی هسته‌ای، اهمیت این حوزه روزبه‌روز بیشتر و پیچیده‌تر می‌شود. شاید برای کسانی که با پزشکی هسته‌ای آشنا نیستند، تصاویر PET زیر مشابه به نظر برسند، اما هر کدام ویژگی‌های متفاوتی دارند که در تشخیص و پیش‌آگهی بیماری مفید هستند.تصاویر ئارامتریک ایجاد شده با kinetic modeling در مثایسه با تصویر SUVتصاویر ئارامتریک ایجاد شده با kinetic modeling در مثایسه با تصویر SUVبرای مدت‌های طولانی، بسیاری از روش‌های تصویربرداری پزشکی هسته‌ای مبتنی بر SUV یا Standardized Uptake Value بودند. این یعنی تصاویر semi-parametric هستند و فقط می‌توانند ایده‌ای درباره‌ی وضعیت نسبی نواحی مختلف بدهند. اما در kinetic modeling، با تصویربرداری‌های متعدد یا dynamic در طول زمان و با انتخاب یک ناحیه به عنوان مرجع، تصاویر parametric تولید می‌شوند. این امکان را می‌دهد که درباره‌ی الگوهای PET اطلاعات بیشتری به دست آوریم و تصمیم‌های دقیق‌تری بگیریم. مطالعات متعددی برتری این روش‌ها نسبت به روش‌های مبتنی بر SUV را در تشخیص و پیش‌آگهی بیماری‌ها نشان داده‌اند، اما این حوزه همچنان نسبتا جدید است و جای پیشرفت زیادی دارد.شمایی از یک مدل PBPK برگرفته از این مقالهروش‌های متعددی برای kinetic modeling وجود دارد؛ مانند مدل‌های compartmental و مدل‌های graphical مثل Patlak و Logan. مدل‌های PBPK پیچیده‌تر هستند و عمدتاً در داروسازی کاربرد داشته‌اند، اما تلاش‌هایی برای استفاده از آن‌ها در dosimetry نیز شده است. توضیح کامل مدل‌های PBPK در قالب متن کوتاه ممکن نیست، اما مطالعه‌ی بیشتر آن در اینترنت می‌تواند شما را با این حوزه آشنا کند. به طور کلی، این مدل‌ها بدن انسان را از طریق radiotracerها به یک مدل محاسباتی تبدیل می‌کنند؛ چیزی که می‌تواند در آینده مسیری برای ایجاد نوعی زندگی مصنوعی در مقیاس انسانی باشد.با توجه به قوانین و الگوریتم های غیر حرفه ای ویرگول من حتی نمیتونم لینک های مقالات و صفحه های ویکیپدیای مطالب رو اینجا هایپرلینک کنم یا بزارم. بنابراین برای خوندن هر مطلب خودتون دست به کار بشید و اون رو سرچ کنید.نسخه ی انگلیسی این مطلب رو به همراه لینک ها میتونید توی صفحه ی گیتهاب من به ادرس gorjiarman.github.io پیدا کنید. آرمان گرجی آرمان گرجی Fri, 29 May 2026 12:20:17 +0330 https://virgool.io/@gorjiarman/%D8%B4%D8%A7%DB%8C%D8%AF-%D8%AF%D9%88%D8%A8%D8%A7%D8%B1%D9%87-%D8%A8%D8%AA%D9%88%D8%A7%D9%86%D9%85-%D8%A8%D9%86%D9%88%DB%8C%D8%B3%D9%85-%DB%B2-qsoscukj3kc0 Francisco Goya, Third of May, 1808, 1814سرمایه‌گذاران زبده در نهایت جایی برای سرمایه‌گذاری پیدا می‌کنند و در هر جغرافیا و دوره‌ای از تاریخ، ملت‌ها یا بهتر بگویم سرمایه‌داران، سلیقه‌ی مختص به خودشان را دارند. سرمایه‌گذاری در جایی، با نتیجه‌ای به نفع بشریت و آینده‌ی آن همراه است و در جایی دیگر، سرمایه‌گذاری علیه زندگی و آبادانی و در جهت نفوذ و قدرت انجام می‌شود. جنگ هم نوعی سرمایه‌گذاری بلندمدت محسوب می‌شود که سیاستمداران و افراد بانفوذِ در میان آن‌ها، از سود و زیانش آگاه‌اند. نتیجه‌ی این سرمایه‌گذاری اما عمدتاً، اگر نخواهیم به معدود دستاوردهای بشریت در طول جنگ‌ها نگاه کنیم، مرگ انسان‌ها و تخریب زیرساخت‌هاست؛ و همان کارگردانان و سرمایه‌گذاران مطمئن خواهند شد که ما انسان‌های معمولیِ بازیگر، ذره‌ای نمی‌توانیم این بازی را از مسیری که برایش در نظر گرفته‌اند منحرف کنیم. این ایده‌ها را می‌نویسم و می‌دانم که در علوم انسانی نمی‌توان به مسائل ساده و تنها از پشت یک عینک نگاه کرد و قطعاً جوانب دیگری هم در ایجاد و ادامه‌ی جنگ دخیل هستند. همین‌طور سعی می‌کنم بدگمانی‌ام مرا در دام تئوری توطئه نیندازد.با خودم فکر می‌کنم که شاید بهتر است، گرچه هر روز زیر سایه‌ی تصمیمات سیاستمداران (بخوانید سرمایه‌داران) شانه خم می‌کنیم، دیگر منتظر نتیجه‌ی خوب از این سرمایه‌گذاری‌هایی که ذی‌نفع آن نیستیم و در آن‌ها به شکلی نومیدانه نقشی نداریم نمانیم و بیشتر روی خودمان و چیزهایی سرمایه‌گذاری کنیم که مستقل از آن‌هاست و در پی خدمت به بشریت و آینده‌ی آن است. شاید این‌گونه حداقل تلاش کرده باشم برای متعادل کردن سرمایه‌گذاری روی سودِ تعداد بیشتری از انسان‌ها؛ که شاید از دید تئوری بازی، این‌گونه سود بیشتری هم نصیب خودم شود. حتی اگر اسم این نگاه را محافظه‌کاری یا انفعال بگذارند، این دید به زندگی و شرایط روانی‌ای که در آن هستم کمک می‌کند نسخه‌ای بهتر از خودم باشم. این امید به بهتر شدن، به هیچ وجه معادل فراموشی دردها نیست. دردهایی که همه‌ی ما دیده‌ایم، زخم‌هایی که حتی درست پانسمان نشده‌اند و کلوئیدهایی بد و واضح روی پوست ما به جا گذاشته‌اند، تا ابد و تا زمان مرگ‌مان باقی خواهند ماند.قبلاً هم به خودم همین قول‌ها را داده بودم؛ که به علم پناه ببرم، به دانستن و یاد دادن هر آن چیزی که به رشد و سرمایه‌گذاری ما روی خودمان کمک می‌کند. اما سختی‌ها، استرس‌ها و کمبودهای ما به عنوان انسان، همیشه باعث می‌شوند از ایده‌آل‌هایی که در ذهن خودمان داریم فاصله بگیریم. این‌ها اما دلیل بر این نیستند که هر بار اشتباه می‌کنیم دوباره بلند نشویم و دوباره تلاش در مسیر درست را ادامه ندهیم. می‌خواهم دوباره تلاش کنم؛ از چیزهایی که می‌دانم برای خودم و شاید تعداد کمی مخاطب جالب باشد بنویسم. شاید دوباره بتوانم بنویسم. آرمان گرجی آرمان گرجی Mon, 25 May 2026 22:30:52 +0330 https://virgool.io/@gorjiarman/%D9%85%D9%86%D8%AD%D9%86%DB%8C-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D8%AA%D8%B5%D9%85%DB%8C%D9%85-dca-%DA%86%DB%8C%D8%B3%D8%AA-%D9%88-%DA%86%D8%B1%D8%A7-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%BE%D8%B2%D8%B4%DA%A9%D8%A7%D9%86-%D9%85%D9%87%D9%85-%D8%A7%D8%B3%D8%AA-wejvoitcfbvq امروزه ما ابزارهای مختلفی برای ارزیابی عملکرد مدل‌های هوش مصنوعی داریم. از دقت (Accuracy) و AUC گرفته تا متریک های پیچیده تری مثل نمودارهای کالیبراسیون و Precision-Recall. هر کدام از این معیارها ویژگی‌های خودشان را دارند، اما برخی از آن‌ها اطلاعاتی که برای کلینیسین‌ها مهم است را بهتر منتقل می‌کنند. این معیارها به پزشکان کمک می‌کنند که به سرعت تصمیم بگیرند که آیا می‌توان از یک مدل در عمل استفاده کرد یا نه. به عنوان مثال، یکی از این ابزارها نمودارهای کاپلان-مایر هستند که عملکرد مدل‌ها و مداخلات مختلف را در محیط بالینی در طول زمان نشان می‌دهند. یکی دیگر از ابزارهای کاربردی که در این پست قصد داریم درباره‌اش صحبت کنیم، منحنی تحلیل تصمیم یا همان DCA است.مقدمه ای بر DCAاین روش در سال ۲۰۰۶ توسط فردی به نام Vickers در این مقاله معرفی شد و از همان زمان به مرور در مقالات مختلف مورد استفاده قرار گرفت. به طوری که هر ساله استفاده از این روش در مقالات علمی بیشتر می‌شود. اما وقتی به دنبال یادگیری بیشتر درباره DCA باشید و آن را در اینترنت جستجو کنید، معمولاً با دو مسیر سخت مواجه می‌شوید: یا از مقالات علمی که این روش را با مثال توضیح داده‌اند استفاده کنید یا سراغ منابعی مانند یوتیوب بروید که در هر دو صورت مسیر سختی پیش روی شماست. من این چند وقت برای پروژه ی خودم در این باره مطالعه کردم و اینجا چیزی که از اون متوجه شدم رو به شکلی که قابل فهم تر باشه به اشتراک میزارم. بزارید از یک تعریف اولیه شروع کنیم: DCA چیست؟دی سی ای (DCA) یک روش تحلیل و مقایسه مدل‌هاست که هدفش بررسی این است که آیا مدل پیشنهادی ما (که معمولاً مدل‌های یادگیری ماشین است) در عمل نسبت به مدل‌های موجود در کلینیک سود خالص بیشتری میرسونه یا نه؟حالا به جای پرداختن به جزئیات پیچیده، ابتدا صرفا کاربرد اصلی آن را با یک مثال توضیح دهم.مثال - سرطان پروستات -فرض کنید در مورد سرطان پروستات صحبت می‌کنیم. یکی از تست‌هایی که به صورت روتین برای غربالگری سرطان پروستات استفاده می‌شود PSA است. اما یک اورولوژیست به خوبی می‌داند که اگر نتیجه این تست مثبت باشد، لزوماً به معنی سرطان نیست. یعنی اینکه دکتر می‌داند ممکن است تست PSA دچار تشخیص اشتباه یا همان False Positive شود.در اینجا، دکتر باید دو موضوع را در نظر داشته باشد: اول، اطمینان از اینکه افرادی که واقعاً نیاز به بیوپسی دارند، تحت این تست قرار بگیرند و دوم، جلوگیری از بیوپسی غیرضروری برای افرادی که سالم هستند، چون بیوپسی یک پروسه تهاجمی است. در نتیجه، پزشک در ذهن خود یک آستانه (Threshold) تعیین می‌کند، مثلاً ۴۰ درصد. یعنی اگر ۴۰ درصد احتمال بدهد که فرد ممکن است سرطان داشته باشد، او را برای انجام بیوپسی ارجاع می‌دهد. در این بین، ممکن است افراد زیادی که سرطان ندارند هم بیوپسی شوند، اما در ذهن پزشک سود تشخیص کمی بیشتر از ضرر بیوپسی است.حالا فرض کنید شما تست جدیدی به نام تست T ساخته‌اید که با دقت بیشتری بیماری را تشخیص می‌دهد. طبق بررسی‌های شما، این تست دقت و AUC بالاتری نسبت به PSA دارد، اما سوال این است که آیا در عمل و در کلینیک نیز عملکرد بهتری دارد؟ اینجاست که DCA به کار می‌آید. هدف ما این است که سود خالصی که به بیمار می‌رسد، بیشتر باشد و این چیزی است که نمودارهای دیگر آن را به خوبی نشان نمی‌دهند. سود خالص به این معناست که ما ضرری که به افرادی که False Positive هستن رو از سودی که به افرادی که True Positive میرسه کم کنیم. که جلوتر در مورد معادله ی دقیق اون صحبت میکنیم.حال فرض کنید این تست T را به پزشک معرفی می‌کنید. پزشک همچنان همان آستانه ذهنی خود را دارد. یعنی اگر ۴۰ درصد بیشتر به داشتن سرطان شک کند برای بیمار بیوپسی درخواست میکند. یعنی شما دو مدل پیش روی پزشک گذاشته‌اید؛ یکی با دقت ۳۰ درصد پیش بینی میکند دارد که فرد سرطان داشته باشد و دیگری با دقت ۹۰ درصد. پزشک باید تصمیم بگیرد که به کدام مدل اعتماد کند و برای این کار به نمودار DCA نگاه می‌کند. در این نمودار، پزشک متوجه می‌شود که در آستانه‌ای که او در ذهن دارد، مدل یا تست T سود خالص بیشتری برای بیمار به همراه دارد و بنابراین تصمیم می‌گیرد از آن استفاده کند.چطور این نمودارها رسم می‌شوند؟این نمودارها از یک معادله بسیار ساده پیروی می‌کنند که در زیر نشان داده شده است. با جایگذاری مقادیر در هر آستانه مشخص می‌توان Net Benefit را حساب کرد.البته این کار را می‌توانید با استفاده از کتابخانه‌هایی به زبان R و پایتون برای مدل‌های هوش مصنوعی خودتان نیز انجام دهید و نتایج را با مدل‌های دیگر و یا روش های کلاسیک قبلی (مانند تست های تشخیصی) مقایسه کنید. از جمله کتابخانه‌هایی که من با آن‌ها کار کرده‌ام می‌توان به dcurves در R و statkit در پایتون اشاره کرد.اخیرا در یکی از جلسات مدیکس در ینباره صحبت کردم و در یوتیوب خودم جلسه ی ضبط شده ی اون که به فارسی هست رو گذاشتم. آرمان گرجی آرمان گرجی Tue, 19 Aug 2025 12:04:03 +0330 https://virgool.io/@gorjiarman/%D9%87%D9%85%D8%B2%D8%A7%D8%AF-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84%DB%8C-digital-twins-k26eqia1hlxo healthtechmagazineگرفته از یکی از چیزهایی که برای من همیشه جالب بوده بازسازی سیستم های پیچیده ی زیستی روی کامپیوتر هاست. چند سال پیش وقتی تازه برنامه نویسی رو یاد گرفتم سعی کردم که یک برنامه ای که بعدها متوجه شدم که به اونها اتوماتای سلولی گفته میشه رو بنویسم. با توجه به سواد اون زمانم و خب حجم کاری که باید میکردم همه چیز خیلی خوب پیش نرفت و در نهایت وقتی با Convey game of life آشنا شدم فهمیدم که تقریبا دارم مسیری رو میرم که از قبل رفته شده و چیز جدیدی برای ارائه ندارم. بعدها وقتی در زمینه ی هوش مصنوعی بیشتر کار کردم با مفهوم همزاد دیجیتالی آشنا شدم و احساس کردم شاید بتونم چیزی رو که اون زمان بهش فکر میکردم رو در این حوزه پیدا کنم و بتونم اینجا چیز جدیدی خلق کنم. پایین تر با کمک گرفتن از چنتا مقاله ی مروری در مورد همزاد دیجیتالی در سلامت چند پاراگرافی مینویسم که شامل یک توضیح در مورد کلیت همزاد های دیجیتالی و تاریخ اونها، انواع و نحوه ی کارکرد اونها، یک مثال و کمکی که میتونن به ما در پزشکی بکنن هست.در اصل، مفهوم همزاد دیجیتالی به معنای ایجاد همزادهای مجازی از اشیاء، موجودات زنده، فضاها یا فرآیندهاست. ریشه‌ ی تاریخی به همزادی های دیجیتالی از محیط‌های شبیه‌سازی شده که توسط ناسا در دهه ۱۹۷۰ برای نظارت بر فضاهای فیزیکی دست‌نیافتنی (مانند فضاپیماها در ماموریت) ایجاد شدند، برمیگرده. معروف‌ترین کاربرد اولیه همزادی های دیجیتالی در طول ماموریت آپولو ۱۳ اتفاق افتاد، زمانی که یکی از مخازن اکسیژن دو روز پس از پرتاب منفجر شد و مهندسان تیم کنترل پرواز ناسا در هیوستون مجبور شدند مدل‌سازی و تست راه‌حل‌های ممکن را در یک محیط شبیه‌سازی شده انجام دهند. آن‌ها راهنمایی‌هایی برای ساخت یک تصفیه‌کننده هوای بداهه با استفاده از مواد موجود در فضاپیما به فضانوردان ارائه دادند تا خدمه آپولو ۱۳ را به زمین بازگردانند [۱].با اینکه مفهوم همزاد های دیجیتالی از سال ۱۹۷۰ مطرح شده بود اما اخیرا با پیشرفت های اخیر در حوزه ی پردازش و هوش مصنوعی جان دوباره ای گرفته تا جایی که IEEE Computer Society اون رو به عنوان سومین تکنولوژي پرطرفدار سال ۲۰۲۰ معرفی میکنه. اما قسمت عمده ای از این توجه که در طول تاریخ مرتب تکرار شده، عمدتا ظرف چندین سال فروکاهش میکنه و شرکت ها سعی می کنن از اون ابزاری بسازن که واقعا بدرد بخور باشه و بشه از اون استفاده کرد. حوزه های متعددی از این نوآوری سود میبرن که از جمله ی اونها میشه به صنعت، ساخت و ساز و حمل و نقل اشاره کرد. یکی دیگه از این حوزه ها علوم تجربیه. در واقع بازسازی مجازی هر سیستم پیچیده ای که در طبیعت کار میکنه تا بتونیم با استفاده از این کار رفتار اونهارو در شرایط جدید ببینیم و درنتیجه رفتاری که در محیط واقعی خواهند داشت رو بازسازی کنیم و خب چه چیزی جذابتر از بازسازی اجزای پیچیده ای مثل سلول ها، فرایند های سلولی و یا حتی ارگان ها و در مراحل بعدی حتی بدن انسان به طور کامل.ممکنه بازسازی مجازی بدن اسنان به طور کامل خیلی دور از دسترس بنظر برسه اما ساخته شدن ارگان ها و فرایند ها همین الان هم انجام شده. البته شاید فاکتور هایی هم وجود داشته باشن که داخل این ارگان ها و فرایند ها از قلم افتاده باشن امادر نهایت با کامل تر شدن دانش ما نسبت به مسیر ها و اجزای اونها روز به روز این همزاد های دیجیتالی کامل تر و به واقعیت نزدیکتر میشن. شاید چند مثال بتونه به شما بیشتر کمک کنه.یکی از حوزه هایی که در این زمینه محبوبیت بیشتری پیدا کرده ایجاد همزاد های مجازی از قلبه. در ایجاد این همزاد ها از دو مرحله ی همزاد آناتومیکی و همزاد عمکلردی ایجاد میشه. در مرحله ی آناتومیکی یک کپی سه‌بعدی بسیار دقیق از قلب واقعی، بر اساس اسکن‌های CT یا MRI بیمار ایجاد میشه. در این مرحله با استفاده از مدلی مثل UVC و با استفاده از مکان مناطق خاص قلبی مانند نوک قلب یا دیواره بین بطنی به‌طور خودکار با داده‌های ورودی نسبتاً کم یک همزاد مجازی از قلب را درست میکند.شکل 3. طرحی از جریان کار مرحله ی بعدی ایجاد همزاد عملکردی است، که در اینجا الکتروفیزیولوژی قلب را پوشش می‌دهد.در ایجاد امواج ECG چهار عامل اصلی شامل دپولاریزاسیون ناشی از سیستم هیس-پورکینجی و توزیع به زیراندوکاردیوم، سرعت هدایت در داخل بطن‌ها، مدت زمان پتانسیل عملکردی به صورت فضایی متغیر، و هدایت تنه اطراف قلب دخالت دارند. فعالیت الکتروفیزیکی چارچوب آناتومیک با استفاده از یک مدل شبیه‌سازی شد و با اندازه‌گیری‌های بالینی 12-لید ECG مقایسه شد. این مقایسه‌ها نشان می‌دهند که نوار قلب به‌طور خودکار و بسیار تزدیک به نوار واقعی شبیه سازی میشود.شکل 4. ECGهای شبیه‌سازی شده در مقایسه با ECGهای مرجع اندازه‌گیری شده ساختن این مدل به پزشکان و کادر درمان کمک میکنه تا بتونن با استفاده از داده های جمع آوری شده از بیمار یک نوار قلب مجازی از مریض داشته باشند و به صورت مجازی تاثیر مداخله های مختلف مثل کارکذاشتن دستگاه های مختلف رو بر روی عملکرد و نوار قلب مریض قبل از به کار گیری اونها در واقعیت ببینن و بتونن تصمیم درست تری بگیرن. [2]این تنها یک مثال از بین مقالات مختلفی هست که در این حوزه نوشته شده و روز به روز در حال بیشتر شدنه. پیشرفت ما در سخت افزار ها و قدرت پردازشی و همچنین مدل ها و الگوریتم های هوش مصنوعی باعث خواهند شد که این تکنولوژی روز به روز سریعتر و دقیقتر بشه. شاید یک روز قبل از انجام هر مداخله ای (از داروها تا عمل جراحی) روی بدن انسان، یک بار اثربخشی اون مداخله روی همزاد دیجیتالی اون فرد تست بشه. شاید هم روزی از هرکدام از ما یک همزاد دیجیتالی به قدری دقیق وجود داشت که حتی بتونه علت و زمان مرگ ما به علت بیماری هارو پیش بینی کنه و زودتر از اون جلوگیری کنه.1. Barricelli, B.R.; Casiraghi, E.; Fogli, D. A survey on digital twin: Definitions, characteristics, applications, and design implications. IEEE Access 2019, 7, 167653–167671.2.Gillette, K.; Gsell, M.A.; Prassl, A.J.; Karabelas, E.; Reiter, U.; Reiter, G.; Grandits, T.; Payer, C.; Štern, D.; Urschler, M.; et al. A Framework for the generation of digital twins of cardiac electrophysiology from clinical 12-leads ECGs. Med. Image Anal. 2021, 71, 102080 آرمان گرجی آرمان گرجی Sat, 27 Jul 2024 12:10:10 +0330 https://virgool.io/@gorjiarman/%D8%A7%D8%B2-%D8%B1%D9%88%D8%BA%D9%86-%D9%85%D8%A7%D8%B1-%D8%AA%D8%A7-%D9%85%D9%82%D8%A7%D9%84%D8%A7%D8%AA-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-ytzokldowks3 medium.com بر گرفته از من به شخصه آدم خوش بینی هستم و ترجیح میدم وقتی میخوام در مورد تکنولوژی یا نوآرویی صحبت کنم اول از خوبی ها و مزیت هایی که برای ما ایجاد میکنه صحبت کنم. در مورد هوش مصنوعی هم همینطور بوده و من همیشه در کنار چالش های موجود آینده ای روشن متصورم، روشنتر از امروز و در مورد اون اینجا مینویسم. اما دست انداز ها و چالش هایی که هر روز به اندازه ی خود نوآوری پیچیده تر میشن، همواره سرعت این پیشرفت رو کمتر میکنن و من مطمئنم که با دانستن بخشی از این چالش ها و دست انداز ها میتونیم سرعت رو بیشتر کنیم و حداقل در زمینه ی پزشکی از قدرت هوش مصنوعی برای درمان بیماری های لاعلاج و افزایش کیفیت و کمیت خدمات پزشکی استفاده کنیم.برای درک بهتر چیزی که در ادامه می خوام در موردش صحبت کنم میخوام از یک داستان متفاوت شروع کنیم. داستان روغن مار؛ روغن مار در آینده ای دور در کشور چین به عنوان مرهمی برای درد مفاصل استفاده میشده و بعدا از طریق افرادی به کشور های غربی راه پیدا میکنه و فروشندگانی به دروغ و با وعده های گمراه کننده اون رو به عنوان داروی همه ی بیماری ها و جوان کننده و خلاصه معجونی همه کاره به مردم میفروختند. در حالی که هیچ اثبات علمی برای این موضوع وجود نداشت و صرفا نوع ارائه و اطلاعات گمراه کننده به همراهی ترکیبی از اپیوم ها و ها الکل و آمفتامین ها باعث میشد تا مردم اون هارو خریداری کنن.marketingsherpa بر گرفته از چیزی که در اینجا از این داستان مورد بحث است مسیری هست که این دارو ها و مکمل ها برای تولید شدن، شناخته شدن و ورود به بازار و ساختن یک بازار بسیار موفق طی کردن. مسیری که شاید شرکت های داروسازی اون رو به خوبی بلد باشن و با ارجاع به مقالاتی که کیفیت مورد قبولی ندارن و از متد های درستی استفاده نمیکنن چنین داروها و مکمل هایی رو ابتدا به جامعه ی پزشکی و بعد از اون با واسطه و یا بدون واسطه اون رو به عموم مردم معرفی و مصرف اون رو واجب قلمداد میکنن. در واقع شرکت های داروسازی بزرگ از نتایج گمراه کننده ی مقالات و مطالعات و یا تحلیل نادرست اونها استفاده میکنن تا محصولات خودشون رو در در بازار های بزرگی به فروش برسون. اخیرا برای دارو ها و درمان های پزشکی که بدون هیچ مدرک موثق علمی به بازار راه پیدا کردن و در واقع نوعی کلاهبرداری هستند همین اصطلاح روغن مار به کار میره و داستان های زیادی در مورد اون در دوران کرونا شنیدیم. در واقع در بهترین حالت و در دنیای امروزی، شرکت ها و آدم ها با استناد اشتباه یا برداشت و تحلیل اشتباه از مقالات و مطالعات اشتباه برای نفع های شخصی استفاده می کنن.اما چه ارتباطی بین روغن مار و الگوریتم های هوش مصنوعی وجود داره؟ در دنیای امروز که در اینترنت میتونیم دسترسی به حجم زیادی از داده های پزشکی مرتب شده داشته باشیم و از طرفی ساختن شبکه های هوش مصنوعی راحتتر شده و منابع کامپیوتری بیشتری برای اجرای این الگوریتم ها موجود هست، نوشتن مقالات هوش مصنوعی در حوزه ی پزشکی به طور شگفت انگیزی افزایش یافته و ژورنال های زیادی سالانه تعداد زیادی از این مقالات رو چاپ میکنن.برگرفته از مقاله ی ذکر شده در انتهای متن اما نفع مالی ژورنال ها و تنگنای زمانی استادان برای دریافت گرنت ها و یا عجله ی افرادی مثل خود من برای چاپ مقاله و داشتن روزمه در کنار مشکلاتی دیگه ای مثل زمان محدود چاپ مقالات کنفرانس باعث میشه تا حجمی از این مقالات چاپ شده در هر سال از کیفیت قابل قبولی برخوردار نباشن و این کیفیت نامناسب ممکنه سال ها برای کسی آشکار نشه تا اینکه افرادی سعی در صحت سنجی اون نظریه بکنن و یا مقالات مروروی به کمک ما بیان و با اجماع مقالات مختلف باعث بشن تا سوگیری های موضعی کمرنگ تر بشن. البته عدم قطعیت صد در صد بخشی از ماهیت علم هست و اینکه نه تنها در حوزه ی هوش مصنوعی بلکه در همه ی حوزه ها آخرین مقالات لزوما آخرین چیزهایی نیستن که ما باید به عنوان علم و فرضیات قبول کنیم اما به عقیده ی من در زمینه ی هوش مصنوعی به علت ماهیت پیچیده ی اون، چاپ مقالاتی که متد های چندان درستی ندارن چیزی هست که بیشتر اتفاق میوفته، اگثر ژورنال ها زحمت اجرای مجدد کد ها و صحت سنجی این الگوریتم هاو بررسی داده ها رو به خودشون نمیدن و خود مقالات هم کمتر گایدلاین های موجود در زمینه ی مقالات هوش مصنوعی و متریک ها و استاندارد هایی که باید رعایت بشه رو رعایت میکنن. این مشکلات به صورت سیستماتیک و در طولانی مدت باعث میشن سرعت پیشرفت در این حوزه کمتر بشه و یا اینکه در صورت بی اعتمادی جامعه ی عموم نسبت به صحت الگوریتم های موجود زمستانی دیگه حداقل برای هوش مصنوعی در پزشکی ایجاد بشه.مقاله ی بارپلات : Artificial Intelligence in Healthcare: 2023 Year in Review​ آرمان گرجی آرمان گرجی Wed, 03 Apr 2024 19:12:11 +0330 https://virgool.io/@gorjiarman/%D9%BE%D9%86%D8%AC-%DA%86%D8%A7%D9%84%D8%B4-%D8%A7%D8%B3%D8%A7%D8%B3%DB%8C-%D8%AF%D8%B1-%D8%B3%D9%84%D8%A7%D9%85%D8%AA-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%82%D8%B3%D9%85%D8%AA-%D8%AF%D9%88%D9%85-jmh4llk4bq3e عکس از designorate.comمقدمهمفهوم 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.۴. نقش هوش مصنوعیعکس از bodyo.comهوش 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.۵. پتانسیل ژنومیکtill-lauer.ch عکس از 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 آرمان گرجی آرمان گرجی Fri, 05 Jan 2024 15:11:06 +0330 https://virgool.io/@gorjiarman/%D9%85%D8%AF%D9%84-%D9%87%D8%A7%DB%8C-%D8%B2%D8%A8%D8%A7%D9%86%DB%8C-%D8%A8%D8%B2%D8%B1%DA%AF-llms-%D8%AF%D8%B1-%D8%AE%D8%AF%D9%85%D8%AA-%D8%B9%D9%84%D9%85-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-n1onlsqwdm14 عکس ساخته شده توسط Fotorدرست ۱۰ روز پیش گوگل از یکی از جدیدترین و به عقیده ی من انقلابی ترین دست آورد هاش در حوزه ی هوش مصنوعی به نام جمنای (Gemini) پرده برداری کرد. یک مدل زبانی بزرگ (Large Language Model) یا LLM که تفاوتش با رقبای دیگهی خودش مثل GPT-4 اینه که علاوه برا متن میتونه با تصویر، صدا و ویدیو با کاربر ارتباط برقرار کنه. اینجا میتونید در مورد قابلیت های جمنای بیشتر ببینید و بخونید. اما این معرفی گوگل بهانه ای شد تا تصمیم بگیرم در اینجا کمی در مورد مدل های زبانی بزرگ بنویسم.زبان مهمترین ابزار ارتباطی ما انسان هاست و تکامل بشر وقتی روند نمایی به خودش گرفت که به کمک ابزار زبان تونستن با همدیگه ارتباط برقرار کنن. احساسات و تفکراتشون رو انتقال بدن و حتی اون رو به صورت نوشته و متن به باقی افراد و به نسل های بعد منتقل کنن. این روند تا مدت زیادی به یک شکل و با یک سرعت ادامه پیدا کرد تا اینکه سر و کله ی کامپیوتر ها پیدا شد و برای ارتباط با اونها باید از روش هایی مثل تایپ کردن استفاده میکردید. در رایانه ای که ۵۰ سال پیش داشتید هر اشتباهی در املاء کلمات باعث میشد تا کامپیوتر با شما ارتباط برقرار نکنه و حرف شما رو متوجه نشه. بعد ها و تا چند سال پیش کامپیوتر ها میتونستن تا حد زیادی خطا های مارو متوجه بشن و حتی وقتی دقیقا به اون چیزی که میخواستیم اشاره نکردیم باز هم اونها کار رو به درستی انجام میدادن . این ارتباط عمدتا یکطرفه هم تا مدت زیادی راه ارتباط ما با کامپیوتر ها بود تا اینکه مدل های بزرگ زبانی با این مقاله از گوگل که در اون یکی از مدل های اون رو برای اولین بار توضیح میده مورد توجه قرار گرفت. اما بعد ها زمانی این موضوع به این اندازه مورد توجه عام قرار گرفت که مردم تونستن قابلیت های Chat-GPT رو از نزدیک لمس کنن و تصور کنن که چقدر این ایده میتونه بزرگ،دقیق و شگفت آور باشه. Chat-GPT که بر مبنای مدل های Transformers ساخته شده میتونست به سوال های ساده تا پیچیده پاسخ بده، متن هارو به درستی و با دقت ترجمه کنه،صحبت های قبلی رو به خاطر بسپره، شعر بگه و بسیار از قابلیت های دیگه. بعد از اون شرکت های دیگه مثل فیسبوک و گوگل و مایکروسافت هم LLM های خودشون رو توسعه دادن و اون هارو ارائه کردن.مدل های زبانی بزرگ هر روز به عنوان ویترینی از هوش مصنوعی برای عامه ی مردم، اونها رو هیجان زده میکنن و به کسایی که در این زمینه کار و تحصیل میکنن یادآوری میکنن که دیگه قرار نیست زمستونی برای هوش مصنوعی درکار باشه و آینده ی هوش مصنوعی درخشانه.اما اگر بخوایم به طور کاملا ساده شده LLM هارو توضیح بدیم باید بگیم که اونها در واقع مدل هایی هستن که با ساختار های متفاوتی که دارن بر روی یک پایگاه داده ی بسیار عظیم آموزش داده میشن و یادمیگیرن که چطور متن رو بفهمن و اون رو بسازن. البته که توضیح دادن LLM ها کار این پست نیست و میتونید اینجا (برای افراد حرفه ای)، اینجا (برای افراد مبتدی) بیشتر در موردش مطالعه کنید و یادبگیرید.اما از اونجایی که اینجا همه چیز رنگ و بوی پزشکی داره، در مورد استفاده های این تکنولوژی در علم پزشکی و سلامت صحبت میکنیم.The future landscape of large language models in medicineشکل بالا که از این مقاله گرفته شده به خوبی یک دید کلی از LLM در پزشکی رو ارائه میکنه. در ابتدا باید بدونیم که حداقل فعلا ترجیح براینه که از LLM های اختصاصی در حوزه ی پزشکی استفاده بشه، چراکه اونها نیاز به نظارت بیشتری دارن تا از بی ضرر بودن اونها مطمئن باشیم و هم مطمئن باشیم که با اطلاعات درستی آموزش دیده تا سایر اطلاعات نادرست به تصمیم گیری اونها جهت نده. اما حوزه هایی که LLM میتونه در اونها به پزشکی کمک کنه تقریبا همه ی جنبه های اون رو شامل میشه که در پایین به چنتا از اونها رو دقیقتر توضیح میدم؛مراقبت از بیمارمراقبت از بیمار علاوه بر تصمیمات و استدلال بالینی پزشک به ارتباط موثر با بیمار بستگی داره و زبان اساسا پایه ی این ارتباطه. وقتی پزشک یا کادر درمان بربالای سر مریض حاضر میشه از احوالات اون میپرسه و مریض با زبان به اون پاسخ میده. LLM ها با دانشی که از زبان دارن میتونن اون اطلاعات رو از گفتار به متن تبدیل کنن، دسته بندی کنن، قسمت های مهم اون که باید بهش بیشتر دقت کرد رو بولد کنن و یا حتی برای ارتباط موثر با پزشکی با یک زبان دیگه اون رو با دقت بالایی ترجمه کنن.آموزش پزشکیابعاد و حجم علم و مقالاتی که در حوزه ی پزشکی وجود داره به شکل شگفت آوری زیاده و درک و دسترسی به همه ی ابعاد اون برای همه ی کارکنان سلامت غیر ممکنه. اما LLM ها این امکان رو دارن تا این اطلاعات رو به درستی خلاصه و دسته بندی کنن و برای هر گروهی از کارکنان سلامت قسمتی رو که بیشتر به اون نیاز دارن رو ارائه کنن. در این صورت دقت دانسته ها در همه ی افراد افزایش پیدا میکنه و دسترسی به اطلاعاتی که دسته بندی مناسب تری دارن راحتتر از قبل میشه.پژوهش در پزشکیاگر همین الان از Chat-GPT بخواید که برای شما مقاله ای در مورد تاثیر LLM ها در دینای پزشکی بنویسه شاید به موضوعاتی اشاره کنه که من نتونستم در زمان محدودتری که دارم در مورد اونها مطالعه کنم. این قدرت LLM ها وقتی به کمک سلامت میاد که بتونه روش ها و مسیرهای جدیدی رو از کنار هم گذاشتن مسیرهای قبلی ایجاد کنه که هرکدوم میتونن دروازه ی جدیدی در نگاه ما به یک بیماری یا یک دارو باشن. همچنین قدرت LLM ها در برنامه نویسی هم باعث شده تا بشه اونها رو در تکنولوژي های سلامت دیجیتال و هوش مصنوعی در سلامت استفاده کرد و محصولات جدیدی رو سریعتر و دقیقتر ساخت.البته مثل همیشه باید درنظر داشت که برای به کارگیری LLM ها در حوزه ی پزشکی به مسائل اخلاقی و کمبود های اونها هم توجه کرد چراکه دیتای نادرست و یا مدل اشتباه میتونه باعث سوگیری بشه و یا اطلاعات غلط رو به کاربر ارائه کنه. حتی با توجه به اینکه هنوز بسیاری از LLM ها با پایگاه داده های قدیمی آموزش داده میشن و اطلاعات جدیدتر رو نمیدونن، همواره این ریسک وجود داره که در تصمیم گیری اشتباه کنن. آرمان گرجی آرمان گرجی Sat, 16 Dec 2023 22:35:08 +0330 https://virgool.io/@gorjiarman/%D8%AA%D9%81%D8%B3%DB%8C%D8%B1-%D9%BE%D8%B0%DB%8C%D8%B1%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B3%D9%84%D8%A7%D9%85%D8%AA-nddcvkiwjjoz universityofgalway عکس از تفسیر پذیری، تفسیر پذیری و تفسیر پذیری. با افزایش روز افزون تکنولوژی های هوش مصنوعی و راه یافتن اونها در کارهایی که تا به امروز انسان ها اپراتور های اصلی بودند یه سری مفاهیمی اهمیت بیشتری پیدا کردن. یکی از این مفاهیم که اخیرا شاید در موردش بیشتر شنیده باشید تفسیرپذیریه (interpretability). مخصوصا وقتی هوش مصنوعی قراره جای افرادی رو بگیره که کارهای حساس تری دارن و اشتباه در اونها ممکنه باعث به خطر افتادن جان انسان ها بشه. که خب یکی از اون حوزه ها همین حوزه ی سلامت هستش. من در این مقاله میخوام در مورد تفسیر پذیری در هوش مصنوعی دنیای سلامت و برخی از تفکرات حوالی اون صحبت کنم.تفسیر پذیری هوش مصنوعی به معنای توانایی درک و تفسیر عملکرد و تصمیمات یک مدل هوش مصنوعیه. با توجه به اینکه اکثرا مدل های هوش مصنوعی برای ما جعبه های سیاهی هستند که نمیدونیم داخل اونها چه چیزی میگذره، فهمیدن اینکه چگونه این سیستم‌ها به تصمیمات خودشون می‌رسن و چه اطلاعاتی رو برای این تصمیمات استفاده می‌کنن برای ما اهمیت بالایی داره. شاید بشه توضیحات زیادی در مورد علت مورد نیاز بودن تفسیر پذیری و توضیح الگوریتم های هوش مصنوعی داد اما من دوست دارم یک مثالی از ویدیویی که پایین میزارم و شاید وقت نکنید کامل ببینید براتون بگم. این خانم، فیناله دوشی (Finale Doshi-Velez) به همراه همکاراش در یک مقاله یک مدل طراحی میکنه که به کمک اطلاعاتی که از طریق اطلاعاتی که از بیماران زیادی گرفته بودن پیش بینی میکنه که مریض داخل ICU چند روز دیگه زنده میمونه و خب با دقت بالایی این کار رو انجام میداد. همه چی خوب بود و همه خوشحال بودن تا اینکه پزشکان ازشون پرسیدن که چطور این سطح از دقت امکان پذیره؟اونها تصمیم گرفتن ببینن مدل از کدوم یکی از داده های مریض برای تشخیص داره استفاده میکنه. اونها متوجه شدن که مدل اکثر اوقات از حجم داده هایی که بهش داده بودن استفاده نمیکنه و درعوض این مسیر رو یادگرفته که وقتی پزشک در دستورات بیمار عبارت «فراخواندن کشیش بیمارستان» رو مینویسه به احتمال زیاد زمان مرگ بیمار نزدیکه و این باعث میشه بتونه زمان مرگ رو با دقت بالایی حدس بزنه. خب این اتفاق هم جالبه و هم نا امید کننده. اما چیزی که میشه ازش یاد گرفت اینه که بعضی وقت ها ما مدل هایی رو میسازیم که لزوما قرار نیست کار درست رو در هر شرایطی انجام بدن. فرض کنید همین مدل قرار بود در مرکز دیگه ای به کار گرفته بشه برای تشخیص زمان مرگ و در اون مرکز خبری از دستور «فراخواندن کشیش بیمارستان» نبودِ در این صورت مسلما الگوریتم ما با درصد خطای بالایی مواجه میشد. اما فینالی به درستی و خیلی زیبا در این مورد توضیح میده که لزوما منظور ما از تفسیر پذیر بودن توضیح تک تک اتفاقات و جابه جایی بیت ها در کامپیوتر برای به دست آوردن نتیجه نیست، بلکه ما به عنوان استفاده کنندگان از این تکنولوژی نیاز داریم تا کلیت مسیر تصمیم گیری مدل رو بدونیم و به عبارتی برای ما نتیجه قابل توضیح باشه. البته فکر میکنم در نهایت توضیحات من به اندازه ی صحبت خود فینالی شیوا نباشه و اگر وقت داشتید حتما تدتاک خودش رو گوش کنید. https://www.aparat.com/v/3dqjG اهمیت تفسیرپذیری خودش رو در قانون گذاری هم نشون میده و در کشور هایی که در قانون گذاری و پیش بینی آینده پیشرو تر هستند، مدل هوش مصنوعی برای اینکه بتونه صلاحیت لازم برای انجام کارهای حساستر رو داشته باشه یکی از استاندارد ها تفسیرپذیر بودن یا توضیح پذیر بودن اون مدله. واقعیت اینه که مثل هر محصولی که در دنیای درن ما وارد میشه، وقتی کمی بیشتر در دنیای هوش مصنوعی گشت بزنید متوجه میشید که توسعه دهندگان و کاربران در دو گروه قرار دارن. گروهی از این افراد بر این عقیدن که قانون گذاری ها و رگولیشن های بیشتر باعث میشه بر سر راه خلاقیت توسعه دهندگان یک مانع ایجاد بشه و دست اونها برای ساختن و امتحان کردن چیزهای بیشتری که ممکنه یکی از اونها فردای مارو بسازه کمتر میشه. گروهی دیگه بر این عقیدن که در صورتی که ما رگولیشن های لازم رو انجام ندیم، هر گونه آسیبی که در نهایت ممکنه با عملکرد اشتباه به ما انسان ها وارد بکنه در مقابل تمام خوبی های اون میتونه ناچیز باشه، در واقع شاید اینکه الان جلوی اتفاق های بد رو نگیریم، وقتی در سراشیبی لغزنده بیوفتیم به مراتب اشتباه های بیشتر و تهدید کننده تری برای بشر رخ بده. تاریخ نشون داده که نتیجه ی نهایی معمولا چیزی قابل پیرش برای هر دو گروهه. از طرفی رگولیشن ها به قدری نخواهند بود که خلاقیت رو محدود کنن و به قدری هم شل نخواهند بود که باعث بشه در سراشیبی به سمت پایین بره. (حداقل امیدوارم اینطور باشه)احتمالا من اینجا بیشتر در مورد تفسیر پذیری بنویسم و در مورد زوایای فراوانی که میشه به این موضوع نگاه کرد صحبت کنم. آرمان گرجی آرمان گرجی Wed, 16 Aug 2023 20:31:10 +0330 https://virgool.io/DigitalHealth/%D9%85%D8%B1%DA%A9%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-%D8%AA%D8%B9%D8%B1%DB%8C%D9%81-%D8%B4%D8%AF%D9%87-%D8%AA%D9%88%D8%B3%D8%B7-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-sddc-%D9%88-%D8%B3%D9%84%D8%A7%D9%85%D8%AA-uqnqs25ipi2f irisef.com عکس از وسعت دانسته های بشر مداوما و به صورت نمایی در حال گسترشه و این باعث شده در قرن ۲۱ حجمی از اطلاعات ایجاد بشه که دانستن حتی متخصصین و فیلسوف های هر قسمت کوچیکی از این دریای بیکران هم ادعایی در برابر دانستن کامل حوزه ی خودشون ندارن. ترکیب دو علم پزشکی و کامپیوتر هم ازین قاعده مستثنی نیست. هر چند تمام اوقاتت رو صرف خوندن و جا نموندن از تکنولوژي ها و متد های روز بکنی، باز هم تکنولوژي هایی هستن که احتمالا از اونها اطلاعی نداری. البته من همیشه اعتقاد دارم لزوما نیاز نیست افراد در مورد همه ی مسائلی که توی حوزه ی خودشون اتفاق میوفته حرفه ای باشن، اما دانش کلی در مورد اون موضوع ( در کنار دانش عمیق شما در یکی موضوع خاص تر) خیلی به شما کمک میکنه. حوزه ی سلامت هم یکی از اون حوزه های به سرعت در حال تغییره که اتفاقا کارکنان این حوزه به دلایلی که عمدتا به علت ماهیت این حوزه و کمتر به خاطر عدم وجود سیاست گذاری های درست در این حوزه برای آموزش بوده، در برابر تغییر و مفاهیم جدید نسبت به صنف های دیگه مقاوم تر هستن. حتی قسمت عمده ای از اونها ( از نگاه من به عنوان یکی از کارکنان در این حوزه) خیلی از این تغییرات رو تهدیدی برای شغل خودشون میدونن. اما اگر اینجا هستید و همچنان این متن رو میخونید پس حتما جزو کسانی هستید که دوست دارید در این باره اطلاعاتی داشته باشید. جرقه ی نوشتن در مورد این موضوع رو لاگ ۲۷۰ تهران زد و من کمی بیشتر در موردش خوندم و از دید حوزه ی پزشکی هم کمی در مورد مزایا و معایب ممکن نوشتم.مرکز داده تعریف‌شده توسط نرم‌افزار SDDC چیست؟vmware.com عکس از قبل از پرداختن به مفاهیم خاصتر و مرتبط با سلامت، مهمه که بدونیم SDDC چیه. در یک مرکز داده سنتی، هر جزء (مانند سرورها، ذخیره سازی و شبکه) از نظر فیزیکی مجزا بوده و به صورت جداگانه مدیریت می شه. اما یک SDDC این اجزا رو در یک سیستم یکپارچه که توسط نرم افزار کنترل می شه، ادغام می کنه. این امکان ایجاد یک مرکز داده انعطاف پذیرتر، کارآمدتر و مقیاس پذیرتر رو فراهم می کنه که بتونه با نیازها و تقاضاهای در حال تغییر سازگار بشه.بزارید با یه مثال براتون توضیح بدم. تصور کنید من یک شرکت دارم که در حوزه ی ساخت یک دستبند هوشمند که ضربان قلب شمارو پایش میکنه و در صورت ایجاد شدن آریتمی ( ریتم غیر معمول) به اطرافیان و مرکز اورژانس پزشکی خبر میده. من یک سایت دارم که در اون محصولاتم رو میفروشم که بر روی یک سروری در اتاق سرور شرکتم بالا آوردم که با WAMP کار میکنه. یک سرور لینوکسی که در اون تمامی اطلاعاتی که مداوما از کابر ها گرفته میشه پردازش میشه که ظرفیت پردازشی بسیار بالایی داره و یک سرور رو برای ذخیره ی اطلاعات کاربر ها در نظر گرفتم که با رضایت شخص خودشون و به عنوان سابقه ی پزشکی اونها رو ذخیره میکنم. این کاری بود که حداقل تا الان و به صورت سنتی انجام میشه و البته ممکنه شما هر کدوم از این سرویس هارو به صورت جداگانه از یک شرکت بخرید. اما تصور کنید یک روز در حالی که داشتم در اتاق سرور راه میرفتم پای من به یکی از سیم های سروری که روی اون سایت من قرار داشت بخوره. نتیجه خارج شدن سایت من از دسترس هستش و تا زمانی که شاید چند ساعتی طول بکشه سایت من از دسترس خارج خواهد شد. این موضوع وقتی اهمیت بیشتری پیدا میکنه که سرور پردازش اطلاعات که حیاتی تر هست از دسترس خارج بشه و شرکت و کاربر هارو دچار ضرر بکنه. اینجا SDDC وارد میدان میشه. SDDC میاد و همه ی سرور ها و فضاهای ذخیره ای و پردازشی داخل شبکه ی من رو شناسایی میکنه و اونهارو جدای از نوع معماریشون و صرفا بر اساس ماهیتشون دسته بندی میکنه. مثلا همه ی فضاهای ذخیره ای رو در یکجا (به صورت مجازی)جمع میکنه. بنابراین تمامی سرویس های من ازین به بعد به جای درخواست دادن به سرور های فیزیکی مجزا به یک مجموعه ی بزرگتر درخواستشون رو ارسال میکنن و این باعث میشه وقتی که سرور لینوکسی من از کار افتاد همچنان منابع دیگه وجود داشته باشن و سرویس من از دسترس خارج نمیشه. اگر با توضیح من متوجه نشدید شاید این فیلم بتونه کمکتون کنه. https://virgool.io/p/uqnqs25ipi2f/%3Ciframewidth= اما کمی هم در مورد سایر مزایای این موضوع در چند قسمت زیر به طور خلاصه توضیح میدم.1. مقیاس پذیریدر بخش مراقبت‌های بهداشتی، توانایی مقیاس‌ پذیری منابع بسیار مهم است. از آنجایی که تقاضاها در نوسان هستند، حال چه به دلیل یک بیماری همه گیر ناگهانی و چه به دلیل معرفی خدمات جدید، ارائه دهندگان مراقبت های بهداشتی باید بتونن به سرعت پاسخ دهند. با یک SDDC، منابع را می توان در همان زمان به طوری تخصیص و تنظیم کرد که امکان مقیاس پذیری سریع رو فراهم می کنه.2. صرفه جوییبا اجتماع زیرساخت فیزیکی و مدیریت آن از طریق نرم افزار، SDDC نیاز به مداخله دستی کمتر میشه که منجر به کاهش هزینه های عملیاتی می شه. به‌علاوه، مدل پرداخت هزینه‌ای (پرداخت متناسب با استفاده منابع) که بسیاری از SDDCها تحت آن کار می‌کنند، می‌تواند منجر به صرفه‌جویی قابل توجهی در هزینه‌ها شود، زیرا ارائه‌دهندگان مراقبت‌های بهداشتی فقط برای منابعی که استفاده می‌کنند پرداخت می‌کنند.3. امنیتامنیت در مراقبت های بهداشتی بسیار مهم است، جایی که داده های حساس بیمار باید به هر قیمتی محافظت شوند. SDDC می‌تواند اقدامات امنیتی پیشرفته‌تری را ارائه دهد، زیرا ماهیت تعریف‌شده توسط نرم‌افزار اجازه می‌دهد تا سیاست‌های امنیتی متمرکز، پاسخ سریع به تهدیدات و انطباق آسان‌تر با مقرراتی مانند HIPAA را فراهم کند.به هر حال در کنار تمامی موضوعاتی مثل هوش مصنوعی و داده ی کلان، SDDC ها هم نقش پر رنگی در تغییر آینده ی پزشکی خواهند داشت و دانش عمومی و به کارگیری اون توسط افراد متخصص در این حوزه شاید سرعت مارو در همه ی حوزه های دیگه مثل هوش مصنوعی و داده ی کلان افزایش بده. آرمان گرجی آرمان گرجی Fri, 04 Aug 2023 15:03:09 +0330 https://virgool.io/@gorjiarman/%D8%AF%D8%B1-%D8%A8%D8%A7%D8%A8-waluigi-effect-%D9%87%D9%85%D8%AA%D8%A7%DB%8C%D9%90-%D8%A8%D8%AF-vzityuebvm1g عکس از change.orgاخیرا و به لطف پادکست Hard Fork در اوقاتی خالی که دارم بیشتر با مفاهیمی که حوالی هوش مصنوعی وجود دارن آشنا شدم. از مفاهیم شناخته شده تری مثل اخلاق و آینده ی هوش مصنوعی تا مفاهیم مشخص تری مثل تکینگی. یکی از چیزهای جالبی که شنیدم و بیشتر در موردش خوندم مفهومی به اسم Waluigi effect بود.من هیچوقت اهل بازی های قارچ خور نبودم و حتی الان که گاها مهریسا بازی میکنه برام جذابیتی آنچنانی ندارن. گرچه واقعا فرنچایز فوق العاده ای به حساب میاد و شخصیت ها و بازی های اون تا حدودی برای من که حتی بازی نکردم هم شناخته شدس. اما ربط قارچ خور یا سوپر ماریو به این مسئله در واقع اینجاست که ماریو یک برادر به اسم لویجی داره که لویجی یک همتا (در واقع اینجا همتای بد) داره که اسم اون والویجیه. منظور از همتا اینه که والویجی شبیه به لویجیه و کارهایی که لویجی انجام میده رو انجام میده اما به روش و با اخلاق بد و زننده. یک جایی در مقاله این در فورچون این رو به رابطه ی فروید و یونگ تشبیه کرده بود و اونهارو از جهت روانشناس بودن یکی میدونست و حتی در مدتی دوست و همصحبت هم بودن اما بعد از مدتی این دوستی تموم میشه و این افراد نظراتی مخالف هم در مورد روان و روانشناسی که ما امروزه در موردشون میدونیم ارائه میکنن. اما برم سراغ اینکه این موضوع چه ارتباطی با هوش مصنوعی داره.مدت زمان نسبتا زیادی از شکل گیری و آزمایش اولین محصولات هوش مصنوعی به دست بشر میگذره و از همون ابتدای کار افراد زیادی همیشه آینده ی تیره وتاری که این ممکنه این تکنولوژی برای بشر ایجاد کنه رو مداوما گوش زد میکردند. یکی از معروف ترین ها و شاید دهن پر کن ترین ها مفهوم تکینگی باشه. خود این مفهوم و حرف زدن در مورد اون شاید خارج از فرصت این متن باشه اما این این مفهوم رو که جان نویمان رو از اولین بنیانگذاران اون میدونن به این معنیه که وقتی هوش مصنوعی یک آستانه ای از خودآگاهی و دانش رو رد کنه بعد از اون خودش خودش رو ارتقا میده و به هوش و توانایی بالاتر از ذهن انسان ها دست پیدا میکنه و این از نظر بسیاری از دانشمندان و صاحبان نظر در این حوزه ی اتفاق خوبی نیست و بشر و نوع اون رو تهدید خواهد کرد. اما از نظر من هر اتفاق بزرگ به تدریج رخ میده و رسیدن به چنین وضعیتی شاید دهه ها طول بکشه و سطول لغزنده (slippery slope) هایی که در این بین وجود دارن که وقتی توی اون سطح ها بیوفتیم سرعت حرکت ما به سمت دره بیشتر میشه. یکی از اون سطوح لغزنده همین اثر والویجی هست. اثر والویجی به معنای ساده کلمه میگه وقتی شما شبکه ی هوش مصنوعی رو برای انجام هدف خاصی طراحی میکنی، هر چقدر دقت اون رو برای هدف خودت بالاتر ببری در واقع باعث میشی که اون شبکه کار مخالف اون هدفی که داشت رو هم با دقت بالایی انجام بده. در واقع این بیشتر از داده هایی که برای تمرین به اون شبکه داده میشه نشات میگره. اینکه شبکه های هوش مصنوعی میتونن گاها بد باشن در همین مدت و در ابزار هایی مثل ChatGPT دیده شده اما به نظر من زمانی این اثر برای همه شناخته شده میشه که یک اتفاق بد بزرگتر رو هوش مصنوعی رقم بزنه. البته این چیزیه که تاریخ مداوما اون رو اثبات کرده و الان که منتظر فیلم اوپنهایمر هستیم با دونستن چیزهایی در مورد پروژه ی منهتن و خود اوپنهایمر، شاید این ایده که میتونه اتفاق بدی اتفاق بدی باشه رو در ذهن پررنگ تر کنه. البته من خودم به شخصه انسان خوشبینی هستم و امیدوارم که قبل از اتفاق بزرگ بتونیم اون رو پیشبینی کنیم. اما چیزی که باعث شد من این متن رو بنویسم صحبت در مورد ایده ای بود که در ذهن خودنم نشخوار میکردم. ما در علم پزشکی از هوش مصنوعی برای موارد زیادی استفاده میکنیم. از تشخیص سرطان و آلزایمر و پارکینسون گرفته تا ساخت دارو های جدید. اخیرا روی پروژه ای در حوزه ی سرطان که در پست قبل در مورد اون نوشتم کار میکنم و وقتی در مورد اثر لویجی بیشتر دونستم برای این سوال ایجاد شد که آیا همیشه این اثر عواقب منفی داره؟ وقتی ما بتونیم با دقت بالایی وجود داشتن تومور سرطانی در یک عکس رو تشخیص بدیم پس احتمال بالایی وجود داره که ما بتونیم عکس های سالم رو تشخیص بدیم و این شاید آینده ی غربالگری رو برای ما ساده تر کنه و این شاید به معنی اثر لویجی باشه. همتایِ خوبِ برادرِ همتای بداینجا من فقط از چیزهایی که اخیرا خوندم و شنیدم مینویسم و جا داره در مورد چیزی که در موردش نوشتم بیشتر بخونم اما فکر میکنم در مورد این موضوع در آینده بیشتر بنویسم. آرمان گرجی آرمان گرجی Fri, 28 Jul 2023 18:18:45 +0330 https://virgool.io/@gorjiarman/%D8%A7%D8%B3%D8%AA%D8%AE%D8%B1%D8%A7%D8%AC-%D9%88%DB%8C%DA%98%DA%AF%DB%8C-%D9%87%D8%A7%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%D8%A7%D8%B2-%D8%AA%D8%B5%D8%A7%D9%88%DB%8C%D8%B1-%D8%AA%D9%88%D9%85%D9%88%D8%B1-%D9%87%D8%A7%DB%8C-%D8%B3%D8%B1%D8%B7%D8%A7%D9%86-%D8%B1%DB%8C%D9%87-yzh7anukvw4w استفاده از اتوانکودر جهت استخراج ویژگی های عمیق از تصاویر تومورهای سرطان ریه، یک روش معمول در بسیاری از پژوهش های پزشکی و پردازش تصویر است. این موضوع فقط به حوزه ی تومور های سرطانی و حتی علم پزشکی محدود نمیشه و حوزه های بسیاری از اون سود میبرن. اتوانکودرها معمولاً به صورت شبکه های عصبی عمیق طراحی می شوند که با استفاده از یادگیری بدون نظارت، ویژگی هایی رو که در تصاویر وجود دارند، استخراج می کنند. در مقابل ویژگی های عمیق ویژگی های رادیومیکس قرار دارن که در اونها، با استفاده از الگوریتم های پردازش تصویر، ویژگی های کمی از تصاویر استخراج می شوند. این ویژگی های کمی می توانند شامل مواردی مانند اندازه، شکل، شدت، توزیع یا تعداد پیکسل های خاصی باشند. برخلاف ویژگی های رادیومکیس، ویژگی های عمیق پیچیده و انتزاعی و کمتر قابل تفسیری هستند اما این ویژگی ها می توانند به عنوان ورودی برای الگوریتم های دسته بندی، تشخیص تصاویر، و پیشبینی وضعیت بیمار در آینده با استفاده از رگرسورها به کار گرفته شوند.اتوانکودر ها در طول سالیان تغییراتی پیدا کردند و انواع مختلفی از اونها پدیدار شد که تعدادی از اون رو پایین میارم: کاملترش رو میتونید اینجا بخونیداتوانکدرهای Convolutional :این معماری از شبکه های عصبی کانولوشنال برای استخراج ویژگی های تصاویر استفاده می کند. در این معماری، شبکه ای از لایه های کانولوشنال و لایه های انکودر و دیکودر طراحی می شود. در لایه های کانولوشنال، ویژگی های تصاویر استخراج می شوند و سپس با استفاده از لایه های انکودر و دیکودر، تصویر اصلی بازسازیابی می شود. این معماری برای استخراج ویژگی های تصاویر با اندازه بزرگ مناسب است.اتوانکدرهای Variational :این معماری نیز از شبکه های عصبی عمیق استفاده می کند و با استفاده از یادگیری بدون نظارت، ویژگی های تصاویر را استخراج می کند. اما در برخلاف اتوانکودرهای سنتی، این معماری به صورت احتمالاتی است و می توان از آن برای تولید تصاویر جدید نیز استفاده کرد.اتوانکدرهای Denoising :این معماری از اتوانکودر برای حذف نویز در تصاویر استفاده می کند. در این معماری، تصویر اصلی با تصویری که با اعتباری که به تصویر اضافه شده است، مورد مقایسه قرار می گیرد. سپس اتوانکودر با استفاده از تصاویر نویزدار، تصاویر پاک شده را بازسازی می کند. این معماری برای استخراج ویژگی های تصاویر با نویز مناسب است.از بین مواردی که بالا گفتم برای این کار من ازConvolutional Autoencoder استفاده کردم چراکه در مطالعات در زمینه ی استخراج ویژگی از تصاویر پزشکی بیشتر استفاده شدن و اون رو به شکل زیر تعریف کردم: https://gist.github.com/Armanu/7bccdba046790c7d7710bffca00c90af https://gist.github.com/Armanu/7bccdba046790c7d7710bffca00c90af.js برای اینکه تاثیر مقادیر مختلف برای Learning Rate و Optimizer رو روی خروجی ببینم بدون استفاده از Optimizer های مرسوم و صرفا با تعریف یک حلقه ی ساده مقادیر مختلف رو امتحان کردم و بنظرم طوری که تصاویر نهایی بازسای میشن کاملا نمایان کننده ی نحوه ی تاثیر Learning Rate و Optimizer هست و گفتم اون رو هم با شما به اشتراک بزارم.opt = RMSprop , LR = 0.0001opt = SGD , LR = 0.0001 opt = Adadelta , LR = 0.005 opt = Adam , LR = 0.005 بعد از اون فیچرهای استخراج شده از قسمت encoder رو استخراج کردم و اونهارو به شکل یک اکسل درآوردم تا بتونم بعدا از اون به عنوان ورودی برای مدل های رگرسور که در نهایت با اون Overall Survival رو پیش بینی میکنم بدم. که اون رو در یک پست جداگانه توضیح میدم. آرمان گرجی آرمان گرجی Tue, 23 May 2023 14:41:48 +0330 https://virgool.io/@gorjiarman/%D8%B4%D8%A7%DB%8C%D8%AF-%D8%AF%D9%88%D8%A8%D8%A7%D8%B1%D9%87-%D8%A8%D8%AA%D9%88%D8%A7%D9%86%D9%85-%D8%A8%D9%86%D9%88%DB%8C%D8%B3%D9%85-isc4up2z1ef5 The Scientists / Alma Mater Edvard Munch 1911/1927امروز و دقیقا ۲۷ سال بعد از به دنیا اومدم تصمیم گرفتم کمی بنویسم، حرف هایی که منتظر بودم کسی به من بگوید رو مینویسم، شاید شما خواهان شنیدنش بودید. نوشتن در این دوران اما واقعا کار دشواریه. روشن نگه داشتن حتی این آتش های زیر خاکستر هم در این سرمای سخت شاید از روشن کردن یک آتش جدید هم سخت تر باشد. سنگینی همه ی دغدغه های قدیمی رو به دوش کشیدن و سر و کله زدن با دغدغه های جدیدی که هر روز بهش اضافه میشه فرصت برای فکر کردن، خوندن،دیدن و حتی نوشتن رو از ما میگیره و ما همینطور بیشتر و بیشتر زیر این بار خم میشیم و نهایتا میمیریم. هدف و بهانه و دلیل هرچه که باشد بنظرم نهایتا این هم مانند همه ی برهه های سخت و طاقت فرسای تاریخ بشریت زودتر کسانی را از پای در می آورد که به استناد یافته های داروین صفات برتر کمتری را برای دوام در میان این سختی ها داشته باشند. در سمتی که فعلا یکه تازی میکنند چیزهایی مثل تملق، رابطه های سببی و نسبی، دروغ گویی، دزد بودن و سنگدل بودن صفات برتر است. این صفات همان هایی هستند که میتوانید آن ها را به دست بیاورید، راحت است، تنها باید اخلاق نداشته باشید که بنظرم این هم انتخاب است. اما اگر در این سمت نیستید احتمالا اخلاق را دارید. اخلاق در بهترین صورت آن چیزیست که شاید اسپینوزا از آن صحبت کرده، اما بنظرم نمیتوان و حتی نیاز نیست که همه ی آن را داشت. اینکه شما همه ی آن چیزهایی که قرن ها بشریت به عنوان صفات خوب پذیرفته را بپذیرید احتمالا حداقل در دسته ی اول نیستید. اما این همه ی آن چیزی نیست که در این مقابله وجود دارد. این نگاه سرشار از نا امیدیست و هیچ کسی دوست ندارد امید نداشته باشد.احتمالا در مورد سوگیری تایید شنیده اید. سوگیری تایید یا confirmation bias یکی از سوگیری های شناختی مهم در وجود همه ی ماست.به قول وارن بافت "آنچه انسان در آن بهترین مهارت را دارد تعبیر اطلاعات جدید به نحوی است که باورهای قبلی کاملاً دست نخورده باقی بمانند"شاید هنوز به اندازه ی کافی به بلوغی نرسیده باشم که بتونم با این سوگیری ها مقابله کنم و بنظرم رسید شاید بهتر باشه به جای مقابله و تلاش برای بیرون اومدن از این سوگیری و پیداکردن مسیر جدید بیام و این تفکر رو امتحان کنم. حداقل برای چند سالی.باور قبلی من اینه: شاید علم فعلا جواب درست به همه ی سوالات نباشه اما بهترین راه حل برای حل سوالات بی جوابه. این تقریبا بزرگترین اعتقاد منه و بنظرم بهترینشون. علم همان چیزیه که به روی هر دو گروه باز است. دریای بیکران دانسته ها و ندانسته های بشری. نگاه علمی گاهی ابزاری میشود برای ساخت بمب اتم و گاهی ابزاری برای ساخت گاما اسکن. اما اعداد و ارغام نشون میدن که هرچه در تاریخ جلوتر میآییم و جلوتر میرویم و گستره ی علم و مقبولیتش در بین ساکنین این کره خاکی بیشتر میشه و جای چیزهایی مثل دین رو میگیره، میزان فقر و مرگ و میر و جنگ کمتر میشه. این نشون میده که افرادی که در ساخت گاما اسکن شرکت داشتن شاید در سمت درست تر تاریخ ایستاده بودند. این گزاره هم خود نتیجه ی یک روش علمیست. (در ساخت هر دو میتوان پیشرفت علم را دید اما اعتقاد دارم که بدون ساخت بمب اتم هم میتوانستیم جای دیگر و به شکل دیگری به همان علم دست پیدا کنیم). با خودم میگویم چگونه میشود در سمت درست ایستاد و با علم و اخلاق به جنگشان رفت؟ این ها را هر روز از خودم میپرسم. فکر میکنم زنده ماندن، مقاومت کردن و بردن تنها یک فرمول ساده ندارد. مجموعه ای از راه حل هاست یا حتی یک راه حل پیچیده. اینکه بدانیم در مورد آنچه تا به حال برسرمان گذشت، اینکه بدانیم سیستم های سیاسی درست چگونه کار میکنند، چگونه میشود پایداری کرد، چگونه اعتراض کنیم و حتی چگونه کار حرفه ای خودمان را چگونه بهتر انجام بدهیم، همه و همه بخشی از آن چیزیست که یافته های تجربه ها و آزمایش های قبلیست و به شکل و نمود های امروزی درآمده اند و دانستن آن ها باید بخشی از صفات ما باشد.الان که فکر میکنم حتی نوشتن و گفتن و گوش کردن درباره ی علم هم میتواند بخشی از صفات خوب ما باشد. با همدیگر صحبت کنیم و علم یادبگیریم و یاد بدهیم. از هر وقت و فرصتی استفاده کنیم و خودمان رو در مقابلشان قویتر و شکست ناپذیر تر کنیم. اما من ترجیح میدهم حواسم به باری که به دوش میکشم هم باشد. مسئولیت های زندگی و زنده ماندنم هم بخشی از وجود انسانی من است. نمیخواهم مرزی تعیین کنم. شاید کسی شجاعتر از من باشد و شاید کسی محتاط تر. اما از این مطمئنم که جامعه و یک ساختار اجتماعی برای تغییر(در کنار عواملی که شاید دست ما نباشد) به کنش همه ی افراد اون جامعه نیاز داره. و هر کسی در هر جایگاهی که داره باید مسئولیت اجتماعی خودش رو در نظر داشته باشه. هر چند کنش های کوچک. آرمان گرجی آرمان گرجی Fri, 21 Apr 2023 19:16:45 +0330 https://virgool.io/DigitalHealth/%D9%BE%D9%86%D8%AC-%DA%86%D8%A7%D9%84%D8%B4-%D8%A7%D8%B3%D8%A7%D8%B3%DB%8C-%D8%AF%D8%B1-%D8%B3%D9%84%D8%A7%D9%85%D8%AA-%D8%AF%DB%8C%D8%AC%DB%8C%D8%AA%D8%A7%D9%84-%D9%82%D8%B3%D9%85%D8%AA-%D8%A7%D9%88%D9%84-btztfghxmv2n www.healthxl.com ازمقدمهمفهوم 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.۱. عوامل اجتماعیwww.policynote.ca از در حالی که فناوری در قلب هر سیستم بهداشتی دیجیتال قرار دارد ، نمی توان تغییرات مربوط به آن را صرفاً از طریق یک لنز فناوری مشاهده کرد. فن آوری های دیجیتال نیاز به ارائه راه حل های بهداشتی ارزان قیمت با استفاده آسان برای جمعیت در حال رشد و سالخورده- که در آن فن آوری های جدید اغلب به کندی توسط مردم فراگیر و پذیرفته می شوند- دارند. عواملی که بر این عدم پذیرش تأثیر می گذارند شامل عوامل نظارتی مانند موارد عدم قطعیت در مورد سیاست ها و قانون های سلامت دیجیتال و همچنین عدم توجه به این صنعت در بخش تجاری است. بخش تجاری خود دارای چالش های مربوط به پیچیدگی ماهیت چند ملیتی بازار سلامت دیجیتال و نیاز به فعالیت در محدودیت های بسیاری از سیستم های مختلف بهداشتی است. سطح پایین سواد دیجیتال و سلامت - و در نتیجه سواد سلامت دیجیتال - در جمعیت عمومی ، به ویژه در افراد مسن ، نیز یکی از عوامل مهم در این امر است.بنابراین ، تلاش های اساسی برای عادی سازی استفاده از سلامت دیجیتال در سطح اجتماعی باید انجام شود. این تلاش ها باید شامل ایجاد مهارت در افراد شاغل در حرفه ی بهداشت و عموم مردم از طریق اقدامات گسترده آموزشی باشد. همچنین فرایندهایی برای ارزیابی مناسب بودن راه حل های سلامت دیجیتال از دیدگاه همه ذینفعان ، به ویژه کسانی که نماینده گروه های مصرف کننده نهایی -بیمار و پزشک- هستند ، لازم است. برای اطمینان از سازگاری بیشتر ، نسل بعدی فن آوری های دیجیتال باید کاربران را به گونه ای پشتیبانی و درگیر کند که برابری و فراگیری را تقویت کند ، و در نتیجه راه حل های بهداشتی برای همه بهبود یابد. همه گیری COVID-19 بر نیاز به انطباق و به روزرسانی سیستمهای مراقبت بالینی تأکید کرده است. این نگرانی مطرح شده است که در نتیجه ی تلاش برای دور شدن از طب سنتی «رو در رو» و به سمت راه حل های دیجیتال و از راه دور رفتن مشکلاتی ناشی از شکاف های اقتصادی-اجتماعی موجود بین گروه هایی از افراد که به راحتی می توانند از چنین خدمات و دسترسی به آنها استفاده کنند و کسانی که نمی توانند به وجود می آورد. رسانه های اجتماعی ، گرچه نقشی حیاتی در حمایت از ارتباطات بین گروه های اجتماعی و خانواده در زمان خانه نشینی کرونا دارند ، اما گسترش اطلاعات نادرست پزشکی در جوامع را نیز به طور قابل ملاحظه ای آسان کرده است. تلاش های اجتماعی و دولتی برای کمک به مقابله با این پدیده مضر ضروری است. ردیابی افراد با استفاده از برنامه های از راه دور، جمع آوری داده های گسترده برای کمک به بهداشت عمومی و تحقیقات راکمک کرده است. با این حال، نگرانی هایی مربوط به مالکیت داده ها و سایر نگرانی های اخلاقی را ایجاد می کند.۲. چالش های اخلاقیmit.edu ازدیجیتالی شدن فزاینده مراقبت های بهداشتی و رشد دستگاه های تلفن همراه و اینترنت اشیا به عنوان ابزار جمع آوری اطلاعات ، بسیاری از مسائل اخلاقی را مطرح می کند. یک موضوع معمولاً تکرار شونده مربوط به ماهیت دقیق نقش شرکت های فناوری مصرف کننده مانند آمازون ، اپل ، گوگل ، فیس بوک یا سامسونگ است که همگی وارد حوزه سلامت دیجیتال شده اند. به طور خاص ، این شرکت ها راه حل هایی برای جمع آوری ، ذخیره و تجزیه و تحلیل داده های بهداشتی ارائه می دهند که در این موارد مسائل مربوط به حریم خصوصی ، حفاظت از داده ها و رضایت آگاهانه را باید بیش از پیش مدنظر قرار داد. ماهیت داده های بهداشتی نیز در حال تغییر است:در حال حاضر بیش از هر زمان دیگری اطلاعات شخصی تولید شده توسط کاربر ، به ویژه داده های جمع آوری شده از شبکه های اجتماعی و از طریق فناوری های پوشیدنی را جمع آوری می کنیم.همانند مواردی که در بالا درباره حریم خصوصی ، حفاظت و رضایت ذکر شد ، نگرانی های اخلاقی مربوط به مالکیت داده ها نیز اغلب در این ادبیات مورد بحث قرار می گیرد. رشد برنامه ها و فناوری های توسعه یافته برای بازار مصرف، مرز بین دستگاه های پزشکی و غیرپزشکی را مخدوش می کند و چالش های اخلاقی مربوط به نحوه ی قانون گذاری چنین فناوری هایی را ایجاد می کند. این مسئله با سرعت پیشرفت ها و جهانی شدن فزاینده راه حل های مراقبت های بهداشتی تشدید می شود.۳. افزایش راه حل های سلامت یکپارچهwww.pdt.com ازهدف اصلی سلامت دیجیتال کمک به تسهیل گردش اطلاعات بین بیماران ، دستگاه ها و پزشکان است. افزایش این اتصال امکان به اشتراک گذاری دقیق و به موقع اطلاعات بین پزشکان و بیماران را فراهم می کند و پیوندهای محکمی با اصول پیش بینی کننده ، پیشگیرانه و شخصی سازی شده سلامت دیجیتال دارد. راه حل های سلامت یکپارچه -Connected Health- نیز یکی از عناصر اصلی در پاسخ به همه گیری COVID-19 است. با این حال ، افزایش راه حل های مرتبط بهداشتی با افزایش نگرانی های ایمنی و امنیتی همراه است.همانطور که پزشکی فراتر از مراقبتهای مرسوم مبتنی بر بالین بیمار به سمت مدلهای شخصی و پیشگیرانه ارائه شده توسط برنامه های سلامت دیجیتال حرکت می کند ، مفاهیم امنیت بیمار نیز باید تغییر کند. سرعت فعلی پیشرفت های فناوری نگرانی های امنیتی را نیز با خود به همراه دارد. اغلب در زمینه ی مزایای فناوری های جدید سلامت کمبود کیفیت و تحقیقات مبتنی بر شواهد وجود دارد. در حالی که بررسی های بسیاری وجود دارد که نشان می دهد رویکردها و فناوری های جدید بسیار موثر هستند.استفاده از دستگاه های اینترنت اشیا در سلامت یکپارچه به معنای پشتیبانی بیشتر از ایده ی هر زمان همچون مراقبت از خود و یا مراقبت بیدرنگ است. با این حال ، انتقال داده ها از محل جمع آوری ، مانند دستگاه های اینترنت اشیا ، به سرور ها، نگرانی هایی در زمینه ی امنیت و حریم خصوصی ایجاد می کند که باید برطرف شوند. در حالی که مزایای به کارگیری اصول رضایت آگاهانه و حریم خصوصی توسط طراحی -Privacy by Design- در سلامت دیجیتال کاملاً ثابت شده است ، هنوز بیماران نگرانی هایی در مورد نحوه پردازش داده های آنها افرادی که آن را پردازش می کنند وجود دارد. یک روند در حال ظهور ، نه تنها در سلامت دیجیتال ، بلکه به طور کلی در تحقیقات بهداشتی ، افزایش درگیری بیمار است ، و بیمار را به عنوان یکی از سهامداران تحقیق و نه فقط یک منبع داده در نظر می گیریم. نگاه کردن از زاویه ی دید بیماران برای دستیابی به درک واقعی معنای امنیت و حریم خصوصی در زمینه سلامت یکپارچه بسیار حیاتی است.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. قسمت دوم هم به زودی ترجمه میکنم و لینک رو همینجا به اشتراک میذارم.منبع :www.frontiersin.org آرمان گرجی آرمان گرجی Sat, 12 Dec 2020 21:21:46 +0330 https://virgool.io/@gorjiarman/%D8%A7%DB%8C%D9%86%D9%81%D9%88%D8%AF%D9%85%DB%8C%DA%A9-%D9%85%D8%B4%DA%A9%D9%84%DB%8C-%D8%AF%D8%B3%D8%AA-%DA%A9%D9%85-%DA%AF%D8%B1%D9%81%D8%AA%D9%87-%D8%B4%D8%AF%D9%87-ar9rcm6ppvc9 عکس از verdictاگر میتونید این متن رو بخونید یعنی مطمئنا تا به حال شاهد گمراه سازی های زیادی بودید. گمراه‌سازی یا انتشار اخبار ساختگی انتشار عامدانه و برنامه‌ریزی شده اطلاعات نادرست یا گمراه‌کننده برای فریب مخاطبان است. وقتی پای سیاست مداران و نهاد های دولتی هم به این داستان باز میشه، دروغ به مراتب پیچیده تر میشه و افتراق اون از واقعیت کار سخت تری میشه. misinformation اما، همین گمراه سازی به صورت غیر عامدانه است. در این مورد انتشار اطلاعات نادرست و یا حتی نشر بخشی از اطلاعات درست معمولا از طرف فرد یا رسانه معمولا با قصد گمراه کردن مخاطب صورت نمیگیرد اما در مقیاس بزرگتر مشکلات زیادی را ایجاد میکند. اینفودمیک نوشته ای درباره ی مشکلات ما با نشر برق آسای اطلاعات نادرست در مورد COVID-19 است.مقدمهاینفودمیک در اصل ترکیبی از دو کلمه ی لاتین information و epidemic است که به معنای ایجاد اطلاعات بیش از حد در مورد یک مشکل است به طوری که همین اطلاعات حل مشکل را پیچیده تر میکنند.میشه در مورد ماهیت این کلمه بیشتر صحبت کرد، از مشکلاتی که در گذشته ایجاد کرده، اینکه چطوری مشکل رو ایجاد میکنه و طوری که در ایران ظاهر شده هم کلی حرف برای گفتن هست اما قبلش ترجیح میدم در مرد یک داستان صحبت کنم :دایی با مدرک کارشناسیاولین پستاولین و قدیمی ترین نسخه ای که از این پست پیدا شده به 7 فوریه برمیگرده که در یک گروه به اسم Happy people که نزدیک به دوهزار عضو داره. متن پست این بود :دایی و پسردایی همکلاسی من فوق لیسانس دارن و در بیمارستان شنژن کار میکنن. اون رو انتقال دادن تا بتونه روی پنومونی ووهان مطالعه کنه. اون به من زنگ زد و گفت تا به همه ی دوستام بگم که اگر آبریزش بینی دارید، این ویروس رو ندارید.با بررسی هایی که سازمان هایی مثل Full Fact و Snopes انجام دادن، با اینکه تعداد افرادی که آبریزش بینی دارند در بین افراد مبتلا به COVID-19 کمتر است اما این موضوع هنوز هم در بین مبتلایان به کووید وجود دارد.البته در ادامه پست گفته شده که بیشتر آب داغ بخورید و آب یخ نخورید که در مورد این دو ادعا هم هیچ مدرک علمی وجود ندارد.پخش شدن پستتعداد افرادی که پست رو میبینن افزایش پیدا میکنه تا جایی که یک هندی به نام گلن پست رو در چندتا گروه مختلف فیسبوک پست میکنه. اون اطلاعات دیگه ای رو هم به پست اضافه میکنه مثل اینکه شستن دست ها یک راه حل اساسی برای مقابله با بیماری هست و نکات اشتباهی مثل توضیح مفصلی راجع به نحوه ی پیشرفت بیماری. در حالی که علائم و شدت بیماری در کووید بسیار متنوع است و نمیتوان یک مسیر مشخص برای پیشرفت بیماری تعریف کرد.وایرال شدن پستتا 27 فوریه این پست با سرعت ثابتی در بین مردم پخش میشه تا پیتر 84 ساله که قبلا صاحب یک گالری نقاشی بود باعث میشه که سرعت پخش پست شتابدار بشه. پست پیتر هم مثل پست گلن بود و البته نکات جیدید رو هم به اون اضافه کرد که تعدادی از اونها نادرست بودن. همین موضوع باعث میشه سازمان های بررسی واقعیت که بالاتر اشاره کردیم به سنجش میزان واقعیت پست مشغول میشن، بررسی هایی که پشتیان اونها مطالب سایت های همچون WHO و CDC و NHS است.به طور مثال در یکی از پست ها گفته شده بود که نور خورشید ویرووس را نابود میکند. این در حالی است که هیچگونه شاهد علمی در این مورد وجود ندارد. باقی مطالب پست اما درست بودند. مثلا اینکه نویسنده به درستی به اهمیت شستن دست ها اشاره کرده بود.البته پیتر وقتی متوجه شد که پست اون به وسیله ی سازمان های بررسی واقعیت بررسی شده نکات اشتباه پست خود را ادیت کرد اما تا آن زمان پست نزدیک به 350 هزار بار به اشتراک گذاشته شده بود. در مصاحبه ی تلفنی که با پیتر داشتند اون توضیح میده که من فقط قصد کمک کردن رو داشتم و بابت اشتباهی که داشته عذرخواهی میکنه.تغییر شکل دادن پستعلی رغم تغییراتی که پیتر در پست اصلی ایجاد کرد، نسخه ی قدیمی پست اون به سرعت شروع به پخش شدن و مرتب تغییر شکل دادن کرد. در قسمتی از پست ها اطلاعات اشتباه به پست اضافه میشد، در بعضی از اونها که از فیسبوک هم فراتر رفتن و پا به واتساپ و توییتر گذاشتن، حتی منبع نوشته عوض میشد، به طوری که افراد به جای "دایی با مدرک کارشناسی" از عبارت هایی مثل "عضو برد بیمارستان استنفورد" یا حتی "برادر دوست خواهر دوستم که از قضا عضو برد بیمارستان استنفورده" استفاده کرده بودن. از ویرایش آخری که مربوط به دانشگاه استنفورد بود به تنهایی 100 نسخه در اینترنت پیدا شد، تا جایی که این دانشگاه با بیانیه ای اعلام کرد که این موضوع هیچ ربطی به ما ندارد.گذشتن از مرز زبانپست با کمک سلبریتی ها و مردم عادی همچنان گسترش پیدا میکنه و تغییر شکل میده و شروع میکنه به ترجمه شدن به سایر زبان ها مثل عربی، ویتنامی، فرانسوی، ایتالیایی و اسپانیایی. از این میان بعضی از پست ها درست بودند یا با ارفاق اطلاعات نادرست بی ازاری داشتند ،ما تعدا بسیار زیادی از این پست ها حاوی مطالبی بودند که میتوانست آسیب رسان باشد. یکی از قسمت هایی که شاید به گوش خیلی از ما هم رسیده باشه این است که بعضی از این پست ها ادعا دارند که هر روز صبح از خواب بیدار شوید و 10 ثانیه نفس خود را نگه دارید - اگر برایتان مشکلی پیش نیامد- نشان میدهد شما به کووید مبتلا نشده اید. مجال صحبت دقیقتر در این مورد در این پست نیست اما هیچ مقاله یا مطلب علمی در این باره نوشته نشده.کپی پاستاعبارتی که برای اتفاقی که در داستان "دایی با مدرک کارشناسی" را به درستی تعریف میکند اصطلاحی است به نام کپی پاستا، یعنی کپی کردن مطالبی که یک نفر عنوان میکند و جای گذاری کردن آن در یک جای دیگر به جای استفاده از اشتراک گذاری یا ریتوییت کردن یا استفاده از سایر امکانات شبکه های اجتماعی. این موضوع باعث میشود هر پست تبدیل به پشتی شود که انگار به تازگی توسط فردی که شما میشناسید نوشته شده و این شانس اینکه کسی که مطلب را میخواند بیشتر به آن اعتماد کند بیشتر میشود. اینکه افراد پست را به صورت کپی پاستا پخش میکنند باعث میشود تا متخصصان و افرادی که بر روی نحوه ی انتشار این ست ها مطالعه میکنند نتوانند رد آن ها را بگیرند یا تعداد آن ها را دقیق بدانند.ما تقریبا میدانیم که این پست صدهاهزار بار به شکل های مختلفی به اشتراک گذاشته شده، اما اگر بخواهیم تعداد افرادی که این پست را دیده اند را بشماریم احتمالا کار بسیار سخت و یا حتی غیر ممکن خواهد بود. اما به نظر میرسد میلیون ها نفر آن را دیده اند.اعداد همه چیز را توضیح میدهندبیایید به اعداد اعتماد کنیم. پستی در مدت زمان یک ماه با کلی جهش و تغییر به دست یک میلیون مخاطب رسید. در این میان جهش های زیادی پیدا کرد، موضوعات درست و غلط زیادی بهش اضافه شد و اکثرا طوری به اشتراک گذاشته شدند که به نظر میرسید همان فردی که آن را به اشتراک گذاشته آن را تجربه کرده. مثل تمامی موضوعات و اتفاقاتی که در اطراف ما می افته برای تمام این رفتارهای انسانی هم توضیحات علمی وجود داره که تا حدودی علت موضوع رو بیان میکند.توریه که ترجمه ی half-truth است یکی از این توضیحات است. گاهی اوقات پست هایی که به اشتراک گذاشته میشوند در بردارنده ی موضوع اشتباه یا آسیب رسانی نیستند اما قسمتی مشخصی از موضوع و حقیقت علمی را بیان میکند که اگر کاملا بیان نشوند تبدیل به حقیقتی اشتباه و یا گاها آسیب رسان میشوند. موضوع دیگر آمیختن واقعیات و مهملات است. اکثر کسانی که موضوعات اشتباه را به اشتراک میگذارند ابدا قصد آسیب زدن به مخاطب خود را ندارند و حتی از درست بودن تمام چیزی که به اشتراک میگذارند مطلع نیستند اما فکر میکنند بالاخره در میان چیزی که به اشتراک میگذارند قسمتهای درستی هست که به هرحال کمک کننده هستند. که البته در نهایت این موضوع در مقیاس بزرگتر مشکل آفرین است.راه حلعکس از Unsplashبه هر صورت ریشه های انسان شناختی این موضوعات عذری برای پدیده ی اینفودمیک نیست، و علم، اخلاقیات، و قوانین میتوانند راه حل های مناسبی برای این پدیده ارائه کنند. در دنیای اینترنت میتوانید بسیاری از نکاتی که به شما کمک میکنند تا در ایجاد و گسترش اینفودمی هم دست دیگران نشوید را پیدا کنید.موضوع بحث اینجا بازگو کردن این نکات نیست اما اگر کنجکاوید و اهمیت میدهید پیشنهاد میکنم اینجا را بخوانید. اما این فقط بخشی از داستان است. WHO -که شاید در روزهای خوبی بسر نمیبرد- در قسمتی از یک بیانیه ای به موضوع اینفودمیک اشاره میکند و از تلاشش در جهت اطلاع رسانی عمومی در جهت باور های درست و مشخص کردن اطلاعات نادرست توضیح میدهد. تلاشی که قسمتی از اون رو تخت عنوان Myth busters در شبکه های اجتماعی و وبسایت خودش انتشار میده. مدت ها قبل فیسبوک از الگوریتم هایی رونمایی کرده بود که با توجه به یک سری از داده ها در مورد پست ها و نوشته ها میزان واقعیت اون موضوع رو پیدا میکرد و در بحران اینفودمی کرونا هم این شبکه ی اجتماعی دست به حذف مطالب نادرست و آسیب رسان زده. سایت هایی مثل Full Fact و Snopes که قبلتر بیان کردیم هم به واکاوی مطالب و تفکیک درست از نادرست مشغول هستند که میتوانند منابع خوبی برای بررسی صحت اخباری که به آن ها شک دارید باشند. سایت فکت نامه هم مشابه همین کار را در ایران انجام میدهد. این ها همه و همه راه هایی هستند که به عدم گسترش ایفودمی کمک میکنند.در ایرانبررسی این موضوع در داخل مرز ایران کار طاقت فرسایی است. اما همانطور که ویروس کرونا هیچ استثنایی برای کشور ها قائل نشد اینفودمی هم در همه جا وجود داره. گرچه فکر میکنم در ایران به مراتب بیشتر رخ میدهد یا حداقل راه هایی برای جلوگیری وجود ندارد، اما مدرکی برای اثبات این موضوع ندارم. هدف بیان یک واقعیت علمی بود و فکر میکنم از پسش بر اومدم.منابع : BBC و BBC و WHO آرمان گرجی آرمان گرجی Sat, 05 Sep 2020 21:34:28 +0430 https://virgool.io/@gorjiarman/%DA%A9%D9%88%D9%88%DB%8C%D8%AF-19-%D9%85%DB%8C%D8%AA%D9%88%D8%A7%D9%86%D8%B3%D8%AA-%DA%A9%D9%85%DB%8C-%D8%A8%D9%87%D8%AA%D8%B1-%D8%A7%D8%B2-%D8%A7%DB%8C%D9%86-%D8%A8%D8%A7%D8%B4%D8%AF-ydejl1acrut1 چت بات های هوشمند؛ نوعی سیستم خبره ی پزشکیعمدتا تنگناهای تلخ تاریخی باعث ایجاد تغییراتی در جغرافیایی که در آن بروز پیدا کردند میشوند. این موضوع به ارزش اتفاق اضافه نمیکنه و به عقیده ی من تغییرات خوب بعد از آن هم هیچوقت نمیتونن توجیحی برای خود اتفاق باشن. چند وقت پیش با یکی از دوستام در این مورد صحبت میکردم. در واقع چیزی که باعث شد به این موضوع فکر کنیم شرایط کنونی کرونا در جهان به عنوان یکی از این تنگناهای تلخه. به چیزهای زیادی فکر کردیم و پگاه پیشنهاد کتاب خوب طاعون آلبر کامو رو به من داد. گرچه هنوز اونقدر از کتاب رو نخوندم که راجبش توضیح بدم اما بدلیل حوزه ی کاریم یکی از این تغییرات نظرم رو جلب کرد و تصمیم گرفتم درمورد اون بیشتر بنویسم.تنگنایی که باعث ایجاد تغییر شد؛ اپیدمی کووید 19تقریبا در هفته ی دوم از موج اپیدمیک کرونا در ایران متوجه شدم دانشگاه علوم پزشکی اصفهان دست به تولید وبسایتی زده که در اون از شما چنتا سوال میپرسه و با توجه به جواب هایی که شما میدید مشخص میکنه که ایا شما مبتلا به کرونا هستید یا نه و آیا به مراجعه ی حضوری نیاز دارید یا نه.سایت ها، اپلیکیشن ها و ربات های تلگرامی دیگه ای روهم در روزهای بعد با این هدف پیدا کردم. ازونجایی که مدت زیادی بود که در مورد سیستم های خبره ی پزشکی و پشتیبان های تصمیم گیری در پزشکی میخوندم سریعا متوجه ارزش و مزایایی که این سیستم میتونه برای شرایط کنونی داشته باشه شدم. سیستم های خبره به دسته‌ای خاص از نرم‌افزارهای رایانه‌ای اطلاق می‌شود که در راستای کمک به کاردانان و متخصّصان انسانی یا جایگزینی جزئی آنان در زمینه‌های محدود تخصّصی تلاش دارند. به طور معمول این سیستم ها در دو پوسته هم به پزشکان و کادر درمانی در تصمیم گیری بهتر کمک میکند و هم به بیماران و افراد عادی در تشخیص بیماریها و شدت بیماریشان کمک میکند.وبسایت coronaisfahan.irتغییری که ایجاد شد ؛ سیستم های خبره ی پزشکیدر نتیجه ی افزایش متون و اطلاعات پزشکی، پزشکان مجبورند روز به روز بیشتر از امکانات و تکنولوژی های اطرافشان برای ارائه ی به روز ترین و دقیق ترین اطلاعات به بیماران خود استفاده کنند. در عین حال دسترسی محدود تر به پزشک های متخصص برای افرادی که در مناطق دورافتاده تر زندگی میکنند، تشخیص زودهنگام بیماری هایی که تشخیص زودهنگام تر آنها به پروسه ی درمانی کمک میکند، پیگیری بیماری های مثل دیابت و آسم و در نهایت کاهش هزینه های درمانی و صرفه جویی های اقتصادی همگی از مزایای استفاده از سیستم های خبره ی پزشکی هستند. نا گفته نماند مقاله های زیاد هم درمورد معایب فعلی سیستم های خبره ی پزشکی نوشته شده که البته به نظر میرسد هوش مصنوعی راه حل بسیاری از این معایب است و بسیاری از سیستم های مطرح در این زمینه به این تکنولوژی روی آورده اند. مقاله های زیادی هم اعتبار و صحت تشخیص های این سیستم ها را بررسی میکنند. در مجموع این تکنولوژی همانند بسیاری از نوآوری های حوزه ی پزشکی به نظر میرسد میتواند در آینده و با پر کردن خلاءهای موجود به ساده تر شدن و دقیقتر شدن پروسه های درمانی و به طور عمده تشخیص کمک کند. سیستم های منطق فازی، استفاده از روش دلفی برای جمع آوری اطلاعات، اصول و قواعد علم داده و درخت تصمیم گیری از جمله تکنولوژی های استفاده شده در سیستم های خبره پزشکی هستند که میتوان با استفاده ی مداوم از یادگیری ماشینی سیستم هایی با بازده بیشتر را ایجاد کرد.چنتا از بهترین های اجرای بی نقص این سیستم را میتوان Babylon و Isabel و Symptoma دانست که اکثرا به زبان های مختلفی میتوان با آن ها کار کرد. متاسفانه هیچکدام از این وبسایت ها از زبان فارسی پشتیبانی نمیکند. تنها مثال فارسی برای این اپلیکیشن را با ارفاق زیادی میتوان تریتا دانست. البته با صحبتی که با دکتر نسیمی داشتم به نظرم افق روشنی برای کارشون دارن. در پایین هم یکی از TEDxهاست که هم بنیانگذار Symptoma تو اون صحبتای قشنگی میکنه :https://www.youtube.com/watch?v=Y0GHWogx0egJama Nateqi و Thomas Lutz بنیانگذاران Symptomaبحث و نتیجه گیریدر پست پیشین از خلا های نهادی و به ویژه جای خالی ژورنالیسم علمی نوشتم و قرار بود این پست در ادامه ی پست قبلی و در واقع مثالی برای این خلاء باشد. همونطور که بالاتر هم اشاره کردم سیستم های خبره تحت عنوان Sympom checker ها مدت زیادی است که در سایر کشور ها در حال ارائه ی سرویس و بهبود هستند و قبل از شروع پاندمی کووید 19 بسیاری از این سایت ها اطلاعات خودشان را درباره ی این بیماری به روز کردند و در نتیجه بسیاری از افرادی که شک به ابتلا داشتند میتوانستند بدون مراجعه به پزشک و بیمارستان از ابتلا یا عدم ابتلای خودشان مطمئن شوند و در نتیجه از مراجعات غیرضروری خودداری کنند. تصور کنید قبل از بروز چنین اپیدمی بزرگی در ایران میتوانستیم بیشتر با تکنولوژی 50 سال پیش آشنا باشیم. یعنی قبل از دست به کار شدن دانشگاه علوم پزشکی اصفهان، یا حداقل به استفاده از نمونه های خارجی مسلط میبودیم و یا تا به حال یکی از آن را خودمان ساخته بودیم. در واقع همینجاست که میگویم در تنگناهای تاریخی اتفاق های زیادی - خوب یا بد می افتد- که شاید تا قبل وجود نداشتند. در این مورد آشنا شدن ایرانی ها با سیستم های خبره بود. امیدوارم البته این آشناییت و استفاده به همینجا ختم نشود و سیستم های خبره ی دقیق تر و جامع تری را هم برای سایر بیماری ها ایجاد کنیم. آرمان گرجی آرمان گرجی Wed, 11 Mar 2020 12:29:15 +0330 https://virgool.io/@gorjiarman/%D8%AE%D9%84%D8%A7%D8%A1-%D9%87%D8%A7%DB%8C-%D9%86%D9%87%D8%A7%D8%AF%DB%8C-%DA%98%D9%88%D8%B1%D9%86%D8%A7%D9%84%DB%8C%D8%B3%D9%85-%D8%B9%D9%84%D9%85%DB%8C-ovzjqrmvwhzp Listin Diario ژورنالیسم علمی از بنظر خیلی ها به روز بودن یعنی اینکه بتونی به جدیدترین موبایل ها، گجت ها و پرقدرت ترین کامپیوتر ها دسترسی داشته باشی، اما واقعیت اینه که این دسترسی فقط بخشی از تعریف جهانی به روز بودنه. مسائل و مشکلات زیادی در زندگی روزمره ی ما وجود داره که جواب اون با تکنولوژی و علمه، این موضوع رو موفقیت ایده ها و استارتاپ های درخشانی که در کشور های توسعه یافته وجود دارند به ما یاد میدن.در این سمت دنیا اما، کشوری درحال توسعه ای همچون ایران، زیرساخت های سیاسی، اقتصادی و اجتماعی فاصله ی زیادی تا ایجاد محیطی برای صرفا الگوبرداری از ایده ها و تکنولوژی های کشور های پیشرفته دارد. فاصله های زیادی که به آن ها خلاء های نهادی میگوییم. قصد من صحبت درباره ی خلاء های نهادی نیست و اگه علاقه ای به این موضوع دارید میتونید این کتاب رو بخونید. در این مقاله میخوام در مورد یکی از این خلاء های نهادی که جای خالی اون رو به شخصه در ایران برای موفقیت کسب و کار ها و ایده ها حس میکنم را با هم بررسی کنیم.یکراست میروم سر اصل مطلبفاصله ی زیاد مردم با علم و تکنولوژی های روز. که شاید تیتر تکراری و حوصله سربری باشد اما میتوان بیشتر و دقیقتر هم راجع به آن ها صحبت کرد. بازیگران زیادی در این عرصه وجود دارد؛ از افراد جامعه به عنوان مخاطب گرفته تا نهاد های خبری، سیاست های دولت، زیر ساخت های کشور در حوزه ی اینترنت و پیشینه های فرهنگی جامعه و خاستگاه کنونی آن اما چیزی که در اینجا درباره ی آن صحبت میکنیم موضوع ژورنالیسم علمی است.مروجان علمعبارت Science communication در واقع نامی برای پروسه ی انتقال علم از مقاله های علمی پر پیچ و خم و بی روح دانشگاهی به دست سایر مردمی است که یا سواد علمی کمتری دارند یا حداقل در آن زمینه ی بخصوص تخصصی ندارند. چند ماه پیش در نشست سای کام تقریبا همه به این نتیجه رسیدیم که ترجمه ی درستی برای Science communication وجود ندارد یا شاید بتوانیم با ارفاق از مروجان علم استفاده کنیم. گرچه در سایر کشور ها فعالیت مروجان میتواند رنج وسیعی از فعالیت ها مثل شکل دادن به ویترین یک شرکت در رسانه و یا بررسی بازخورد های اجتماعی علوم جدید باشد، اما در ایران فعالیت اینگونه مروجان به ژورنالیسم علمی محدود شده است. در ایران هم ما انقدری ژورنالیست علمی را داریم که به گمانم میتوانیم با انگشت های دست هم همه ی شان را بشماریم. این یکی از دلایل فاصله ی زیاد ما با علم روز است؛ جای خالی افراد و رسانه هایی که موضوعات ثقیل علمی رو برای ما به شکلی ساده، قابل فهم و حتی کاربردی حلاجی کنند. پایینتر قسمتی از دلایلی را که بنظرم میتوانیم آنها را در ایجاد این خلاء نهادی مقصر بدانیم آورده ام.برندگان جایزه ی چراغ که به مروجان علم در ایران میدهندکمبود ژورنال و ژورنالیسم بستری که ژورنالیست ها و نویسندگان درباره ی موضوعات علمی و تکنولوژی در آن مینویسند در قرن های اخیر تفاوت زیادی پیدا کرده و از رسانه هایی همچون روزنامه و کلا رسانه های چاپی به رسانه های آنلاین تبدیل شده. هرچند در کشور قبل از ورود اینترنت و در دوره ی رسانه های چاپی هم کمتر کسی به علم و تکنولوژی های روز دنیا اهمیت میداد امروزه هم در حوزه ی رسانه های آنلاین و اینترنتی بجز چندین سایت معدودی که عمدتا صرفا به فراخور مخاطبانی مشخص به وجود آمده اند و اکثرا صرفا مترجم و یا بازتاب دهندگان منابع خارجی هستند، ژورنالیست به معنای واقعی آن نمیبینیم. البته اینکه مقصر این کمبود چه کسی است را من مشخص نمیکنم.خلاء های نهادی آموزشیاز طرفی مقصر همیشه در صحنه یعنی سیاست های غلط آموزشی در دوران تحصیل را هم که کنجکاو بودن و خلاقیت را تبدیل به حافظ بودن و رقابت میکند نیز افراد را نسبت به اتفاق ها و ایده های جدیدی که اطراف آن ها روزانه در حال شکل گرفتن هستند را بی توجه کرده و منتظر میمانند تا بالاخره جریان آبی که به آن ها میرسد او را به هر سمتی که بقیه را هم میبرد، ببرد.چه مشکلاتی ایجاد میکند؟میتوانم طوماری از مثال ها و مشکلاتی را برایتان بنویسم که به واسطه ی همین فاصله ی ما از علم، ایجاد شدند یا حل نمیشوند. از مشکلاتی که اکثر تکنولوژی های نوپا در کشور ما ایجاد میکنند تا مشکلاتی که به علت سواد پایین ما از فناوری های نو، هیچگاه حل نمیشوند. اما ترجیح میدهم از چیزی بنویسم که برایمان خیلی ملموس تر است. "کووید 19 ؛ میتوانست کمی بهتر از این باشد". آرمان گرجی آرمان گرجی Wed, 11 Mar 2020 11:29:49 +0330 https://virgool.io/@gorjiarman/%D8%A7%D8%B5%D9%88%D9%84-%D8%AD%D8%B1%D9%81%D9%87-%D8%A7%DB%8C-%D8%AF%D8%B1-%D9%86%D8%B8%D8%A7%D8%B1%D8%AA-%D8%A8%D8%A7%D9%84%DB%8C%D9%86%DB%8C-jjz9jjzlbtyg Boston City Hospital operating theater, circa 1890 A. H. Folsom of Roxbury فرسودگی شغلیاگه به هر دلیلی MedScape رو دنبال میکنید یا مشترک سایت هایی باشین که اخبار دنیای پزشکی رو دنبال میکنن حتما کلمه ی BurnOut رو زیاد دیدید یا شایدم راجبش مطلبی خونده باشید. فرسودگی روانی یا شغلی شرایطیه که در اون به علت فشارهای بالای روانی در شغل فرد رو از نظر روانی و جسمی تحت تاثیر قرار میده و باعث میشه فرد کارکردی که باید داشته باشه رو نداشته باشه. البته فرسودگی شغلی صرفا مربوط به افرادی که در حوزه ی پزشکی کار میکنن نمیشه اما در حوزه ی پزشکی به علت حساسیتی که سروکار داشتن با بهداشت و سلامت و در نهایت جان انسان ها داره و در نتیجه استرسی که این موضوع برای کارکنان سیستم درمان ایجاد میکنه فرسودگی شغلی در میان افراد شاغل در این حوزه بیشتره.بگذارید بیشتر توضیح بدهم؛ شرایطی مثل نیاز شبانه روزی به این حرفه، حساسیت موجود در شرایط های اورژانسی و نیاز مداوم و حتمی به بروز بودن و مطالعه داشتن در این حوزه، به عنوان مسائل فرامرزی و کمبود نیروی متخصص، کمبود تجهیزات و حتی کیفیت زندگی افراد در جامعه به عنوان مسائلی که در خور هر کشور و با توجه به منابع اون کشور متغییره باعث میشن تا حرفه ی پزشکی چه در کشور های پیشرفته و چه در باقی کشور ها -البته با تفاوتی ملموس- جزو شغل های پر استرس باشه. مطالعات در آمریکا درصد فرسودگی شغلی را در بین پزشکان تقریبا 50 درصد و در بین پرستاران 30 درصد اعلام میکنند، در صورتی که در ایران مطالعاتی مثل این نشان میدهد که فرسودگی شغلی در میان دستیاران پزشکی درسال گذشته 92 درصد تخمین زده شده که البته - به عقیده ی من- میتوان همین تخمین ها را برای میزان فرسودگی شغلی در بین دانشجویان و کارورزان پزشکی هم در نظر گرفت. گرچه قسمت عمده ای از این اختلاف مربوط به عواملی است که پیشتر به عنوان عواملی که در کشور های مختلف متفاوت است در رابطه با آن ها صحبت کردم، اما میخواهم توجه من در این نوشته مشخصا بر روی یکی از موارد دیگر در این باره باشه؛ رعایت اصول حرفه ای در نظارت تخصصیاصول حرفه ای در نظارت تخصصیشاید بتوان عنوان "اصول حرفه ای در نظارت تخصصی" را با کلماتی دیگر هم نوشت اما در هر صورت تعریف ساده ی این عنوان مجموعه ی باید ها و نباید هایی است که یک فرد متخصص در جایگاه ناظر ملزم به رعایت آن هاست. نظارت تخصصی در اکثر حرفه ها وجود دارد و عمدتا هدف از آن انتقال تجربیات و پیشگیری از خطاهایی است که ممکن است برای مجموعه و مشتری گران تمام شود. در حرفه ی پزشکی به عنوان علمی تجربی و حرفه ای که خطا در آن میتواند آسیب های شدید و عمدتا برگشت ناپذیری بر روی سلامت بیمار داشته باشد، نظارت بالینی جایگاه ویژه ای دارد. بر اساس کریکولوم های آموزشی در کشور های مختلف،اغلب افرادی که سطح دانش بالاتری در علم پزشکی دارند مسئول نظارت و سرپرستی تخصصی بر روی فعالیت و از آن مهمتر پروسه ی یادگیری دانشجویانی هستند که در چارت آموزشی در پله های پایین تر قرار دارند. البته قوانین و کریکولوم های نانوشته ای هم در این میان وجود دارد که در حالت ایده آل بنابه شرایط تخصص های مختلف علوم پزشکی ایجاد میشوند و - به عقیده ی من- این موضوع گریز ناپذره.سازمان ها ی مختلف استاندارد های مختلفی برای اصول اخلاق حرفه ای در نظارت بالینی تنظیم کرده اند؛ دانشگاه های مطرح نیز گاها درگاهی برای ارائه ی این استاندارد ها به دانش آموختگان خود دارند. از نظر من یکی از این گایدلاین هایی را که همه دانشجویان پزشکی ملزم به خواندن آن هستند گایدلاینی است که سازمان ریگولاتوری مستقل CQC انگلستان طراحی کرده. بازگویی همه ی آن چیزی که در این گایدلاین هست در مجال این پست نیست اما در بخش هایی جداگانه باید ها و نباید هایی در رابطه با وظایف ناظران بالینی ، اهداف نظارت بالینی و حتی وظایف دانشجویان و افرادی که بر کاکرد آن ها نظارت وجود دارد را آورده است.در ایران اما، گرچه سالیان سال است که نظارت بالینی در آموزش بالینی دانشجویان و دانش آموختگان جایگاه ویژه ای دارد اما گایدلاین تخصصی و بومی در اینباره وجود ندارد. این موضوع باعث شده که فعالیت ناظران عمدتا محدود به قوانین و چارت هایی باشد که از طرف دانشگاه ها به آن ها ابلاغ میشود و نتیجتا این موضوع کمبود ها و مشکلاتی در اینباره در نظارت بالینی ایحاد میکند.عدم رعایت اصول حرفه ای نظارت بالینی به عنوان یکی از عوامل فرسودگی شغلیموضوع اصلی پست نیز همین است؛ عدم وجود رگولیشن هایی از این دست باعث میشود پزشکان اغلب در نظارت بالینی در بهترین سناریو پیرو اساتید خود به علاوه ی دخالت سلیقه ی شخصی شان باشند و عدم رعایت اصول حرفه ای و اخلاقی در این موضوع باعث ایجاد مشکلاتی هم برای خود ناظر و بیشتر برای کسانی میشود که بر روی کار و آموزش آن ها نظارت میشود، و این میتواند یکی از دلایل فرسودگی شغلی در میان دانشجویان علوم پزشکی باشد. به عنوان کسی که از شروع دوره ی بالینی اش در رشته ی پزشکی چندین ماهی میگذرد و - اشاره کنم به این موضوع که من هیچگونه تصوری از این موضوع در سایر کشور ها ندارم و فکر نمیکنم سریال و مدیا منبعی موثق برای این موضوع باشند- میتوانم در اینباره بگویم که از همان روز اول کارآموزی این موضوع برای من مشکلی کاملا واضح و اذیت کننده بود. البته سوء استفاده ی اساتید از مرتبه ی دانشگاهی باعث میشود اعتراض های مستقیم، عکس العمل اساتید رو به دنبال داشته باشه و عمدتا بازنده ی این بازی کسی است که در پله ی پایین تر قرار دارد. بنابراین تصمیم میگیری کمتر به این موضوع فکر کنی و بیشتر اوقات روی کنجکاوی خودت، اینترنت و کتاب هات تکیه میکنی. اما اینبار و با وارد شدنم به بخشی که نه تنها در اون اصول اولیه ی نظارت بالینی رعایت نمیشه، بلکه واضحا اصول اخلاقی این نظارت هم زیر پا گذاشته میشه، تصمیم گرفتم در اینباره و در مورد حق دانشجویان بیشتر بخونم و اون رو اینجا جمع آوری کنم. تا اینکه از هم حقوق خودمون آگاه بشیم و هم در بهبود این شرایط اولا با تحقیق و ثانیا با رعایت متقابل این اصول در مراحلی که خود ما ناظران این سیستم هستیم قدمی برداریم. آرمان گرجی آرمان گرجی Tue, 31 Dec 2019 00:57:35 +0330 https://virgool.io/@gorjiarman/%D8%B3%D9%84%D8%B3%D9%84%D9%87-%D9%85%D8%B1%D8%A7%D8%AA%D8%A8-%D8%B4%D9%88%D8%A7%D9%87%D8%AF-%D8%AF%D8%B1-%D9%BE%D8%B2%D8%B4%DA%A9%DB%8C-%D9%85%D8%A8%D8%AA%D9%86%DB%8C-%D8%A8%D8%B1-%D8%B4%D9%88%D8%A7%D9%87%D8%AF-wxhp7bpew1rd Evidence based medicine hierarchy of evidenceتعریف دانش در فلسفه تحلیلی این است: دانش، اعتقاد حقیقی توجیه شده است؛ بدین صورت که برای اینکه فرد "الف" چیزی مثلا "پی" را بداند، باید آن را باور کند، "پی" باید حقیقت داشته باشد و باید یک توجیه معتبر برای باور داشتن "پی" وجود داشته باشد. برای مثال یک پزشک درصورتی میتواند ادعا کند که تشخیص درست یک مسئله را میداند که اولا باور داشته باشد که این تشخیص درست است ثانیا اینکه این تشخیص باید واقعا درست باشد و ثالثا باید یک دلیل موجه برای این که درست بودن این تشخیص را قبول دارد داشته باشد.(2)چیزی که در اینجا به عنوان دلیل موجه مطرح می‌شود موضوع مورد بحث در این متن است. پزشکی مبتنی بر شواهد یا EBM Evidence based medicine، استفاده از بهترین شواهد موجود برای هدایت تصمیم گیری های بالینی است. تلاش مقالات پزشکی مبتنی بر شواهد در کنار سایر مقالات و پژوهش ها مداوما اعتلای توجیه دلیل درست بودن اعتقادات ما نسبت به دانشمان است. اما اینکه پزشکی مبتنی بر شواهد به چه اندازه ما را به دلایل موجه از نظر دانشمندان نزدیک می کند موضوعی است که در فلسفه پزشکی و مشخصاً اپیستمولوژی پزشکی بررسی می شود.پزشکی مبتنی بر شواهد شامل روشهای پژوهشی مختلف از جمله مطالعات فراتحلیل-meta analysis-مرور سیستمیک -systematic review- و randomized controlled trials یا به اختصار RTC میباشد. اهمیت ارزیابی مقالات در حوزه پزشکی از این جهت که بخش عمده ای ازعلم پزشکی به عنوان یک علم تجربی شالوده ی بهترین مقالات در این زمینه است بسیاری از موسسات را به ظرافت ایجاد یک سیستم امتیازدهی موسوم به "سلسله مراتب شواهد یا Hierarchy of evidence" کرده است، به طوری که بیش از ۸۰ سلسله مراتب شواهد توسط موسسات مختلف ایجاد شده است.(3)وظیفه اصلی سلسله مراتب شواهدی مانند GRADE امتیازدهی به مقالات بر اساس متدولوژی آنهاست بنابراین افرادی که این مقالات را به کاربرد بالینی نزدیکتر میکنند (کتاب یا آموزش) می‌توانند صحت و اعتبار چیزی را که تحت عنوان دانش ارائه میکنند بسنجند. با وجود اینکه تعداد زیادی "سلسله مراتب شواهد" وجود دارد اما در آنها عمدتاً RCT بالاتر از مطالعات مشاهده ای یا observational study قرار میگیرد و مقالات تحت این قالب اعتبار بیشتری دارند. این در حالی است که "نظر افراد حرفه ای" عمدتا در انتهای جدول آمده است. گاها فراتحلیل و تحلیل سیستماتیک بالاتر از RCTها قرار میگیرند. شکل زیر یکی از این سلسله مراتب شواهد را نشان می دهد.How GRADE is used to make recommendations; steps 1 to 3 are repeated for each critical outcome.(4)موضوع سلسله مراتب شواهد و استفاده از آن منتقدانی نیز دارد این منتقدان در حوزه ی فلسفه علمی فرضیاتی بیان می کنند که بوسیله ی آن ایجاد و استفاده از این سلسله مراتب را مورد نقد قرار میدهند، تا جایی که مقاله ای با نام "مرگ بر سلسله مراتب شواهد" در Springer با یک ادبیات انتقادی در مورد این موضوع بحث می‌کند. از جمله مواردی که نویسنده مطرح می کند نکوهش وجود سلسله مراتب های یکسان برای فرضیه های مختلف و به طور کلی خام بودن این سلسله مراتب است. مقالات زیادی هم در جهت حمایت و هم در جهت انتقاد سیستم سلسله مراتب شواهد توسط فیلسوفان و افراد شاغل در حرفه بهداشت و درمان نوشته شده است اما به نظر می رسد در سالیان اخیر لزوم توجه به این سلسله مراتب توسط عامه محققان پذیرفته شده است.1. Khushf G. A Framework for Understanding Medical Epistemologies. The Journal of Medicine and Philosophy: A Forum for Bioethics and Philosophy of Medicine. 2013;38(5):461-86.2. Ashcroft RE. Current epistemological problems in evidence based medicine. Journal of Medical Ethics. 2004;30(2):131-5.3. http://cjblunt.com/hierarchies-evidence/.4. Goldet G, Howick J. Understanding GRADE: an introduction. Journal of Evidence-Based Medicine. 2013;6(1):50-4. آرمان گرجی آرمان گرجی Fri, 22 Mar 2019 10:23:35 +0430 https://virgool.io/@gorjiarman/health-data-sharing-wmahduah8ujo healthitanalytics.com برگرفته ازنوشتن از اشتراک گذاری اطلاعات سلامت در حالی که هنوز مقوله ی جمع آوری و تنظیم اطلاعات سلامت سرنوشت نامعلومی داره کمی غیر منطقی به نظر میرسد ، در حالی که سامانه های گزارش سلامت الکترونیک هنوز نیازمند فرهنگ سازی و سرمایه گذاری هستند ، نمیتوان از مشکلات پیش رو برای به اشتراک گذاری این داده ها صحبت کرد. اما اشتراک گذاری اطلاعات سلامت علاوه بر اینکه در خیلی از کشور ها موضوعی مورد بحث و در حال بررسی است ، میتواند موازیا در زیر ساخت های سلامت الکترونیک هم لحاظ بشود تا بعدا مشکلی در این مسیر ایجاد نشود.داده های سلامتداده های سلامت یا Health data موضوعی نه چندان جدید است که با پیشرفت موضواتی مثل علوم انفورماتیک، اَبَرداده ها و سلامت همگانی روز به روز از ارزش بیشتری برخوردار میشود. با شروع کار سامانه های ضبط گزارشات الکترونیکی سلامت - EHR - ملموس ترین مثال داده های سلامت در واقع میتوانند شامل تمام آن چیزی باشد که در طول چکاپ ها، غربالگری ها و یا دوره های درمانی در سامانه ثبت شده است. سایت های مختلف با شیوه هایی مختلف این اطلاعات را جمع آوری میکنند که به اصطلاح به هر کدام از این شیوه ها آرکی تایپ یا شِما میگویند .در زیر میتوانید مثال هایی از داده هایی که Open mhealth جمع آوری میکند را مشاهده کنید.قند خون، فشار خون و قد و درصد چربی بدن تنها بخشی از لیست بلند بالای به اصطلاح شمای این سایت بودتعریف اشتراک گذاری داده های سلامت همه ی ما با اشتراک گذاری آشناییم. گاها افکار خود را با دیگران روی اینترنت به اشتراک میگذاریم بعضی از ما روزانه توییت میکنیم شاید عکسی از اتفاقی روی شبکه ای مثل اینستاگرام آپلود کنیم، بعضی از ما کدی که نوشتیم را روی گیت هاب به اشتراک میزاریم ، شایدم دانش خودمان راجع به یک مسئله ای را روی ویکیپدیا با بقیه به اشتراک بزاریم. در مکالمات روزانه ی خود تجربه های شخصی خودمان را با دوستانمان به اشتراک میگذاریم. اکثرا چیزی که در این اشتراک گذاری ها وجود دارد نشر و بازگویی هایی است که به مجموعهِ داناییِ افرادِ مشترک چه غلط و چه صحیح اضافه میکند. اما زندگی روزمره ی ما علاوه بر تمامی انچه خود ما به صورت فعالانه با بقیه به اشتراک میگذاریم در بر دارنده ی داده ها و اطلاعاتی است که هم قابلیت به اشتراک گذاری را دارند و هم اشتراک گذاری آن ها میتواند به نفع خود ما یا در ابعاد بزرگتر به نفع کل مردم دنیا باشد. علایم حیاتی آخرین باری که برای اهدای خون به سازمان هلال احمر مراجعه کردم ،جواب آزمایش خون و ادراری که هفته ی پیش دادم، تعداد قدم هایی که سنسور گوشی از پیاده روی دیروز شمرده بود دیروز و حتی اطلاعاتی که در غربالگری دو سال پیش دیابت از من گرفته شد، همه و همه اطلاعات و داده هایی هستند که اکثر ما حداقل ماهی یکبار یا تغییرش میدهیم یا موضوعی جدید به آن اضافه میکنیم. اشتراک گذاری داده های سلامت به زبان ساده به معنی اجازه به شرکت ها، سازمان ها و حتی دولت ها برای استفاده از این دست از اطلاعات برای اهدافی است که در پایین توضیح داده شده .مزایای اشتراک داده های سلامت برای گروه های مختلفاهمیت اشتراک گذاری داده در زمینه سلامتداده های سلامت در دنیای امروز به اندازه ی میکروسکوپ در دوران پاستور برای علوم پزشکی اهمیت دارن. این جمله ی نخستین یک مقاله ای برای تحلیل اهمیت اشتراک گذاری داده های حوزه ی سلامت بود. اجازه بدید چندتا از حوزه هایی که این ابر داده های سلامت میتونن به ما کمک کنن رو با هم مرور کنیم :ایجاد بستری مناسب برای افراد متخصص در حوزه ی علوم پزشکی جهت ارائه ی تشخیص، درمان و حتی اصول پیشگیری بهتر با توجه به داده های موجوداین داده های آماده میتوانند به خوراکی برای محققان و مقالات تحقیقاتی تبدیل شوند که با تحلیل این داده ها بر روی نمودار های مختلف یا محیط های مختلف به دنبال کشف علیت یا هم بستگی هستند.یکی از رو به رشد ترین و پیشتازان تمامی علوم یاری هوش مصنوعی جهت اتوماسیون فرایند های فکری است که تا به حال انسان ها خودشان مجبور به انجام آنها بودند. اما پیشرفت در حوزه ی هوش مصنوعی نیازمند وجود نمونه گزارش های زیادی است که هوش مصنوعی به واسطه ی آنها بتونه بهتر و دقیقتر بیماری یا شرایط موجود رو تمیز بده ، مشخص است که اشتراک گذاری داده ها میتونه به این پروسه کمک شایان توجهی بکنه.نتیجه ی دیگه ی اشتراک گذاری داده های سلامت در مرحله ی بعد ایجاد پایگاهی از داده برای همان فرد است که در اون به تمامی گزارشات و داده های سلامت خودش دسترسی داره و میتونه اجازه ی دسترسی رو به طرف ثالثی بده که اون طرف ثالث -که میتونه برنامه های سلامتی روی تلفن هوشمند اون شخص باشه- از این اطلاعات جهت بهینه سازی پیشنهادات و سبک زندگی استفاده کنه.سیاست ها و قوانین موجود در به اشتراک گذاری داده های سلامتنه تنها پایبندی به سوگندنامه ی بقراط بلکه قوانین و چارت های موجود در اخلاق پزشکی به هیچ یک از کارکنان این حوزه اجازه ی به اشتراک گذاری داده های سلامت یک فرد را نمیدهد. از این گذشته اکثرا افراد حاضر به اشتراک گذاری اطلاعات مربوط به سلامت و بهداشت شخصی خودشان با دیگران نیستند. جواب به این مسئله در شرکت ها و دولت های مختلف به نظر متفاوت میرسه که در زیر چندتا از اون ها رو با هم میبینیم :هویت زدایی یکی از اصولی است که برای داده هایی در ابعاد بزرگتر به وسیله نهاد های دولتی یا شرکت های خصوصی پیاده سازی میشود. ایده ساده است : وقتی هویت از یک داده پاک شود - مثلا هنگامی که از اطلاعات مربوط به مراجعه ی من به بیمارستان مواردی مثل نام و نام خوانوادگی و ادرس و کد ملی پا شود - دیگر حتی نیازی به رضایت من (در برخی از قوانین) برای به اشتراک گذاری داده نیست. در ابعاد کوچکتر میتوان شرکت هایی مثل اپل را مثال زد که با قرارداد هایی با بیمارستان ها و مراکز ارائه خدمات درمانی کوچکتر داده های کاربران را تنها برای خودشان و در کنار برنامه هایی مثل ای هلث استفاده میکند که این احتمالا تنگناهای قانونی کمتری برای شرکت دخیل ایجاد میکند.داده هایی که در این پایگاه ها موجود هستند هویت دارند و محققان و افرادی که ازین اطلاعات استفاده میکنند اما این اطلاعات را به صورت بی هویت مشاهده میکنند که تاثیر آنچنانی در پیشرفت تحقیق محقق و یادگیری هوش مصنوعی ندارد. با اینحال همچنان این اطلاعات نیازمند روش های سفت و سخت حفاظتی جهت تضمین امنیت اطلاعات هستند که در این مسیر شرکت هایی مثل iryo با به کار گیری تکنولوژی بلاک چین از پس تضمین امنیت داده ها به خوبی بر آمده اند.شرکت های مختلف از روش های مختلفی جهت مستندسازی و تضمین امنیت اطلاعات استفاده میکنند که موارد بالا تنها بخشی از آنها بود.جمع بندی نهاییدر حال حاضر استارتاپ ها و شرکت هایی که در حوزه ی جمع آوری و به اشتراک گذاری داده های سلامت فعالیت میکنند اکثرا با RESTful API ها به افراد و یا سازمان هایی که در حوزه سلامت فعالیت میکنند به افراد قدرت بارگذاری و بارگیری اطلاعات را میدهند. گرچه به کار گیری این دست از تکنولوژی ها راه را برای بارگذاری هر نوع از اطلاعات بازتر میکند اما بخش کمی از افراد و سازمان ها حاضر به پرداخت هزینه برای وارد شدن به این مجموعه میشوند. از طرفی وجود و گاها عدم وجود نظارت ها در حوزه ی سیاست ها و امنیت اطلاعات همانند قوانین GDPR کار را برای شرکت های شخص ثالث در جهت به کارگیری این اطلاعات سختتر میکند. چیزی که گریز ناپذیر است نیاز علوم پزشکی به ابر داده های دسته بندی شده برای پیشرفت در حوزه های تشخیص و درمان و یا هوش مصنوعی است ، بنابراین در آینده شاهد سرمایه گذاری های کلان تر در این زمینه و همچنین ایده پردازی های نابتر از طرف محقیقن و متخصصین این حوزه خواهیم بود. آرمان گرجی آرمان گرجی Wed, 16 Jan 2019 01:53:20 +0330