هوش مصنوعي در سلامت و کرونا
هوش مصنوعي در سلامت و کرونا
معاون درمان دانشگاه علوم پزشکي ايران در يادداشتي به اهميت استفاده از محصولات مبتني بر هوش مصنوعي در حوزه سلامت و چالش‌هاي پيش‌روي توسعه آن در ايران پرداخت.
به گزارش روابط عمومي دانشگاه، دکتر نادر توکلي، معاون درمان دانشگاه علوم پزشکي ايران در يادداشتي به کاربردهاي هوش مصنوعي در حوزه سلامت به‌خصوص در ايام کرونا و چالش‌هاي پيش‌روي آن پرداخته است.
به اعتقاد وي در آينده‌اي نزديک شاهد همه‌گيري استفاده از هوش مصنوعي در تمامي صنايع از جمله صنعت سلامت، خواهيم بود که بايد به‌سرعت براي پيشرو شدن در آن قدم برداشت.
متن اين يادداشت به‌شرح زير است:
کاربردهاي هوش مصنوعي در حوزه سلامت شامل موقعيت‌هاي متنوعي در تشخيص و پيش‌آگهي بيماري، طراحي و کشف داروهاي جديد و حتي کمک در تصميم‌سازي در سياست‌گذاري سلامت است.
مطابق فرمايشات مقام معظم رهبري در آبان سال گذشته، رسيدن به يک جايگاه علمي و عملي متعالي در اين حوزه بايد از اهداف جدي تمامي مسئولين باشد و کشور نبايد به هيچ وجه در اين زمينه عقب بماند. خوشبختانه در اين زمينه، پروژه‌هاي متنوعي چه با اهداف تحقيقاتي و چه با اهداف ارائه در بازار در کشور انجام شده است که توانايي و علاقه بالاي دانشگاه و بخش خصوصي به اين موضوع را نشان مي‌دهد. در زمينه بيماري کرونا، چندين پروژه توسط دانشگاه‌هاي علوم پزشکي و به‌ويژه ستاد مقابله با کروناي تهران انجام شده که توانسته است بين مردم نيز مقبوليت کسب کند. در چندين سال گذشته با پيشرفت‌هاي تکنولوژيک امکان توسعه نرم‌افزارهاي مبتني بر هوش مصنوعي در حوزه سلامت گسترش يافته است به‌صورتي که ميزان سرمايه‌گذاري‌هاي خصوصي در اين حوزه به بيش از ? ميليارد دلار در سال ???? رسيده است. با توجه به روندهاي فعلي تا سال ????، ميزان سرمايه‌گذاري بر اين حوزه از مجموع سرمايه‌گذاري در حوزه‌هاي واکسن و سلول‌هاي بنيادي فراتر خواهد رفت. خوشبختانه کشور ما به چندين دليل در اين حوزه داراي پتانسيل‌هاي گسترده‌اي است که توانايي رقابت در سطح جهاني را براي کارآفرينان و محققين ايراني فراهم آورده است، از جمله اين دلايل مي‌توان به وجود نيروي انساني متخصص هوش مصنوعي در کشور و عدم نياز به سرمايه‌گذاري‌هاي هنگفت و تکنولوژي‌هاي غيرقابل دسترس براي موفقيت (تفاوت با صنعت داروسازي و بيوتکنولوژي) در اين حوزه اشاره کرد.
با ظهور کرونا، تمامي سيستم‌هاي درماني و شرکت‌هاي حوزه سلامت دنيا توجه خود را به جلوگيري از گسترش اين بيماري جلب کردند، متعاقباً محققين فعال در حوزه هوش مصنوعي نيز نرم‌افزارهاي متعددي براي مقابله با بيماري کرونا در حوزه‌هاي مختلف اعم از پيشگيري هوشمند، درمان‌هاي شخصي‌سازي‌شده، پيش‌بيني‌هاي اپيدميولوژيکي و توسعه واکسن و داروهاي جديد را ارائه نموده‌اند، از نمونه‌هاي خارجي مطرح مي‌توان به پروژه QCOVID دانشگاه آکسفورد انگليس اشاره کرد که تلاشي براي توسعه مدل هوش مصنوعي براي پيشگيري هوشمند بيماري بوده است. محققان در اين زمينه با طراحي مدل‌هاي هوش مصنوعي که بر اساس داده‌هاي افراد مبتلا به کرونا توسعه يافته بود توانستند نرم‌افزاري توسعه دهند که مي‌توانست ريسک ابتلا به کرونا را متناسب با شرايط سلامت و کاري فرد تخمين زند. از ديگر پروژه‌هاي مطرح خارجي نيز مي‌توان به پروژه Deep cough اشاره کرد که مدلي براي تشخيص بيماري کرونا از طريق صداي سرفه بوده است. اين نرم‌افزار با گوش دادن به صداي سرفه يک بيمار با دقت بالاي ??درصدي نوع بيماري عفوني فرد را تشخيص مي‌دهد و مي‌تواند به‌عنوان اولين خط تشخيص بيماري در خانه‌ها مورد استفاده قرار گيرد. مشابه اين پروژه نيز توسط محققان دانشگاه شهيد بهشتي در کشور توسعه يافت و در اختيار مردم قرار گرفت. از نمونه‌هاي داخلي ديگر مطرح در کشور خودمان مي‌توان به پروژه پيش‌بيني وضعيت بيماران بستري کرونا اشاره کرد که تحت مديريت درمان ستاد مقابله با بيماري کروناي استان تهران توسعه يافته است و توانايي پيش‌آگهي وضعيت بيماران بستري را بر اساس داده‌هاي آزمايشگاهي دارد. اين پروژه با همکاري دانشگاه آکسفورد ادامه يافته است و مقاله اين تحقيق هم به‌تازگي در نشريه frontiers digital health با همکاري محققين بين‌المللي از دانشگاه لوزان سوئيس چاپ گرديده است.
در نهايت از جمله پروژه‌هاي موفق اين حوزه در داخل کشور مي‌توان به اپليکيشن "ريسک من" (پيش‌بيني ريسک حاد شدن وضعيت بيماران به‌کمک هوش مصنوعي) اشاره کرد. اين اپليکيشن در هسته خود از مدل هوش مصنوعي‌اي براي پيش‌بيني زودهنگام علائم و احتمال مرگ‌ومير بر اثر کرونا در بيماران مبتلا به کوويد‌ـ?? تشکيل شده است که مي‌تواند نتيجه درماني بيماران را تا حد زيادي بهبود بخشد. در اين پروژه با استفاده از داده‌هاي بيش از ??? هزار بيمار مبتلا به کرونا که به ترياژ بيمارستان‌ها در سال ???? مراجعه کرده‌اند مدل‌هاي هوش مصنوعي با دقت بالا براي پيش‌بيني دو هدف ذکرشده طراحي گرديد، در نهايت اپليکيشن ريسک من توسط ستاد مقابله با بيماري کروناي استان تهران در ارديبهشت ???? رونمايي شد و تاکنون بيش از يک‌ميليون نفر در داخل کشور از پيش‌بيني‌ها و راهنمايي‌هاي اين اپليکيشن بهره جسته‌اند، هم‌چنين مقاله علمي اين پروژه نيز با همکاري پژوهشگران بين‌المللي به چاپ رسيده است.
به گزارش روابط عمومي دانشگاه، دکتر نادر توکلي، معاون درمان دانشگاه علوم پزشکي ايران در يادداشتي به کاربردهاي هوش مصنوعي در حوزه سلامت به‌خصوص در ايام کرونا و چالش‌هاي پيش‌روي آن پرداخته است.
به اعتقاد وي در آينده‌اي نزديک شاهد همه‌گيري استفاده از هوش مصنوعي در تمامي صنايع از جمله صنعت سلامت، خواهيم بود که بايد به‌سرعت براي پيشرو شدن در آن قدم برداشت.
متن اين يادداشت به‌شرح زير است:
کاربردهاي هوش مصنوعي در حوزه سلامت شامل موقعيت‌هاي متنوعي در تشخيص و پيش‌آگهي بيماري، طراحي و کشف داروهاي جديد و حتي کمک در تصميم‌سازي در سياست‌گذاري سلامت است.
مطابق فرمايشات مقام معظم رهبري در آبان سال گذشته، رسيدن به يک جايگاه علمي و عملي متعالي در اين حوزه بايد از اهداف جدي تمامي مسئولين باشد و کشور نبايد به هيچ وجه در اين زمينه عقب بماند. خوشبختانه در اين زمينه، پروژه‌هاي متنوعي چه با اهداف تحقيقاتي و چه با اهداف ارائه در بازار در کشور انجام شده است که توانايي و علاقه بالاي دانشگاه و بخش خصوصي به اين موضوع را نشان مي‌دهد. در زمينه بيماري کرونا، چندين پروژه توسط دانشگاه‌هاي علوم پزشکي و به‌ويژه ستاد مقابله با کروناي تهران انجام شده که توانسته است بين مردم نيز مقبوليت کسب کند. در چندين سال گذشته با پيشرفت‌هاي تکنولوژيک امکان توسعه نرم‌افزارهاي مبتني بر هوش مصنوعي در حوزه سلامت گسترش يافته است به‌صورتي که ميزان سرمايه‌گذاري‌هاي خصوصي در اين حوزه به بيش از ? ميليارد دلار در سال ???? رسيده است. با توجه به روندهاي فعلي تا سال ????، ميزان سرمايه‌گذاري بر اين حوزه از مجموع سرمايه‌گذاري در حوزه‌هاي واکسن و سلول‌هاي بنيادي فراتر خواهد رفت. خوشبختانه کشور ما به چندين دليل در اين حوزه داراي پتانسيل‌هاي گسترده‌اي است که توانايي رقابت در سطح جهاني را براي کارآفرينان و محققين ايراني فراهم آورده است، از جمله اين دلايل مي‌توان به وجود نيروي انساني متخصص هوش مصنوعي در کشور و عدم نياز به سرمايه‌گذاري‌هاي هنگفت و تکنولوژي‌هاي غيرقابل دسترس براي موفقيت (تفاوت با صنعت داروسازي و بيوتکنولوژي) در اين حوزه اشاره کرد.
با ظهور کرونا، تمامي سيستم‌هاي درماني و شرکت‌هاي حوزه سلامت دنيا توجه خود را به جلوگيري از گسترش اين بيماري جلب کردند، متعاقباً محققين فعال در حوزه هوش مصنوعي نيز نرم‌افزارهاي متعددي براي مقابله با بيماري کرونا در حوزه‌هاي مختلف اعم از پيشگيري هوشمند، درمان‌هاي شخصي‌سازي‌شده، پيش‌بيني‌هاي اپيدميولوژيکي و توسعه واکسن و داروهاي جديد را ارائه نموده‌اند، از نمونه‌هاي خارجي مطرح مي‌توان به پروژه QCOVID دانشگاه آکسفورد انگليس اشاره کرد که تلاشي براي توسعه مدل هوش مصنوعي براي پيشگيري هوشمند بيماري بوده است. محققان در اين زمينه با طراحي مدل‌هاي هوش مصنوعي که بر اساس داده‌هاي افراد مبتلا به کرونا توسعه يافته بود توانستند نرم‌افزاري توسعه دهند که مي‌توانست ريسک ابتلا به کرونا را متناسب با شرايط سلامت و کاري فرد تخمين زند. از ديگر پروژه‌هاي مطرح خارجي نيز مي‌توان به پروژه Deep cough اشاره کرد که مدلي براي تشخيص بيماري کرونا از طريق صداي سرفه بوده است. اين نرم‌افزار با گوش دادن به صداي سرفه يک بيمار با دقت بالاي ??درصدي نوع بيماري عفوني فرد را تشخيص مي‌دهد و مي‌تواند به‌عنوان اولين خط تشخيص بيماري در خانه‌ها مورد استفاده قرار گيرد. مشابه اين پروژه نيز توسط محققان دانشگاه شهيد بهشتي در کشور توسعه يافت و در اختيار مردم قرار گرفت. از نمونه‌هاي داخلي ديگر مطرح در کشور خودمان مي‌توان به پروژه پيش‌بيني وضعيت بيماران بستري کرونا اشاره کرد که تحت مديريت درمان ستاد مقابله با بيماري کروناي استان تهران توسعه يافته است و توانايي پيش‌آگهي وضعيت بيماران بستري را بر اساس داده‌هاي آزمايشگاهي دارد. اين پروژه با همکاري دانشگاه آکسفورد ادامه يافته است و مقاله اين تحقيق هم به‌تازگي در نشريه frontiers digital health با همکاري محققين بين‌المللي از دانشگاه لوزان سوئيس چاپ گرديده است.
در نهايت از جمله پروژه‌هاي موفق اين حوزه در داخل کشور مي‌توان به اپليکيشن "ريسک من" (پيش‌بيني ريسک حاد شدن وضعيت بيماران به‌کمک هوش مصنوعي) اشاره کرد. اين اپليکيشن در هسته خود از مدل هوش مصنوعي‌اي براي پيش‌بيني زودهنگام علائم و احتمال مرگ‌ومير بر اثر کرونا در بيماران مبتلا به کوويد‌ـ?? تشکيل شده است که مي‌تواند نتيجه درماني بيماران را تا حد زيادي بهبود بخشد. در اين پروژه با استفاده از داده‌هاي بيش از ??? هزار بيمار مبتلا به کرونا که به ترياژ بيمارستان‌ها در سال ???? مراجعه کرده‌اند مدل‌هاي هوش مصنوعي با دقت بالا براي پيش‌بيني دو هدف ذکرشده طراحي گرديد، در نهايت اپليکيشن ريسک من توسط ستاد مقابله با بيماري کروناي استان تهران در ارديبهشت ???? رونمايي شد و تاکنون بيش از يک‌ميليون نفر در داخل کشور از پيش‌بيني‌ها و راهنمايي‌هاي اين اپليکيشن بهره جسته‌اند، هم‌چنين مقاله علمي اين پروژه نيز با همکاري پژوهشگران بين‌المللي به چاپ رسيده است.
موانع توسعه محصولات مبتني بر هوش مصنوعي در حوزه سلامت
مسلماً محدوديت‌ها، موانع و مشکلات زيادي در داخل کشور براي توسعه اين دسته از محصولات وجود دارد که در سريع‌ترين زمان قابل مديريت و اصلاح‌پذيرند، از جمله اين موانع از سمت مديريت‌هاي کلان و نهادهاي نظارتي و رگولاتوري مي‌توان به چندگانگي در نرم‌افزارهاي ثبت اطلاعات پزشکي در کشور، عدم وجود سازوکار قانوني مناسب براي تأييد نرم‌افزارهاي حوزه درمان و عدم همکاري برخي از مراکز درماني جهت جمع‌آوري داده‌هاي اوليه اشاره کرد. از جمله موانع از سمت بخش خصوصي نيز مي‌توان به عدم شفافيت در انتشار داده‌ها و مقالات علمي مناسب، عدم همکاري مناسب بخش خصوصي با نهادهاي قانوني تصميم‌گيرنده و عدم سرمايه‌گذاري درازمدت در اين حوزه توسط سرمايه‌گذاران سنتي کشور اشاره کرد.
در نهايت پيشرفت اين حوزه در داخل کشور، در گروي بهبود شرايط توسعه اين دسته از نرم‌افزارها چه از سمت بخش خصوصي و چه از سمت دولت و وزارت بهداشت است. براي توسعه هرچه بيشتر اين حوزه بايد انجام اقداماتي نوآورانه توسط مسئولين مربوطه سرعت گيرد، از جمله اين اقدامات مي‌توان به آموزش به جامعه پزشکي راجع به پتانسيل‌هاي هوش مصنوعي در سلامت، برگزاري کنگره‌هاي تحقيقاتي، تأسيس مراکز تحقيقات و پژوهشکده‌ها، توسعه راهنماهاي اخلاق پزشکي براي اين دسته از محصولات، سرمايه‌گذاري بيشتر در اين حوزه از طريق اعطاي گرنت‌ها و حمايت‌هاي دولتي از سمت وزارت بهداشت و معاونت علمي و فناوري و صندوق‌هاي پژوهش و فناوري اشاره کرد.
پايان مطلب//
در نهايت پيشرفت اين حوزه در داخل کشور، در گروي بهبود شرايط توسعه اين دسته از نرم‌افزارها چه از سمت بخش خصوصي و چه از سمت دولت و وزارت بهداشت است. براي توسعه هرچه بيشتر اين حوزه بايد انجام اقداماتي نوآورانه توسط مسئولين مربوطه سرعت گيرد، از جمله اين اقدامات مي‌توان به آموزش به جامعه پزشکي راجع به پتانسيل‌هاي هوش مصنوعي در سلامت، برگزاري کنگره‌هاي تحقيقاتي، تأسيس مراکز تحقيقات و پژوهشکده‌ها، توسعه راهنماهاي اخلاق پزشکي براي اين دسته از محصولات، سرمايه‌گذاري بيشتر در اين حوزه از طريق اعطاي گرنت‌ها و حمايت‌هاي دولتي از سمت وزارت بهداشت و معاونت علمي و فناوري و صندوق‌هاي پژوهش و فناوري اشاره کرد.
پايان مطلب//
کپی لینک کوتاه:
