هوش مصنوعی ثابت کرد که می‌تواند تصویربرداری‌های پزشکی را تفسیر کند و حتی نشان داد که قادر است در آزمون‌های دریافت مجوز پزشکی قبول شود.

اکنون یک ابزار جدید هوش مصنوعی نشان داده است که می‌تواند یادداشت‌ پزشک [شرح حال بیمار] را بخواند و خطر مرگ، بستری مجدد در بیمارستان و سایر نتایج مهم برای مراقبت از بیمار را به‌دقت پیش‌بینی کند.

به گزارش خبرگزاری فرانسه، از این نرم‌افزار که طراحی گروهی از پژوهشگران  دانشکده پزشکی گراسمن نیویورک است، اکنون در بیمارستان‌های وابسته به این دانشگاه در سراسر نیویورک استفاده می‌شود به این امید که در آینده به بخشی استاندارد از مراقبت‌های سلامت تبدیل شود.

مطالعه‌ای درباره ارزش پیش‌بینی این نرم‌افزار روز چهارشنبه در نشریه نیچر منتشر شد.

اریک اورمن، نویسنده اصلی این مطالعه، جراح مغز و اعصاب و دانشمند علوم رایانه‌ای دانشگاه نیویورک، به خبرگزاری فرانسه گفت: «مدل‌های پیش‌بینی غیر هوش مصنوعی مدت‌ها است که در پزشکی وجود دارند اما به دلیل نیاز به سازماندهی مجدد و قالب‌بندی پیچیده داده‌ها، عملا کمتر از آن‌ها استفاده می‌شد.»

او گفت: «همه‌جا رایج است که پزشک درباره آنچه در کلینیک دیده‌ و آنچه از بیمار شنیده‌ است شرح‌حالی بنویسد. بنابراین برداشت پایه‌ای ما این بود که آیا می‌توانیم از یادداشت‌های پزشک به مثابه منبع داده شروع کنیم و سپس مدل‌های پیش‌بینی‌کننده را بر اساس آن‌ها بسازیم؟»

این مدل زبانی بزرگ به نام نیویورک‌ترون (NYUTron) بر اساس میلیون‌ها شرح‌حال بالینی از سوابق سلامتی ۳۸۷ هزار نفر که بین مه ۲۰۲۰ تا ژانویه ۲۰۲۱ در بیمارستان‌های لنگان نیویورک بستری شدند، شکل گرفت. مواردی شامل هرگونه شرح سوابق به نقل از پزشک مانند شرح بهبودی بیمار، گزارش‌های رادیولوژی و رهنمودهای ترخیص که مجموعه‌ای حاوی ۴.۱ میلیارد کلمه پدید آورد.

از چالش‌های مهم این نرم‌افزار، تفسیر زبان طبیعی است که پزشکان در یادداشت‌هایشان استفاده می‌کنند. این زبان ممکن است در افراد مختلف با هم فرق کند. در اختصارهایی که در این شرح‌حال‌ها استفاده می‌شود نیز تفاوت‌هایی وجود دارد.

پژوهشگران با بررسی سوابق رخدادها، توانستند دقت پیش‌بینی‌های این نرم‌افزار را محاسبه کردند.

آن‌ها این ابزار را در محیط‌های زنده نیز آزمایش کردند. برای نمونه آن را با استفاده از سوابق بیمارستانی در منهتن شکل دادند و بعد عملکرد آن را در بیمارستانی در بروکلین با خصوصیت جمعیت‌شناختی متفاوت بررسی کردند.

نیویورک‌ترون در مجموع ۹۵ درصد افرادی را که پیش از ترخیص از بیمارستان جان خود را از دست می‌دهند و ۸۰ درصد بیمارانی که ظرف ۳۰ روز دوباره بستری می‌شوند، شناسایی کرد.

این نرم‌افزار از نظر پیش‌بینی از بیشتر پزشکان و همین‌طور از مدل‌های رایانه‌ای غیر هوش مصنوعی که امروزه از آن‌ها استفاده می‌شود، بهتر عمل کرد.

اما اورمن گفت: «باسابقه‌ترین پزشک، که در واقع پزشکی بسیار مشهور است، عملکردی فوق‌بشری و به‌مراتب بهتر از این نرم‌افزار داشت. نقطه قوت ترکیب فناوری و پزشکی تضمین دستیابی به نتایج فوق‌بشری نیست بلکه عملکرد پایه‌ای را بهبود می‌بخشد.»

نیویورک‌ترون همچنین ۷۹ درصد از مدت اقامت واقعی بیماران، ۸۷ درصد مواردی که بیماران تحت پوشش بیمه نبودند و ۸۹ درصد مواردی که بیماری اصلی فرد با بیماری‌های دیگر همراه بود، درست تخمین زد.

اورمن گفت که هوش مصنوعی هرگز نمی‌تواند جایگزین رابطه بیمار و پزشک شود. بلکه به پزشک «اطلاعات بیشتری می‌دهد تا بتواند بر بالین بیمار تصمیم آگاهانه‌تری بگیرد».