هوش مصنوعی نجات‌بخش، دو راه متفاوت پزشکی!

هوش مصنوعی مولد با سرعتی سرسام‌آور در حال پیشرفت است. این فناوری هم‌اکنون در آزمون‌های ملی پزشکی و تشخیص‌های دشوار، عملکرد بهتری نسبت به پزشکان دارد. مایکروسافت اخیراً گزارش داده است که جدیدترین سیستم هوش مصنوعی‌اش در ۸۵.۵ درصد موارد، بیماری‌های پیچیده را به درستی تشخیص داده، در حالی که پزشکان تنها در ۲۰ درصد موارد موفق بوده‌اند. مدل تازه منتشر شده GPT-5 از شرکت OpenAI نیز عملکرد دقیق‌تر و پاسخگوتر خود را در زمینه سوالات مرتبط با سلامت ارائه می‌دهد.

با توجه به اینکه قدرت ابزارهای هوش مصنوعی مولد هر سال دو برابر می‌شود، دو رویکرد متمایز برای کمک به بیماران شکل گرفته است.

رویکرد اول استفاده از ابزارهای تایید شده توسط سازمان غذا و دارو (FDA) است که توسط استارتاپ‌ها و شرکت‌های فناوری معتبر ساخته شده‌اند. رویکرد دوم نیز به بیماران امکان می‌دهد با استفاده ایمن از ابزارهای موجود مانند ChatGPT، Gemini و Claude، به کمک این فناوری‌ها دسترسی داشته باشند.

هر مسیر مزایا و معایب خود را دارد و هر دو احتمالاً آینده مراقبت‌های بهداشتی را شکل خواهند داد. برای درک بهتر اهمیت موضوع، ابتدا باید تفاوت هوش مصنوعی مولد با فناوری‌های تایید شده توسط سازمان غذا و دارو (FDA) که امروزه در پزشکی استفاده می‌شوند، بررسی شود.

هوش مصنوعی محدود

پزشکی بیش از دو دهه است که به کاربردهای «هوش مصنوعی محدود» متکی بوده است؛ این مدل‌ها برای انجام وظایف خاص با داده‌های ساختارمند بالینی آموزش دیده‌اند.

این ابزارها برنامه‌ریزی شده‌اند تا دو مجموعه داده را مقایسه کنند، تفاوت‌های ظریف را شناسایی نمایند و به هر کدام یک عامل احتمال دقیق اختصاص دهند. به عنوان مثال، در رادیولوژی، مدل‌های هوش مصنوعی محدود بر روی هزاران ماموگرافی آموزش دیده‌اند تا بین نمونه‌هایی که نشانه‌های سرطان پستان در مراحل اولیه دارند و نمونه‌های دارای شرایط خوش‌خیم مانند بیماری فیبروکیستیک تمایز قائل شوند. این ابزارها قادرند تفاوت‌هایی را که چشم انسان قادر به دیدن آن نیست، شناسایی کنند و در نتیجه تا ۲۰ درصد دقت تشخیصی بیشتری نسبت به پزشکان تنها دارند.

از آنجا که سیستم‌های هوش مصنوعی محدود نتایج پایدار و تکرارپذیر ارائه می‌دهند، به‌خوبی در چارچوب مقررات فعلی FDA جای می‌گیرند. دریافت تاییدیه نیازمند کیفیت قابل اندازه‌گیری داده‌ها، شفافیت الگوریتمی و قابلیت تکرار نتایج است.

هوش مصنوعی مولد: نوع جدیدی از تخصص پزشکی

مدل‌های هوش مصنوعی مولد ساختاری متفاوت دارند. برخلاف مدل‌های آموزش‌دیده روی داده‌های ساختارمند برای وظایف خاص، این مدل‌ها از تقریباً تمام محتوای قابل دسترسی اینترنت، از جمله هزاران کتاب پزشکی، مجلات علمی و داده‌های بالینی دنیای واقعی یاد می‌گیرند.

این گستردگی به ابزارهای هوش مصنوعی مولد اجازه می‌دهد تقریباً به هر سوال پزشکی پاسخ دهند. اما پاسخ‌های مدل‌های زبان بزرگ بسته به نحوه طرح سوالات، دستور دادن به مدل و پیگیری برای توضیحات بیشتر متفاوت است. این تغییرپذیری باعث می‌شود سازمان غذا و دارو (FDA) نتواند دقت و کیفیت این ابزارها را ارزیابی کند.

دو مسیر متمایز برای ورود هوش مصنوعی مولد به عمل بالینی در حال شکل‌گیری است. برای افزایش تاثیر آن‌ها، دولت باید نحوه ارزیابی و حمایت از نوآوری‌های فناوری را تغییر دهد.

۱. مسیر سنتی: تایید شده توسط FDA و حمایت سرمایه‌گذاری خطرپذیر

با افزایش هزینه‌های پزشکی و رکود در بهبود نتایج بیماران، شرکت‌های فناوری خصوصی در تلاش‌اند تا ابزارهای هوش مصنوعی مولد تایید شده توسط FDA را توسعه دهند که بتوانند در تشخیص، درمان و مدیریت بیماری‌ها کمک کنند.

این رویکرد مشابه مدل هوش مصنوعی محدود است: ابزارهای گران‌قیمت که تحت نظارت شدید قرار دارند و تا حد زیادی به پوشش بیمه‌ای وابسته‌اند تا خانواده‌های آمریکایی توان پرداخت هزینه آن‌ها را داشته باشند.

با حمایت مالی سرمایه‌گذاری خطرپذیر، شرکت‌ها می‌توانند مدل‌های پایه متن‌باز (مانند DeepSeek یا LLaMA متا) را با فرآیندی به نام «تقطیر» بهینه‌سازی کنند. این فرآیند شامل استخراج دانش تخصصی و آموزش مجدد مدل با تجربیات بالینی واقعی، مانند ده‌ها هزار تصویر رادیولوژی (شامل تفسیر رادیولوژیست‌ها) یا نسخه‌های ناشناس گفتگوهای بین بیمار و ارائه‌دهنده خدمات درمانی است.

برای مثال، تاثیر این رویکرد را در مدیریت دیابت در نظر بگیرید. امروزه کمتر از نیمی از بیماران کنترل کافی بیماری را به دست می‌آورند. پیامدهای این وضعیت شامل صدها هزار حمله قلبی، نارسایی کلیه و قطع عضو پیشگیری‌پذیر سالانه است. یک ابزار هوش مصنوعی مولد که به طور خاص برای دیابت آموزش دیده باشد، می‌تواند نقش پرستار ماهر بیماری‌های مزمن را ایفا کند: پرسیدن سوالات درست، تفسیر داده‌های بیمار و ارائه راهنمایی‌های شخصی‌سازی شده برای کمک به کاربران در مدیریت بهتر قند خونشان.

این مسیر به نظر می‌رسد حمایت فدرال نیز دارد. دولت ترامپ اخیراً ابتکار «اکوسیستم فناوری سلامت» با بودجه مدیکر را راه‌اندازی کرده است که با بیش از ۶۰ شرکت فناوری و مراقبت‌های بهداشتی همکاری می‌کند تا ابزارهای مبتنی بر هوش مصنوعی برای مدیریت بیماری‌های مزمن، از جمله دیابت و چاقی، آزمایش شود.

اگرچه فرآیند تقطیر سریع‌تر و ارزان‌تر از ساخت یک مدل هوش مصنوعی از پایه است، اما زمان لازم برای دریافت تاییدیه FDA ممکن است چندین سال طول بکشد و هزینه‌ای چند ده میلیون دلاری داشته باشد. همچنین هر نتیجه منفی می‌تواند شرکت‌ها را در معرض مسئولیت‌های قانونی قرار دهد.

۲. مسیر جایگزین: توانمندسازی بیماران با تخصص هوش مصنوعی مولد

این مدل دوم معادله نوآوری را وارونه می‌کند. به جای تکیه بر ابزارهای گران‌قیمت و تایید شده توسط FDA که توسط شرکت‌های فناوری خصوصی توسعه یافته‌اند، این مدل بیماران را قادر می‌سازد تا با استفاده از هوش مصنوعی مولد کم‌هزینه و در دسترس عموم، سلامت خود را بهتر مدیریت کنند. این کار می‌تواند از طریق راهنمایی‌های دیجیتال، بروشورهای چاپی، ویدئوهای یوتیوب یا جلسات کوتاه حضوری انجام شود.

به عنوان مثال، یک بیمار ممکن است فشار خون، قند خون یا علائم جدید خود را وارد کند و از ChatGPT یا Claude توصیه‌های قابل اعتماد و مبتنی بر شواهد دریافت کند؛ اینکه آیا نیاز به تغییر دارو دارد، چه زمانی باید به پزشک اطلاع دهد یا در صورت نیاز به مراقبت اضطراری چگونه عمل کند. به همین ترتیب، بیمارانی که با پزشکان خود همکاری می‌کنند می‌توانند از این مدل‌های زبان بزرگ برای شناسایی نشانه‌های اولیه عفونت پس از جراحی، تشدید نارسایی قلبی یا کاهش عملکرد عصبی استفاده کنند.

با توجه به اینکه ۴۰ درصد پزشکان در حال حاضر در «کارهای کوتاه‌مدت» فعالیت می‌کنند، تعداد زیادی از متخصصان از هر رشته پزشکی آماده‌اند تا تخصص خود را در توسعه این ابزارهای آموزشی به کار گیرند. این مدل نیاز به توسعه محصول پرهزینه یا تایید FDA را دور می‌زند و از آنجا که آموزش ارائه می‌دهد و مراقبت پزشکی مستقیم نیست، مسئولیت حقوقی کمی ایجاد خواهد کرد.

حمایت دولت از هر دو مدل

این دو رویکرد به‌طور متقابل رد نمی‌شوند و هر دو پتانسیل بهبود مراقبت‌های بهداشتی، کاهش هزینه‌ها و افزایش دسترسی را دارند. همچنین هر دو از حمایت هدفمند دولت بهره‌مند خواهند شد. مسیر سنتی نیازمند این است که شرکت‌ها با آزمودن دقت توصیه‌های ابزارهای خود در مقایسه با نظر پزشکان، قابلیت اطمینان آن‌ها را ارزیابی کنند. وقتی این ابزارها عملکردی برابر با پزشکان داشته باشند، سازمان غذا و دارو (FDA) تایید خود را صادر خواهد کرد.

مسیر جایگزین که آموزش بیماران برای استفاده از مدل‌های زبان بزرگ موجود است، از طریق اعطای کمک‌های آموزشی و افزودن تخصص از سوی نهادهایی مانند CDC و NIH بهره‌مند خواهد شد. این نهادها با همکاری انجمن‌های پزشکی، مواد آموزشی را توسعه، آزمایش و توزیع خواهند کرد. این همکاری‌های عمومی-خصوصی، بیماران را مجهز به دانش لازم برای استفاده ایمن و موثر از هوش مصنوعی مولد می‌کند، بدون نیاز به انتظار چند ساله برای محصولات یا تاییدیه‌های جدید.

در مجموع، این دو مدل آینده‌ای امن‌تر و مقرون‌به‌صرفه‌تر برای نظام سلامت آمریکا ارائه می‌دهند.

منبع خبر : thefulcrum.us