هوش مصنوعی و پرونده الکترونیک سلامت؛ راداری هوشمند در پیش‌بینی همه‌گیری‌ها

گفتار سی و هفتم
یادداشت راهبردی
📝هوش مصنوعی و پرونده الکترونیک سلامت؛ راداری هوشمند در پیش‌بینی همه‌گیری‌ها

✍️دکترخلیل علی محمدزاده
‌
استفاده از هوش مصنوعی¹ بر بستر داده‌های پرونده الکترونیک سلامت²، انقلابی در نظام مراقبت مدیریتی و بهداشت عمومی ایجاد کرده است [۱]. در واقع، پرونده الکترونیک سلامت مانند یک حسگر زیستی بزرگ عمل می‌کند که هوش مصنوعی مغز متفکر آن برای تحلیل الگوهای پنهان است. نقش‌های کلیدی این فناوری در پیش‌بینی همه‌گیری‌ها به شرح زیر است:
‌
۱. پایش سندرمیک³:
پیش از آنکه یک بیماری به‌طور رسمی توسط آزمایشگاه تشخیص داده شود، علائم آن در پرونده‌ها ثبت می‌شود. الگوریتم‌های هوش مصنوعی با استفاده از پردازش زبان طبیعی⁴، یادداشت‌های بالینی پزشکان را در لحظه بررسی می‌کنند [۲]. اگر تعداد مراجعات با علائم مشابه (مانند سرفه خشک و تنگی نفس) در یک منطقه جغرافیایی خاص ناگهان افزایش یابد، هوش مصنوعی پیش از اعلام رسمیِ اپیدمی، هشدار قرمز صادر می‌کند. این امر زمان واکنش را از هفته به ساعت کاهش می‌دهد.
‌
۲. شناسایی کانون‌های بحران⁵:
با تحلیل داده‌های مکانی موجود در پرونده‌های سلامت، هوش مصنوعی می‌تواند نقشه انتشار بیماری را ترسیم کند. این سیستم با تحلیل داده‌های مراجعات، مشخص می‌کند که همه‌گیری از کدام محله شروع شده و بر اساس مسیرهای تردد، احتمالاً به کدام منطقه گسترش می‌یابد.
‌
۳. پیش‌بینی ظرفیت پاسخ به بحران⁶:
یکی از چالش‌های مدیران در زمان همه‌گیری، کمبود تخت و تجهیزات است. هوش مصنوعی با تحلیل روند ابتلای ثبت شده در پرونده‌های الکترونیک، پیش‌بینی می‌کند که در بازه‌های زمانی کوتاه، چه تعداد از بیماران به بستری در بخش مراقبت‌های ویژه⁷ یا دستگاه کمک‌تنفسی نیاز خواهند داشت. این به دانشگاه‌های علوم پزشکی اجازه می‌دهد منابع را پیش‌دستانه جابجا کنند.
‌
۴. طبقه‌بندی خطر⁸:
همه افراد در برابر یک همه‌گیری به یک اندازه آسیب‌پذیر نیستند. با بررسی سوابق بیماری‌های زمینه‌ای در پرونده الکترونیک، هوش مصنوعی فهرستی از افراد بسیار آسیب‌پذیر محله را استخراج می‌کند تا مراکز بهداشت بتوانند پیش از ابتلا، با این افراد تماس گرفته و پروتکل‌های حفاظتی اختصاصی به آن‌ها ارائه دهند.

نقد عملکرد در ایران؛ چالش‌های پیش‌رو با وجود سامانه‌هایی نظیر «سیب» یا «سپاس»، پیاده‌سازی این الگو در ایران طبق اسناد بالادستی با چالش‌های ساختاری روبروست [۴]:

– جزیره‌ای بودن داده‌ها⁹: عدم یکپارچگی داده‌های بخش خصوصی با بخش دولتی باعث می‌شود هوش مصنوعی تنها بخشی از تصویر بحران را ببیند.

– تأخیر در داده‌ها¹⁰: پیش‌بینی دقیق نیازمند داده‌های در لحظه است؛ حال آنکه تأخیر در ثبت داده‌ها، ارزش پیش‌بینی را از بین می‌برد.

– کیفیت ورودی‌ها¹¹: عدم ثبت دقیق علائم در پرونده الکترونیک، منجر به خطای الگوریتم‌ها در تشخیص الگوهای اپیدمیولوژیک می‌شود.
‌
نتیجه‌ راهبردی اینکه:
هوش مصنوعی بدون یکپارچگی کامل داده‌ها مانند راداری است که فقط نقاط کور را نشان می‌دهد. برای پیش‌بینی همه‌گیری‌ها، ضرورت دارد دانشگاه‌های علوم پزشکی با رعایت اخلاق و حکمرانی داده [۳]، از مرحله ذخیره داده به مرحله تحلیل آنلاین (برخط) داده عبور کنند.
۴ خردادماه ۱۴۰۵

#هوش_مصنوعی
#پرونده_الکترونیک_سلامت
#یکپارچگی_کامل_داده_ها
#ذخیره_داده
#تحلیل_بر_خط_داده

‌♻️https://eitaa.com/Drkhalil
‌
‌♻️https://ble.ir/DrkhalilAMZ

پانویس‌ها:

¹ Artificial Intelligence (AI)
² Electronic Health Record (EHR)
³ Syndromic Surveillance
⁴ Natural Language Processing (NLP)
⁵ Hotspot Detection
⁶ Surge Capacity Planning
⁷ Intensive Care Unit (ICU)
⁸ Risk Stratification
⁹ Data Silos
¹⁰ Data Lag
¹¹ Garbage In, Garbage Out
‌
منابع:

‌
[۱] Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019;6(2):94-8.
‌
[۲] Hay SI, George DB, Moyes CL, Brownstein JS. Big data opportunities for global infectious disease surveillance. PLoS Med. 2013;10(11):e1001537.
‌
[۳] World Health Organization. Ethics and governance of artificial intelligence for health: WHO guidance. Geneva: World Health Organization; 2021.
‌
[۴] وزارت بهداشت، درمان و آموزش پزشکی. سند ملی ارتقای سلامت الکترونیک و یکپارچه‌سازی سامانه‌های آماری. تهران: معاونت آمار و فناوری اطلاعات؛ ۱۴۰۳.