اینکه آیا نواختن موسیقی برایش به زبان مادری‌اش ممکن است او را مرتبط با دنیا نگه دارد یا دادن داروی پروزاک به او، آن چنانکه یک بررسی روی موش‌ها در سال پیش نشان داد بود، می‌تواند احتمال بهبودی‌اش را افزایش دهد.
پزشکان هم علائق مشابهی دارند و نمی‌دانند از کدام یافته‌ها در ۲.۵ میلیون مقاله علمی که منتشرشده در هر سال خبردار نمی‌شوند.
سایت‌های پرطرفداری مانند MedCalc و UpTodate ابزارهای سودمندی برای پزشکان برای در نظر گرفتن معیارهای تشخیصی و وارسی دوباره دستورالعمل‌های درمانی هستند. اما امکانات بسیاری برای بهبود این وضعیت وجود دارد و برخی معتقدند که هوش مصنوعی می‌تواند راه‌حلی برای سر درآوردن از این حجم گسترده اطلاعات علمی باشد: دستیاران ماشینی یادگیرنده برای خواندن مقالات منتشرشده، تلخیص اطلاعاتشان و برجسته کردن یافته‌های مربوطشان.
ماه پیش، شرکتی به نام آیریس (Iris) نخستین گونه از چنین دستیارهای ماشینی را به کار انداخت. این ماشین در حال حاضر می‌تواند چکیده مقاله‌ها را بخواند، مفاهیم کلیدی‌شان را مشخص کند و مقالاتی را بیابد که با آن مفاهیم مرتبط باشند. این ابزار شیوه سریعی را برای درک کردن چشم‌انداز علمی در یک سرفصل معین در اختیار می‌گذارد به خصوص هنگام ندانستن کلمات کلیدی دقیق برای آن نوع پژوهش مورد جستجوی‌تان، به دردتان می‌خورد.
انستیتوی هوش مصنوعی آلن اخیراً یک موتور جستجو به نام Semantic Scholar به راه انداخته است که این جستجو را به فراسوی کلیدواژه‌ها می‌برد.
آنیتا شول برد، مدیرعامل اجرایی آیریس، می‌گوید: «یکی از مشکلات کاوش در کشوهای غبارگرفته دیجیتال و رساندن یافته‌ها به دستان کسانی است که می‌توانند بر مبنای آن‌ها عمل کنند.»
این ابزار باید به خصوص کاوش در میان مقالات علمی را برای افرادی که پژوهش بین‌رشته‌ای انجام می‌دهند، آسان‌تر کند. این شرکت قصد دارد در طول سه سال آینده یک گونه کنشگر این موتور جستجو را بسازد که به یاد دارد شما هفته پیش کدام مقالات را خوانده‌اید و بر اساس توصیف پروژه شما مقالات جدیدی را در اختیارتان می‌گذارد. او امیدوار است که هوش مصنوعی در طول ۱۰ سال آن‌قدر قدرتمند شود که مفاهیم جدید را - بر اساس خواندن مقالات و درکش از آن‌ها- به تنهایی کشف کند.
ماشین آیریس نسبت به رشته بی‌تفاوت است. این ماشین اهمیت نمی‌دهد که شما از آن یافتن پژوهش‌ها درباره سرطان را بخواهید یا مواد کامپوزیت. اما گروه‌های دیگر دارند بر حل این مشکل در پزشکی متمرکز می‌شوند. شرکت آی‌بی‌ام دارد تکنولوژی هوش مصنوعی‌اش به نام «واتسون سرطان‌شناسی» (Watson Oncology) را که به وسیله سرطان‌شناسان ورزیده «مرکز سرطان مموریال اسلون کترینگ» تعلیم دیده است، برای حوزه پر از بیم و امید سرطان به کار می‌گیرد. این ابزار مقالات، داده‌های بیماران و کارآزمایی‌های بالینی را جستجو می‌کند تا به پزشکان کمک کند تا از آخرین تحولات در این زمینه آگاه شوند.
ابزار آی‌بی‌ام به سایر حوزه‌های پزشکی کاری ندارد و ماشین آیریس در حال حاضر فقط سازمان‌دهی و دستیابی به مقالات را بهبود می‌بخشد. برای یک پزشک معمول با برنامه کاری معمول، فقط یافتن پژوهش مربوط کافی نیست: شخصی باید این پژوهش را بخواند و آن را دریابد. ستاره علی‌پور، رزیدنت پزشکی در نیویورک می‌گوید: «این مشکل بزرگی است. داده‌های علمی دارند آن‌قدر گسترده می‌شوند که حتی پزشکان متخصص نمی‌توانند از همه کشف‌ها در حوزه کاری‌شان، خبردار شوند و تازه صحبت من درباره بررسی‌های بزرگ‌تر است، نه داده‌های به‌دست‌آمده از بررسی‌های کوچک و غیرقابل‌اعتماد.»
این ایده که مقالات علمی باید نقشی در کارورزی بالینی داشته باشند - یا به اصطلاح «پزشکی مبتنی بر شواهد» (evidence-based medicine)- روندی است که اخیراً از سنت پزشکی طبابت بر اساس آموخته‌های دانشکده پزشکی جدا شده است. دانش پزشکان همیشه به خوبی روزآمد نمی‌شود: فقط حدود نیمی از بیماران در آمریکا دوره درمانی توصیه‌شده بر اساس منابع علمی را دریافت می‌کنند. پزشکان به هر تلاشی برای پل زدن بر این شکاف یا آسان‌تر کردن ردیابی دانش جدید خوش‌آمد می‌گویند. علی‌پور می‌گوید: «اگر ماشینی بتواند به عنوان حافظه قابل‌اعتماد و زیرک من عمل کند، بسیار دوستش خواهم داشت.»
پدر تز از اغما بیرون آمد و دارد بهبود می‌یابد. اما برخی از مقالاتی که او در اینترنت یافت، آن‌قدر علاقه پزشکان معالج پدرش را برانگیخت که او آن‌ها را برایشان پرینت کرد و در بورد آگهی‌های بخش نورولوژی بیمارستان گذاشت. تز که یکی از دو بنیان‌گذار یک صندوق سرمایه‌گذاری کارآفرین به نام Premutation است، بسیار به آینده ماشین‌های با ذهن پزشکی اندیشیده است.
او پزشک‌یار ماشینی هوشمندی را تصور می‌کند که با ارتباط با سوابق الکترونیکی بهداشتی در دسترس همگانی، حاوی همه اطلاعات مربوط به شما، علائم و سابقه پزشکی شما را به روزآمدترین توصیه‌ها برای انتخاب درمان ارجاع متقابل می‌دهد. این پزشک‌یار هوشمند همچنین می‌تواند دکترتان را از پژوهش‌های جدیدی آگاه کند که ممکن است موردعلاقه باشند.
تز می‌گوید: «مشکل پژوهش‌های بیمارستانی و کاربرد هوش مصنوعی این است که افراد مشغول در حوزه هوش مصنوعی درکی از بیمارستان‌ها ندارند.» همان‌طور که همکاری آی‌بی‌ام با افراد حوزه پزشکی نشان می‌دهد، اگر راه‌حلی با استفاده از هوش مصنوعی برای بهبود مراقبت‌های بهداشتی وجود داشته باشد، احتمالاً از همیاری میان بیمارستان‌ها و تکنولوژیست‌ها ناشی خواهد شد.
نویسنده: بهار قلی‌پور
منبع: Wired