در بخش تصویربرداری یک بیمارستان، صف گزارش‌ها معمولاً به دلیل کمبود دستگاه طولانی نمی‌شود؛ به این دلیل طولانی می‌شود که شمار متخصص بازبین محدود است و همهٔ پرونده‌ها با وجود فوریت‌های متفاوت در یک صف واحد می‌مانند.

روشن‌ترین نقش هوش مصنوعی در سلامت همین‌جا پیدا می‌شود: نه جایگزینی پزشک، که مرتب کردن صف. سامانه‌ای که موارد مشکوک را برای بازبینی زودتر نشانه‌گذاری می‌کند، بی‌آنکه تشخیصی صادر کند، ترتیب کار را تغییر می‌دهد و همین تغییر ترتیب در پرونده‌های حاد اهمیت بالینی دارد.

سه کاربردی که امروز جواب می‌دهد

• اولویت‌بندی بازبینی: تحلیل تصویر برای نشانه‌گذاری موارد پرخطر تا پزشک زودتر سراغ آنها برود؛ تصمیم نهایی همچنان با پزشک است.
• پیش‌بینی بار مراجعه: برآورد شلوغی و احتمال عدم حضور بیمار، برای چیدن نوبت‌ها و کاهش زمان انتظار و ظرفیت هدررفته.
• مستندسازی بالینی: تبدیل گفت‌وگوی ویزیت به پیش‌نویس گزارش، که بار نگارش را از دوش کادر درمان برمی‌دارد.

مرز روشن: کجا نباید تصمیم را به سامانه سپرد

تفاوت میان نشانه‌گذاری برای بازبینی و تشخیص، تفاوتی بنیادی است نه لفظی. سامانه می‌تواند بگوید این تصویر به موارد پرخطر شباهت دارد؛ نمی‌تواند بیماری را تأیید یا رد کند، چون زمینهٔ بالینی بیمار، سابقه و معاینه را نمی‌بیند. هر جا خروجی مستقیماً بر درمان اثر بگذارد، امضای پزشک باید در مسیر باشد. سازمانی که این مرز را برای صرفه‌جویی بردارد، ریسکی می‌پذیرد که با هیچ صرفه‌جویی جبران نمی‌شود.

دادهٔ بیمار پیش از هر چیز دیگر

دادهٔ سلامت حساس‌ترین نوع دادهٔ شخصی است و اشتباه در نگهداری آن، برخلاف خطای فنی، قابل جبران نیست. سه قاعدهٔ حداقلی لازم است: بی‌نام‌سازی پیش از هر پردازش آزمایشی، نگهداری داده در محیط تحت کنترل مرکز درمانی، و ثبت اینکه چه کسی به کدام پرونده دسترسی داشته است. اگر قرار است از سرویس بیرونی استفاده شود، شرایط انتقال داده باید پیش از شروع پروژه روشن باشد نه پس از آن.

چرا مراکز درمانی ایران موقعیت مناسبی دارند

حجم بالای مراجعه در مراکز درمانی ایران آرشیو بزرگی از تصویر و پرونده ساخته است؛ همین انباشته ارزشمندترین ورودی برای یک راهکار بومی است. مانع اصلی معمولاً نبود داده نیست، پراکندگی آن است: بخشی روی سامانهٔ اطلاعات بیمارستانی، بخشی در آرشیو تصویر و بخشی همچنان روی کاغذ. مرتب کردن همین آرشیو، پیش از هر خرید فناوری، بیشترین بازده را دارد.

مسیر سه‌ماههٔ اجرا در یک مرکز درمانی

• ماه اول: یک نوع تصویر یا یک فرآیند پرتکرار انتخاب کنید و وضعیت فعلی را اندازه بگیرید: زمان از ثبت تا گزارش، حجم صف و نرخ بازبینی مجدد. بدون این عدد پایه، بهبود قابل اثبات نیست.
• ماه دوم: نمونهٔ اولیه را روی داده‌های بی‌نام‌شدهٔ گذشته بیازمایید و خروجی آن را با نظر پزشک مقایسه کنید. در این مرحله سامانه نباید در جریان کار واقعی دخالت کند.
• ماه سوم: اگر نتیجه قابل اتکا بود، سامانه را تنها در نقش اولویت‌بندی وارد جریان کار کنید و پزشک را مرجع نهایی نگه دارید. موارد اختلاف را ثبت و دوره‌ای بازبینی کنید.

خطاهایی که در سلامت گران تمام می‌شود

• استفاده از مدلی که روی جمعیت و دستگاه‌های دیگری آموزش دیده است، بدون سنجش مجدد روی داده‌های همان مرکز.
• سنجش کیفیت تنها با نرخ دقت کلی؛ در پزشکی هزینهٔ منفی کاذب با مثبت کاذب برابر نیست و باید جداگانه دیده شود.
• ورود سامانه به جریان کار پیش از توافق روشن دربارهٔ مسئولیت خروجی و مسیر ثبت اختلاف نظر.
• نادیده گرفتن بار کاری تازه‌ای که بازبینی هشدارهای نادرست بر دوش کادر درمان می‌گذارد.

چگونه اثر را بسنجیم

شاخص مناسب دقت مدل نیست؛ تغییر در نتیجهٔ عملیاتی است. زمان از ثبت تصویر تا گزارش نهایی، سهم پرونده‌های فوری که در بازهٔ هدف بازبینی شده‌اند، نرخ عدم حضور بیمار پس از تغییر شیوهٔ نوبت‌دهی و شمار موارد اختلاف میان سامانه و پزشک، چهار عدد گویا هستند. هر چهار مورد را باید پیش از راه‌اندازی نیز اندازه گرفته باشید.

پرسش‌های پرتکرار

• آیا هوش مصنوعی جای پزشک را می‌گیرد؟
  خیر؛ کاری که انجام می‌دهد غربالگری و مرتب‌سازی است و تصمیم بالینی همچنان بر عهدهٔ پزشک باقی می‌ماند.
• برای شروع چه حجمی از داده لازم است؟
  به کاربرد بستگی دارد، اما آرشیو موجود بیشتر مراکز برای یک نمونهٔ اولیهٔ محدود کافی است؛ کیفیت برچسب‌گذاری از حجم مهم‌تر است.
• اگر سامانه اشتباه کند مسئولیت با کیست؟
  با ساختار درمانی و پزشک مسئول؛ به همین دلیل سامانه باید در نقش پیشنهاددهنده بماند و مسیر تصمیم مستند باشد.

جمع‌بندی

در حوزهٔ سلامت، ارزش هوش مصنوعی نه در جسارت تصمیم‌گیری، که در دقت اولویت‌بندی و کاستن از کار تکراری است. با یک فرآیند مشخص، دادهٔ بی‌نام‌شده و پزشکی که مرجع نهایی باقی می‌ماند شروع کنید؛ در این حوزه، محتاط بودن همان سریع پیش رفتن است.

واژه‌نامه

• کمک‌تشخیص: نشانه‌گذاری موارد پرخطر برای بازبینی زودتر توسط پزشک، بدون صدور تشخیص.
• بی‌نام‌سازی: حذف اطلاعات هویتی از پروندهٔ بیمار پیش از استفاده از آن در پردازش یا آموزش مدل.
• منفی کاذب: موردی که واقعاً پرخطر است اما سامانه آن را عادی می‌شمارد؛ پرهزینه‌ترین خطا در پزشکی.
• مثبت کاذب: موردی که سامانه پرخطر می‌داند اما در بازبینی سالم است؛ بار کاری اضافه می‌سازد.
• حساسیت و ویژگی: دو سنجهٔ مکمل که به‌ترتیب توان یافتن موارد بیمار و توان کنار گذاشتن موارد سالم را نشان می‌دهند.
• سامانهٔ اطلاعات بیمارستانی: نرم‌افزار مرکزی که پرونده، نوبت و فرآیندهای اداری مرکز درمانی را نگه می‌دارد.
• انسان در حلقه: طراحی‌ای که در آن خروجی سامانه پیش از اثرگذاری بر درمان از تأیید فرد مسئول می‌گذرد.

اقدام این هفته

این هفته، یک جلسه‌ی ۹۰ دقیقه‌ای با مدیر فناوری اطلاعات و سوپروایزر بالینی مرکز درمانی خود ترتیب دهید و صرفاً روی یک سؤال متمرکز شوید: «کدام فرآیند پرتکرار، بیشترین زمان انتظار را برای بیمار و بیشترین بار نگارش را برای کادر ایجاد می‌کند؟» خروجی این جلسه باید انتخاب یک فرآیند واحد (مثلاً اولویت‌بندی بازبینی تصویر یا مستندسازی ویزیت) و ثبت سه عدد پایه باشد: میانگین زمان از ثبت تا گزارش، حجم صف روزانه، و نرخ بازبینی مجدد. این اعداد، خط پایه‌ای هستند که هر بهبودی در ماه‌های آینده باید با آن سنجیده شود. اگر این سه عدد را تا پایان هفته ثبت نکرده‌اید، یعنی پروژه هنوز برای شروع آماده نیست.

منابع

• سیاست هوش مصنوعی تقویت‌شده در مراقبت‌های سلامت – انجمن پزشکی آمریکا (AMA)
• نرم‌افزار هوش مصنوعی و یادگیری ماشین به‌عنوان دستگاه پزشکی – سازمان غذا و داروی آمریکا (FDA)
• اخلاق و حکمرانی هوش مصنوعی در سلامت – سازمان جهانی بهداشت (WHO)
• پروژه‌های انفورماتیک سلامت در ایران – پایگاه داده‌های سلامت وزارت بهداشت