هر سال، اشتباهات تشخیص پزشکی بر سلامت میلیون‌ها انسان تأثیر می‌گذارد و میلیاردها دلار هزینه دارد. فناوری‌های یادگیری ماشینی می‌توانند به شناسایی الگوهای پنهان یا پیچیده در داده‌های تشخیصی برای تشخیص زودهنگام بیماری‌ها و بهبود درمان کمک کنند. ما چنین فناوری‌هایی را در حال استفاده و توسعه شناسایی کردیم، از جمله برخی که با یادگیری از داده‌های جدید، دقت خود را بهبود می بخشند. اما توسعه و به کارگیری این فناوری ها دارای چالش‌هایی مانند نیاز به نشان دادن عملکرد واقعی در محیط‌های بالینی متنوع است. بهبود دسترسی به داده‌ها و همکاری – ممکن است به رفع چالش‌ها کمک کند.

چندین فناوری یادگیری ماشین (ML) برای کمک به فرآیند تشخیص در دسترس هستند. مزایای حاصل شامل تشخیص زودهنگام بیماری‌ها است. تجزیه و تحلیل سازگارتر داده‌های پزشکی؛ و افزایش دسترسی به مراقبت، به ویژه برای جمعیت‌های محروم. با این حال، این فناوری های ML عموماً به طور گسترده مورد استفاده قرار نگرفته اند.

محققان بخش آکادمیک، دولتی و خصوصی در حال کار برای گسترش قابلیت‌های فناوری‌های تشخیصی پزشکی مبتنی بر ML هستند. علاوه بر این، سه رویکرد نوظهور گسترده‌تر را شناسایی کردیم – تشخیص خودکار، تطبیقی و مصرف‌گرا – که می‌توانند برای تشخیص انواع بیماری‌ها اعمال شوند. این پیشرفت‌ها می‌تواند توانایی‌های متخصصان پزشکی را افزایش داده و درمان بیماران را بهبود بخشد، اما محدودیت‌های خاصی نیز دارد. برای مثال، فناوری‌های تطبیقی ممکن است با ترکیب داده‌های اضافی برای به‌روزرسانی خود، دقت را بهبود بخشند، اما ترکیب خودکار داده‌های با کیفیت پایین، ممکن است منجر به عملکرد الگوریتمی ناسازگار یا ضعیف‌تر شود.

ما چندین چالش موثر بر توسعه و پذیرش  (Machine Learning) ML در تشخیص پزشکی را شناسایی کردیم:

• نشان دادن عملکرد دنیای واقعی در تنظیمات بالینی مختلف و در مطالعات دقیق.
• برآوردن نیازهای بالینی، مانند توسعه فناوری هایی که در جریان کار بالینی ادغام می شوند.
• پرداختن به شکاف های نظارتی، مانند ارائه راهنمایی روشن برای توسعه الگوریتم های تطبیقی.

این چالش ها بر ذینفعان مختلف از جمله توسعه دهندگان فناوری، ارائه دهندگان پزشکی و بیماران تأثیر می‌گذارد و ممکن است توسعه و پذیرش این فناوری‌ها را کند، کند.

می‌توان با گزینه‌هایی به رفع این چالش‌ها یا افزایش مزایای فناوری‌های تشخیصی  ML کمک کرد. این گزینه‌های سیاستی، اقدامات احتمالی سیاست‌گذاران را شناسایی می‌کنند که شامل کنگره، آژانس‌های فدرال، دولت‌های ایالتی و محلی، مؤسسات دانشگاهی و تحقیقاتی و صنعت می‌شود.

گزارش ارزیابی

سیاست‌گذاران می‌توانند مشوق‌ها، راهنمایی‌ها یا سیاست‌هایی برای تشویق یا نیاز به ارزیابی فناوری‌های تشخیصی ML در طیف وسیعی از شرایط استقرار و جمعیت‌شناسی نماینده استفاده مورد نظر ایجاد کنند. این گزینه، می تواند به رفع چالش نمایش عملکرد در دنیای واقعی کمک کند.

فرصت‌ها:

• ذینفعان می‌توانند عملکرد این فناوری‌ها را در شرایط مختلف، بهتر درک کنند و به شناسایی سوگیری‌ها، محدودیت‌ها و فرصت‌های بهبود کمک کنند.
• می تواند تصمیمات پذیرش ارائه دهندگان را آگاه کند، که به طور بالقوه با افزایش اعتماد منجر به افزایش پذیرش می شود.
• اطلاعات حاصل از ارزیابی‌ها می‌تواند به اطلاع‌رسانی تصمیمات سیاست‌گذاران، مانند تصمیم‌گیری در مورد الزامات نظارتی کمک کند.

ملاحظات:

• ممکن است زمان بر باشد، که می‌تواند حرکت این فناوری‌ها را به بازار به تأخیر بیندازد و به طور بالقوه بر بیماران و متخصصانی که می‌توانند از این فناوری‌ها بهره مند شوند تأثیر بگذارد.
• ارزیابی دقیق‌تر احتمالاً منجر به هزینه‌های اضافی، مانند هزینه های مستقیم برای تأمین مالی مطالعات می شود. به گفته مقامات این صنعت، اگر توسعه دهندگان بتوانند محصولاتشان را به صورت منفی نشان دهند، ممکن است انگیزه ای برای انجام این ارزیابی ها نداشته باشند، بنابراین سیاست گذاران می توانند بررسی کنند که آیا ارزیابی ها باید توسط طرف‌های مستقل انجام شود یا بازبینی شود.

دسترسی به داده‌ها

سیاست گذاران می‌توانند برای توسعه و تست فناوری‌های تشخیصی پزشکی مبتنی بر  یادگیری ماشین ML، دسترسی به داده های پزشکی با کیفیت بالا را گسترش دهند. به عنوان مثال می توان به استانداردهایی برای جمع آوری و به اشتراک گذاری داده ها، ایجاد داده های مشترک، یا استفاده از مشوق ها برای تشویق به اشتراک گذاری داده ها اشاره کرد.

این گزینه، می‌تواند به رفع چالش نمایش عملکرد در دنیای واقعی کمک کند.

فرصت‌ها:

• توسعه یا گسترش دسترسی به مجموعه داده‌های با کیفیت بالا می‌تواند به تسهیل آموزش و آزمایش فناوری‌های (Machine Learning) ML در شرایط مختلف و معرف کمک کند. این می تواند عملکرد فناوری ها و قابلیت تعمیم را بهبود بخشد، به توسعه دهندگان کمک کند عملکرد و زمینه های بهبود آنها را درک کنند و به ایجاد اعتماد و پذیرش در این فناوری ها کمک کند.
• گسترش دسترسی می‌تواند توسعه دهندگان را قادر سازد تا در زمان فرآیند توسعه صرفه جویی کنند، که می‌تواند زمان در دسترس بودن این فناوری‌ها را برای پذیرش کوتاه کند.

ملاحظات:

• نهادهایی که دارای داده‌ها هستند ممکن است به دلایلی تمایلی به اشتراک‌گذاری آنها نداشته باشند. به عنوان مثال، این نهادها ممکن است داده های خود را ارزشمند یا اختصاصی در نظر بگیرند. برخی از نهادها نیز ممکن است نگران حریم خصوصی بیماران خود و استفاده مورد نظر و امنیت داده های خود باشند.
• مکانیسم‌های اشتراک‌گذاری داده‌ها بسته به کیفیت و قابلیت همکاری این داده‌ها ممکن است برای محققان و توسعه‌دهندگان کاربرد محدودی داشته باشد، و نگهداری و ذخیره داده‌ها ممکن است گران باشد و ممکن است به منابع عمومی و خصوصی نیاز داشته باشد.

همکاری

سیاست گذاران می توانند همکاری بین توسعه دهندگان، ارائه دهندگان و تنظیم کننده ها را در توسعه و پذیرش فناوری های تشخیصی (Machine Learning) ML ترویج دهند. به عنوان مثال، سیاست گذاران می‌توانند کارشناسان چند رشته ای را در طراحی و توسعه این فناوری‌ها از طریق کارگاه ها و کنفرانس ها گرد هم بیاورند.

این گزینه، می‌تواند به رفع چالش‌های مربوط به رفع نیازهای پزشکی و رسیدگی به شکاف‌های نظارتی کمک کند.

فرصت‌ها:

• همکاری بین توسعه دهندگان و ارائه دهندگان (Machine Learning) ML می‌تواند به اطمینان حاصل شود که فناوری‌ها، نیازهای بالینی را برآورده می کنند. برای مثال، همکاری بین توسعه‌دهندگان و متخصصان پزشکی می‌تواند به توسعه‌دهندگان کمک کند تا فناوری‌های ML را ایجاد کنند که در جریان کار متخصصان پزشکی ادغام می‌شود و زمان، تلاش و اختلال را به حداقل می‌رساند.
• به گفته مقامات (National Institutes of Health) NIH، همکاری بین توسعه دهندگان و ارائه دهندگان پزشکی می تواند به ایجاد و دسترسی به داده های آماده ML کمک کند.

ملاحظات:

• اگر توسعه دهندگان فقط در تنظیمات خاص با ارائه دهندگان همکاری کنند، ممکن است فناوری های آنها در طیف وسیعی از شرایط و تنظیمات، مانند انواع مختلف بیماران یا سیستم های فناوری، قابل استفاده نباشد.
• همانطور که قبلاً گزارش شد، ممکن است ارائه دهندگان زمان برای همکاری با توسعه دهندگان و درمان بیماران نداشته باشند. با این حال، سازمان ها می توانند زمان محافظت شده ای را برای کارکنان فراهم کنند تا در فعالیت های نوآورانه مانند همکاری (collaboration) شرکت کنند.

(Machine Learning) ML، زیرشاخه ای از هوش مصنوعی، به عنوان ابزاری قدرتمند برای حل مسائل پیچیده در حوزه های مختلف، از جمله تشخیص پزشکی، پدیدار شده است. با این حال، چالش‌های توسعه و استفاده از فناوری‌های یادگیری ماشین در تشخیص پزشکی، سؤالات فنی، اقتصادی و نظارتی را مطرح می‌کند.

منبع