ویراستار عزیز،
دکتر متیو مقاله بسیار قانع کننده ای در مورد استفاده بالقوه هوش مصنوعی در خودکارسازی تریاژ در مراقبت های اولیه می نویسد. تریاژ موثر یک کار بسیار پیچیده است که به تجربه بالینی زیادی نیاز دارد تا اطمینان حاصل شود که بیماران به بهترین تیم مراقبت های بهداشتی برای رفع نیازهای سلامتی آنها علامت داده می شوند. بنابراین جای تعجب نیست که پزشکان مجرب برای تریاژ در مراقبت های اولیه مناسب تر باشند. هر فن‌آوری موثر هوش مصنوعی به آموزش و آزمایش زیادی نیاز دارد تا بتوان آن‌قدر ایمن تلقی شود که در تریاژ علائم بیمار به کار گرفته شود.
با این حال، من نقش های نوظهور دیگری را برای هوش مصنوعی در مراقبت های اولیه می بینم. سوابق مراقبت های اولیه که قبلاً در قالب الکترونیکی هستند، برای پزشک عمومی که با بیمار آشنا نیست، می تواند متنوع و طاقت فرسا باشد. من نقشی را برای یادگیری ماشینی و پردازش زبان طبیعی در تولید خلاصه‌های پزشکی تحلیلی مختصر و روشنگرانه می‌بینم که با علائم خاصی که بیمار با آن نشان می‌دهد سازگار است. این امر می‌تواند میزان زمان صرف شده برای غربال کردن سال‌ها سوابق پزشکی و همچنین کاهش خطاهای ناشی از از دست دادن اطلاعات کلیدی مرتبط با مدیریت بیمار را به شدت کاهش دهد.
ما شاهد استفاده از موتورهای توصیه توسط غول های شرکتی مانند آمازون و نتفلیکس هستیم که خرید آنلاین را متحول کرده است. در مراقبت های اولیه، موتورهای توصیه ممکن است نقش های مختلفی از جمله توصیه هایی از دستورالعمل های بالینی و بر اساس سن، مشخصات خطر یا تصمیمات بالینی قبلی داشته باشند. به عنوان مثال، به بیمارانی که به داروهای خط اول و دوم آلرژی دارند، ممکن است داروهای خط سوم ارائه شود. این می تواند در خودکارسازی نسخه های تکراری که پزشکان عمومی به طور معمول هنگام بررسی بیماران انجام می دهند مفید باشد.
از هوش مصنوعی می توان در تشخیص زودهنگام بیماری ها از طریق مدل سازی پیش بینی کننده استفاده کرد. داده‌های زیادی در پرونده‌های الکترونیکی وجود دارد که می‌تواند توسط Al در پیش‌بینی افراد در معرض خطر بالاتر ابتلا به بیماری‌های خاص استفاده شود. قالب‌های داده‌ها می‌توانند از کدهای عددی، متنی، بالینی، اختصارات و غیره متغیر باشند. برخی از این مدل‌سازی پیش‌بینی‌کننده در حال حاضر با ابتکاراتی مانند الگوریتم QRISK در حال انجام است، اما واقعاً باید خودکار و کاملاً با نرم‌افزارهای سوابق بالینی مانند EMIS و systmOne یکپارچه شود. . مدل های پیش بینی مشابه در شناسایی گروه های پرخطر و هدف قرار دادن آنها برای مداخلات پیشگیرانه مفید ثابت شده اند [1]. یک مقاله دقیق تر در مورد کاربردهای هوش مصنوعی در مراقبت های اولیه را می توان در اینجا یافت [2].
در مجموع، من احساس می‌کنم وقتی صحبت از پتانسیل هوش مصنوعی در مراقبت‌های اولیه می‌شود، به سختی سطح را خراشیده‌ایم. با اشاره به اعلام اخیر سرمایه گذاری 3.4 میلیارد پوندی توسط جرمی هانت، امیدوارم پزشکان عمومی تشویق شوند در پروژه های نوآورانه شرکت کنند که می تواند هوش مصنوعی را به عنوان مکملی برای تصمیم گیری بالینی تبدیل کند.
منابع
1. Adedeji O Majekodunmi 1، Claire Thorne، Ruslan Malyuta، Alla Volokha، Robin E Callard، Nigel J Klein، Joanna Lewis; گروه مطالعه اروپایی HIV/HCV همزمان عفونت کودکان در همکاری گروهی اروپایی HIV/HIV در بارداری و کودکان و مطالعه کوهورت HIV کودکان اوکراین در EuroCoord
مدل‌سازی بازیابی سلول‌های CD4 T در کودکان مبتلا به هپاتیت C و HIV که درمان ضد رتروویروسی دریافت می‌کنند، Pediatr Infect Dis J. 2017 May;36(5):e123-e129. doi: 10.1097/INF.0000000000001478
2. Adedeji Majekodunmi،. هوش مصنوعی: تاثیر فعلی و آینده بر روی عملکرد عمومی InnovAiT، سپتامبر 2017، جلد 14، شماره 12، https://doi.org/10.1177/17557380211045101