به گزارش ایسنا، بیش از ۲.۲ میلیارد نفر با اختلال بینایی نزدیک یا دور زندگی می‌کنند و تنها حدود یک میلیارد از این موارد تاکنون قابل پیشگیری یا درمان بوده‌اند. این یعنی میلیون‌ها نفر هنوز بینایی خود را از دست می‌دهند؛ در حالی که می‌توانستند از آن نجات یابند. در سرویس سلامت انگلستان، چشم‌پزشکی اکنون شلوغ‌ترین تخصص سرپایی است و فشار بر ملاقات با پزشک اغلب به هفته‌ها تأخیر برای بیماران منجر می‌شود.

به نقل از فوربس، «دژنراسیون ماکولا مرتبط با سن»(Macular degeneration)، علت اصلی از دست دادن بینایی در بزرگسالان مسن است. این بیماری به «لکه زرد» یا «ماکولا»(Macula) که بخشی از شبکیه برای دید دقیق و مرکزی است، آسیب می‌رساند. بنابراین، مبتلایان به این مشکل معمولا در خواندن، رانندگی یا تشخیص چهره‌ها دچار مشکل می‌شوند. نوع «مرطوب» دژنراسیون ماکولا مرتبط با سن می‌تواند به سرعت بدتر شود و اغلب قابل درمان اما نیازمند ویزیت‌های فشرده است؛ در حالی که نوع «خشک» این بیماری، کندتر اما پیوسته پیشروی می‌کند.

«دژنراسیون ماکولا مرتبط با سن»، علت اصلی از دست دادن بینایی در بزرگسالان مسن است.این گزارش برگرفته از مصاحبه اخیر «سی.ام. روبین»(C.M. Rubin) گزارشگر فوربس با پروفسور «پیرس کین»(Pearse Keane) استاد هوش مصنوعی پزشکی «کالج دانشگاهی لندن»(UCL) است که در آن بررسی شده چگونه هوش مصنوعی از کد به کلینیک منتقل می‌شود و این برای بیماران در حال حاضر و طی چند سال آینده چه معنایی دارد.

چرا یک بیمار چشمی باید به این موضوع اهمیت دهد؟ زیرا هوش مصنوعی، مراقبت از چشم را سریع‌تر، ساده‌تر و نزدیک‌تر می‌کند. هوش مصنوعی می‌تواند در طول یک ویزیت منظم، پاسخ بله/خیر ارائه دهد که به معنای کاهش ملاقات‌های اضافی است، به پزشک شما کمک کند تا تغییرات را زودتر تشخیص دهد که به معنای درمان به موقع است و در برخی موارد، امکان نظارت از خانه را فراهم کند که به معنای کاهش تزریق‌ها یا سفرها بدون به خطر انداختن بینایی است.

هدف این نیست که جایگزین متخصص خود شوید، بلکه این است که مراقبت مناسب در لحظه و با دردسر کمتر ارائه شود.

وقتی کد با کلینیک ملاقات می‌کند

کین گفت: حقیقت تلخ این است که مردم به دلیل تأخیرها در حال از دست دادن بینایی خود هستند.

کین به راه‌اندازی برنامه‌ «مورفیلدز-دیپ‌مایند»(Moorfields–DeepMind) کمک کرد که نشان داد یک سیستم هوش مصنوعی می‌تواند تحلیل‌هایی را از اسکن‌های «مقطع‌نگاری همدوسی اپتیکی»(OCT) در سطح تخصصی طی یک مسیر بالینی واقعی ارائه دهد و یک نقطه عطف پژوهشی را به یک طرح بالینی تبدیل کند. کین بعداً به طور مشترک به سرپرستی پروژه «اینسایت»(INSIGHT) پرداخت که اکنون بزرگترین منبع زیستی چشم‌پزشکی جهان با بیش از ۳۵ میلیون تصویر چشم مرتبط با نتایج است.

واضح‌ترین اثبات «کد به کلینیک» در حال حاضر هوش مصنوعی خودکار برای غربالگری «رتینوپاتی دیابتی»(Diabetic retinopathy) است. دکتر «مایکل دی. آبراموف»(Michael D. Abràmoff) پژوهشگر «دانشگاه آیووا»(UIowa) و بنیان‌گذار شرکت «دیجیتال دیاگنوستیگس»(Digital Diagnostics) در سال ۲۰۱۸ اولین هوش مصنوعی پزشکی خودکار مورد تایید مجوز «De Novo» صادره از «سازمان غذا و داروی آمریکا»(FDA) را سرپرستی کرد.

نکته مهم این است که این هوش مصنوعی، تشخیص در محل و مراقبت‌های اولیه را امکان‌پذیر می‌کند. به زبان ساده، هوش مصنوعی خودکار تصمیم بالینی را می‌گیرد و مسئولیت را بر عهده دارد. بنابراین، می‌تواند در کنار بیمار حضور یابد و از پزشک مسئول پشتیبانی ‌کند. زمان غربالگری تا پیگیری تخصصی در برنامه‌های واقعی از یک تا دو ماه به سه تا پنج روز کاهش یافته است و کلینیک‌ها به معیارهای کیفیت برتر در سطح ملی رسیده‌اند.

مقیاس جمعیتی؛ راهنمای ملی غربالگری چشم در سنگاپور

«دنیل تینگ»(Daniel Ting) دانشیار «مرکز ملی چشم سنگاپور»(SNEC) با نگاهی به برنامه ملی این کشور برای رتینوپاتی دیابتی، فرمولی را توصیف کرد که مقیاس‌پذیر است.

۱. مسیرهای ارجاع توسط مراقبت‌های اولیه و چشم‌پزشکی به طور مشترک طراحی شدند و بیمارانی که توسط هوش مصنوعی علامت‌گذاری شده بودند، به سطح مراقبت مناسب هدایت شدند. بدین ترتیب، از ارجاعات غیرضروری به مراکز درمانی سطح سوم جلوگیری شد و پزشکان خط مقدم در دسترس ماندند.

۲. یک پلتفرم ملی چشم‌پزشکی از راه دور، دوربین‌های فوندوس و سوابق پزشکی الکترونیکی را به هم متصل کرد. بدین ترتیب، عکس گرفته‌شده در یک کلینیک محلی در عرض چند دقیقه قابل آپلود، تحلیل و گزارش شد.

۳. سنگاپور یک مدل عملیاتی «اول هوش مصنوعی، دوم متخصص» را به کار گرفت. در این مدل، الگوریتم‌ها هر عکس را بررسی می‌کنند و فقط موارد نامشخص یا مثبت را به ارزیابی انسانی ارجاع می‌دهند.

حفظ امنیت یک سیستم سراسری به چیزی بیش از نیت نیاز داشت. تینگ به استانداردهای گزارش‌دهی STARD-AI و DECIDE-AI که او در پیشبرد آنها نقش داشت، به عنوان محافظ‌هایی اشاره کرد که عملکرد امیدوارکننده را به عملکرد بالینی اثبات‌شده تبدیل می‌کنند. در واقع، این به معنای گزارش‌دهی شفاف مجموعه داده‌ها، نتایج عملکرد شفاف زیرگروه‌ها، ارزیابی‌های اولیه در کلینیک و نظارت مداوم بر تغییرات در دستگاه‌ها و جمعیت‌ها با تنظیم مجدد پیش از افزایش مقیاس در صورت افت عملکرد است.

استدلال تینگ این است که معیار اصلی بعدی برای وزارتخانه‌های بهداشت اصلاً امتیاز دقت آزمایشگاه نیست، بلکه صرفه‌جویی در هزینه است. شواهدی وجود دارد که نشان می‌دهد غربالگری با هوش مصنوعی، زمان انجام دادن آزمایش را کوتاه می‌کند، دقت ارجاع را بهبود می‌بخشد و ویزیت‌های قابل اجتناب را کاهش می‌دهد.

ترکیب درمان‌ها با دقت هوش مصنوعی

دکتر «تونگالپ تزل»(Tongalp Tezel) پژوهشگر «دانشگاه کلمبیا»(Columbia University) نوع مرطوب دژنراسیون ماکولا مرتبط با سن را درمان می‌کند و مدیریت آزمایشگاهی را بر عهده دارد که درمان‌های مبتنی بر ژن و سلول را پیش می‌برد. دیدگاه کوتاه‌مدت او که عملی به نظر می‌رسد، استفاده از مقطع‌نگاری همدوسی اپتیکی یکپارچه‌سازی‌شده با هوش مصنوعی برای شخصی‌سازی برنامه‌های تزریق و جفت کردن نوع خانگی مقطع‌نگاری همدوسی اپتیکی با تریاژ هوش مصنوعی است تا کلینیک‌ها زمان‌بندی بهتری را برای ویزیت‌ها و تزریق‌ها داشته باشند.

قانون مراقبت این است که هوش مصنوعی، تغییر را تشخیص می‌دهد و متخصص شبکیه تصمیم می‌گیرد.در گزارش‌های اولیه مشخص شد برنامه‌های نظارت خانگی در حدود ۴۲ درصد موارد از تزریق‌های غیر ضروری جلوگیری کرده‌اند و در حدود ۳۵ درصد موارد به مداخله زودهنگام انجامیده‌اند. این نشان می‌دهد که نظارت هوشمندانه‌تر می‌تواند بدون آسیب رساندن به بینایی، بار بیماری را کاهش دهد.

تزل تأکید دارد که شواهد به‌دست‌آمده، بالینی هستند و آزمایش‌های تصادفی فاز ۳ احتمالا نتایج بهتری را برای بینایی نشان خواهند داد. او با نگاهی به دو تا پنج سال آینده انتظار دارد هوش مصنوعی با استفاده از ویژگی‌های مقطع‌نگاری همدوسی اپتیکی به بهبود نتایج کمک کند.

قانون مراقبت این است که هوش مصنوعی، تغییر را تشخیص می‌دهد و متخصص شبکیه تصمیم می‌گیرد. برای حفظ ایمنی و عدالت در این امر، آموزش/اعتبارسنجی باید جمعیت‌ها و دستگاه‌های متنوعی را در بر بگیرد و با افزایش پذیرش، خطای دنیای واقعی و عملکرد زیرگروه‌ها نیز بررسی شود.

از آموزش مقدماتی تا ایمنی بیمار

دکتر «آلن کارتیکسالینگام»(Alan Karthikesalingam) از شرکت «دیپ‌مایند»(DeepMind) زیرمجموعه «گوگل»(Google) گفت: مدل‌های بنیادین و چندوجهی، مسیرهای جدیدی را می‌گشایند. این مسیرها شامل مواردی مانند کمک به پزشکان در استدلال بالینی، ارائه اطلاعات واضح‌تر به بیماران و فعال کردن تعامل زبان طبیعی با پیش‌بینی‌های مدل است. تطبیق این قابلیت‌ها با مراقبت‌های بالینی پرخطر و تضمین ایمنی و تعمیم آنها همچنان در دست اقدام است.

در حوزه پژوهش، یک مدل بنیادین به نام «RETFound» که روی حدود ۱.۶ میلیون تصویر شبکیه آموزش دیده و برای پژوهش‌های غیرتجاری منتشر شده است، نشان می‌دهد که چرا شعار «یک بار پیش‌آموزش، چندین بار تطبیق» اهمیت دارد. این رویکرد به معنای برچسب‌های کمتر برای تنظیم دقیق، استحکام بیشتر در دستگاه‌ها و حساسیت بالقوه نسبت به سیگنال‌های بیماری‌های نادر است که مجموعه داده‌های کوچکتر معمولا آنها را از دست می‌دهند. با فراتر رفتن سیستم‌های بهداشتی از طرح‌های آزمایشی، دوام متقابل سخت‌افزاری به همراه نظارت بر عملکرد زنده از الزامات اولیه خواهد بود.

انتهای پیام