مطالعات جدید نشان میدهند که چتباتهای هوش مصنوعی میتوانند دقت تشخیص بالینی را در کشورهایی با منابع محدود بهبود دهند و حتی در برخی شاخصها از پزشکان آموزشدیده پیشی بگیرند.
به گزارش سرویس فناوری تکناک، این مطالعات در رواندا و پاکستان انجام شد؛ کشورهایی که در آنها دسترسی به پزشکان محدود، بار بیماران سنگین و سیستمهای بهداشتی با محدودیتهای قابل توجهی مواجه هستند.
برای مطالعه بیشتر: چت بات Claude خطاهای صورتحساب پزشکی را شناسایی می کند
در رواندا، LLMها برای پاسخ به سوالات بالینی کارکنان بهداشت ارزیابی شدند؛ افرادی که اغلب اولین نقطه تماس بیماران با سیستم درمانی هستند. پاسخهای پنج مدل مختلف با پاسخهای پزشکان محلی برای حدود ۵۰۰ سوال پزشکی رایج مقایسه شد و در ۱۱ شاخص کلیدی (از جمله دقت، هماهنگی با اجماع پزشکی، درک پرسشهای بیماران و کاهش خطر آسیب) هوش مصنوعی به طور مستمر برتری داشت. همچنین این مدلها توانستند پاسخهای قابل اعتماد را به زبان ملی کشور، یعنی کینیارواندا ارائه کنند و انعطافپذیری خود را در بسترهای محلی اثبات نمایند. پژوهشگران تاکید کردند که هزینه هر پاسخ مدل کمتر از نیم سنت است، در حالی که پاسخ پزشکان بین ۳.۸ تا ۵.۴۳ دلار برآورد شد و دسترسی به آنها محدود به زمان اداری بود؛ در مقابل، مدلها به صورت ۲۴ ساعته در دسترس هستند و پشتیبانی مداوم و مقرونبهصرفهای برای کارکنان بهداشت فراهم میکنند.
حتما بخوانید: هشدار پزشکان: هوش مصنوعی رابطهای سلامت روان کاربران را به خطر میاندازد
قدرت تشخیص بالینی هوش مصنوعی
در پاکستان، یک آزمایش تصادفی کنترلشده بررسی کرد که آیا مدلهای زبانی بزرگ (LLM) میتوانند به پزشکان در تشخیص بیماری با دقت بالاتر کمک کنند یا خیر. پنجاهوهشت پزشک مجاز، ۲۰ ساعت آموزش در زمینه استفاده ایمن و نقادانه از چتباتهای هوش مصنوعی دریافت کردند. پزشکان دارای دسترسی به GPT‑4o میانگین نمره استدلال تشخیصی ۷۱ درصد کسب کردند، در حالی که پزشکانی که از منابع سنتی مانند PubMed یا جستوجوی اینترنت استفاده کردند، میانگین ۴۳ درصد داشتند. تحلیل ثانویه نشان داد که در برخی سناریوها، تشخیص بالینی هوش مصنوعی به تنهایی عملکرد بهتری نسبت به پزشکانی داشت که از آن استفاده میکردند، اگرچه در ۳۱ درصد موارد و بیشتر در موقعیتهایی که «نشانههای هشداردهنده» زمینهای مطرح بود، پزشکان بر مدل پیشی گرفتند.
بیشتر بخوانید: همدلی هوش مصنوعی ChatGPT از پزشکان واقعی بیشتر است
کارشناسان تاکید کردند که با وجود نشان دادن پتانسیل هوش مصنوعی برای تقویت خدمات درمانی در محیطهای کممنبع، استفاده از آن نیازمند احتیاط است. نگرانیها شامل احتمال سوگیری در خروجیها، حفظ حریم خصوصی دادههای بیماران و خطر پذیرش بدون نقد توصیههای ناقص هوش مصنوعی توسط پزشکان است.
نویسندگان هر دو مطالعه منتشرشده در Nature Health تاکید کردند که LLMها باید مکمل پزشکان باشند و جایگزین آنها نشوند، همچنین آموزش کارکنان بهداشت برای استفاده موثر از فناوری حیاتی است. علاوه بر این، پژوهشگران هشدار دادند که بهبود تشخیص اولیه با هوش مصنوعی در صورتی که ظرفیت درمان افزایش نیابد، میتواند فشار بیشتری بر سیستمهای درمانی محدود وارد کند. با وجود این، یافتهها نشان میدهد که این فناوری توانایی افزایش دسترسی به مراقبت، کاهش خطاهای تشخیصی و بهبود نتایج درمانی را در مناطقی با کمبود نیروی انسانی دارد، مشروط بر آنکه ابزارها از نظر فرهنگی و زبانی با جمعیتهای هدف سازگار باشند.
