Intelligent Healthcare: AI and Machine Learning in Diagnosis, Precision Medicine, and the Pursuit of Explainable, Trustworthy Clinical Systems

تنتج المستشفيات اليوم كميات هائلة من المعلومات. ففي كل مرة يدخل فيها مريض، يتم إنشاء سجل، أو إجراء فحص، أو إجراء اختبار دم. وتتضمن هذه البيانات صوراً لداخل الجسم، وقوائم بالأدوية، وملاحظات كتبها الأطباء، وحتى تدفقات من الأرقام من أجهزة مراقبة القلب. لعقود من الزمن، كان الخبراء البشريون هم الوحيدين القادرين على فرز هذه المعلومات للعثور على أنماط تشير إلى المرض أو تتنبأ بمشاكل صحية مستقبلية. لكن حجم البيانات نما بشكل كبير لدرجة أن المراجعة اليدوية لم تعد كافية. وهنا يأتي دور الذكاء الاصطناعي؛ وهي أنظمة حاسوبية صُممت لتتعلم من الأمثلة بدلاً من اتباع مجموعة ثابتة من القواعد. يمكن تدريب هذه الأنظمة للتعرف على ورم في صورة أشعة سينية تماماً كما يفعل طبيب الأشعة، أو لرصد تغيير طفيف في تاريخ المريض يشير إلى قرب حدوث نوبة قلبية. والوعد هنا هو أن هذه الأدوات يمكن أن تساعد الأطباء على الرؤية بوضوح أكبر والتحرك بشكل أسرع. ومع ذلك، يظل السؤال قائماً: هل يمكن الوثوق بهذه الأنظمة بما يكفي لاستخدامها في مستشفيات حقيقية، حيث قد تكلف الغلطة حياة إنسان؟

تتناول مراجعة حديثة أجراها الباحثون إيكتا ر. كانيريا، وماوليك ك. شاه، وكريشنا هـ. ساباريا، تحديداً أين تقف هذه التقنيات اليوم. لم يجرِ المؤلفون تجربة جديدة على المرضى، بل قاموا بجمع وتحليل مئات الدراسات والتقارير الموجودة من السنوات القليلة الماضية. كان هدفهم هو الفصل بين التجارب المختبرية التي تبدو جيدة على الورق وبين الأنظمة التي تم اختبارها بالفعل في بيئات طبية واقعية. لقد نظروا في خمسة مجالات محددة يُستخدم فيها الذكاء الاصطناعي: التصوير الطبي، والسجلات الصحية الإلكترونية، واكتشاف الأدوية، والطب الدقيق، والمراقبة عن بعد للمرضى. وما وجدوه هو مجال في مرحلة انتقالية. فالتقنية قوية بلا شك وقد أظهرت بالفعل قدرتها على تحسين التشخيص والتنبؤ بالمخاطر بشكل أفضل من الطرق التقليدية في حالات عديدة. ومع ذلك، فإن الطريق نحو الاستخدام الواسع والموثوق مسدود بعقبات كبيرة، بما في ذلك المخاوف بشأن الخصوصية، وصعوبة فهم كيفية توصل الحاسوب إلى استنتاجاته، وخطر أن تعمل هذه الأنظمة بشكل جيد مع بعض الناس بينما تفشل مع آخرين.

في مجال التصوير الطبي، مثل الأشعة السينية والأشعة المقطعية، حققت التكنولوجيا التقدم الأكثر وضوحاً. وأشار الباحثون إلى أن أنظمة التعلم العميق، وهي نوع من الذكاء الاصطناعي يحاكي الدماغ البشري، أصبحت بارعة للغاية في رصد الأمراض في الصور. فعلى سبيل المثال، يمكن لهذه الأنظمة الآن تحديد سرطان الثدي في صور الماموجرام أو اكتشاف أورام الدماغ بدقة عالية. وخلال الجائحة العالمية، تم نشر هذه الأدوات بسرعة للمساعدة في التمييز بين أنواع مختلفة من الالتهاب الرئوي في صور الصدر. وتظهر الدراسات أنه عندما تُختبر هذه الأنظمة على صور مختارة بعناية وموجودة مسبقاً، يمكنها تحقيق معدلات دقة تتجاوز تسعة وتسعين بالمائة. ومع ذلك، تسلط المراجعة الضوء على فجوة حرجة؛ فالنظام الذي يعمل بشكل مثالي في اختبار محكوم ليس بالضرورة جاهزاً للعمل في مستشفى مزدحم. في الاستخدام السريري الحقيقي، تكون الأدوات الأكثر نجاحاً هي تلك التي تبقي الطبيب البشري في الحلقة. قد يحدد الحاسوب بقعة مشبوهة، ولكن يجب على طبيب الأشعة مراجعة الصورة والمصادقة على النتيجة قبل أن تصبح جزءاً من سجل المريض. وتظل الرقابة البشرية ضرورية لأن الحاسوب يمكن خداعه بالاختلافات في المعدات أو في مجموعات المرضى التي لم يسبق له رؤيتها.

بعيداً عن الصور، يُطبق الذكاء الاصطناعي أيضاً على السجلات الضخمة، وغالباً ما تكون غير منظمة، لتاريخ المرضى المعروفة بالسجلات الصحية الإلكترونية. تحتوي هذه السجلات على مزيج من نتائج المختبر، وقوائم الأدوية، وملاحظات الأطباء المكتوبة بخط اليد. ووجد الباحثون أن نماذج تعلم الآلة يمكنها فحص هذه البيانات للتنبؤ بحالات خطيرة مثل أمراض القلب أو تعفن الدم (الإنتان)، وهو رد فعل مهدد للحياة تجاه العدوى. وفي مراجعة رئيسية لعشرين دراسة، أظهرت هذه النماذج الحاسوبية أنها أفضل في تحديد المرضى المعرضين لخطر الإصابة بأمراض القلب من طرق التقييم القياسية التي يستخدمها الأطباء حالياً. وبالمثل، فإن الأنظمة التي تراقب السجلات المستشفيات باستمرار يمكنها تنبيه الطاقم إلى العلامات المبكرة لتعفن الدم، مما قد يساعد في رصد الحالة قبل أن تصبح حرجة. كما تُستخدم التكنولوجيا للتنبؤ بردود الفعل العكسية للأدوية أو لتحديد المرضى المعرضين لخطر السقوط. ومع ذلك، يشير المؤلفون إلى أنه بينما تظهر هذه النماذج أداءً قوياً في الأوراق البحثية، فإنها غالباً ما تواجه صعوبات عند انتقالها إلى مستشفى آخر. فالنموذج الذي تدرب على بيانات من مدينة معينة قد يفشل في مدينة أخرى لأن طريقة كتابة الأطباء للملاحظات أو نوع المعدات المستخدمة قد تختلف بشكل كبير. وهذا النقص في الموثوقية خارج بيئة الاختبار الأصلية يعد عائقاً رئيسياً أمام الثقة.

يمتد تأثير هذه التقنيات إلى المختبر، حيث تعمل على تسريع عملية اكتشاف أدوية جديدة. إن العملية التقليدية لإيجاد دواء جديد تستغرق أكثر من عقد من الزمن وتكلف مليارات الدولارات، مع فشل معظم المركبات المرشحة في منتصف الطريق. ويساعد الذكاء الاصطناعي الآن في تقصير هذا الجدول الزمني من خلال التنبؤ بكيفية تفاعل الجزيئات المختلفة مع الجسم. لاحظ الباحثون أن هذه الأدوات يمكنها تصميم مرشحات دوائية جديدة تماماً من الصفر، بدلاً من مجرد فحص المكتبات الكيميائية الموجودة. بل يمكن لبعض الأنظمة محاكاة كيفية تسبب الدواء في آثار جانبية قبل اختباره على حيوان. ورغم هذا الوعد، تحذر المراجعة من أن النجاح الحسابي لا يضمن الواقع البيولوجي؛ فالمُركب الذي يبدو مثالياً على شاشة الحاسوب غالباً ما يفشل عند اختباره في كائن حي. إن جزءاً صغيراً فقط من أعمال اكتشاف الأدوية المنشورة في المجلات العلمية يصل بالفعل إلى مرحلة التحقق في الحيوانات، مما يذكرنا بأن الفجوة بين المحاكاة الرقمية والدواء الفعال لا تزال واسعة.

في مجال الطب الدقيق، الهدف هو الابتعاد عن علاج جميع المرضى بنفس الطريقة، وبدلاً من ذلك تخصيص العلاجات لتناسب التركيبة الجينية والجزيئية لكل فرد. والذكاء الاصطناعي هو المحرك الذي يجعل هذا ممكناً، حيث يمكنه الجمع بين البيانات من تسلسل الحمض النووي، والصور الطبية، والسجلات الصحية لإنشاء صورة كاملة للمريض. وسلط الباحثون الضوء على أمثلة تساعد فيها هذه الأنظمة في تحديد الاضطرابات الجينية النادرة من الصور الفوتوغرافية للوجه، أو مطابقة مرضى السرطان مع العلاجات بناءً على ملفهم الجزيئي الفريد. ومع ذلك، يبرز قلق خطير فيما يتعلق بالعدالة؛ فقد جاءت البيانات المستخدمة لتدريب هذه الأنظمة تاريخياً من أشخاص من أصول أوروبية في الغالب. ونتيجة لذلك، قد تنتج النماذج نتائج أقل دقة للمرضى من خلفيات أخرى، مما قد يؤدي إلى تفاقم التفاوتات الصحية. ويؤكد المؤلفون أن هذه ليست مجرد مشكلة تقنية يمكن حلها بـ "رياضيات أفضل"، بل هي مشكلة بيانات تتطلب جمع معلومات أكثر تنوعاً من الفئات غير الممثلة.

أخيراً، تنظر المراجعة في مراقبة المرضى عن بعد، حيث تتبع الأجهزة القابلة للارتداء بيانات الصحة مثل معدل ضربات القلب ومستويات الأكسجين خارج المستشفى. ويقوم الذكاء الاصطناعي بتحليل هذا التدفق المستمر من المعلومات للكشف عن علامات التدهور المبكرة. ففي حالات رعاية فشل القلب، على سبيل المثال، يمكن لهذه الأنظمة تنبيه الأطباء إلى التغييرات التي قد تمنع دخول المستشفى. وقد وافقت إدارة الغذاء والدواء الأمريكية بالفعل على عشرات من أجهزة المراقبة المدعومة بالذكاء الاصطناعي، مما يشير إلى أن هذا المجال متقدم أكثر من غيره من حيث التنظيم. ومع ذلك، يشير الباحثون إلى أن هذه الأنظمة يجب أن تُصمم بعناية لتجنب إزعاج الأطباء بالكثير من الإنذارات الكاذبة، وهي مشكلة تُعرف باسم "إجهاد التنبيه". فإذا أطلق النظام الإنذار بشكل متكرر جداً، فقد يبدأ الأطباء في تجاهله، مما يبطل الغرض منه.

على الرغم من هذه النجاحات، يحدد الباحثون عدة تحديات عميقة يجب حلها قبل أن يصبح الذكاء الاصطناعي جزءاً قياسياً من الرعاية الطبية. إحدى أكبر المشكلات هي الخصوصية؛ فهذه الأنظمة تتطلب الوصول إلى بيانات المرضى الحساسة، وحتى عند تجريد البيانات من الأسماء، يمكن أحياناً إعادة تحديد الهوية. هناك أيضاً مشكلة "الصندوق الأسود"؛ فالعديد من نماذج الذكاء الاصطناዊ الأكثر قوة معقدة للغاية لدرجة أن حتى مبتكريها لا يستطيعون شرح كيفية توصلها إلى استنتاج معين. وفي الطب، حيث يمكن أن تؤدي القرارات الخاطئة إلى تشخيص خاطئ أو علاج ضار، يتردد الأطباء في الثقة بنظام لا يمكنهم فهمه. وتخلق هذه الضبابية مخاطر قانونية وأخلاقية. علاوة على ذلك، فإن القدرة الحسابية المطلوبة لتشغيل هذه الأنظمة هائلة، مما قد يترك المستشفيات الصغيرة متأخرة، غير قادرة على تحمل تكلفة التكنولوجيا اللازمة.

ولمعالجة هذه المخاوف، تشير المراجعة إلى المجال المتنامي للذكاء الاصطناعي القابل للتفسير. يهدف هذا النهج إلى جعل منطق الحاسوب مرئياً، مثل تسليط الضوء على الجزء المحدد من الأشعة السينية الذي أدى إلى التشخيص، أو سرد القيم المختبرية التي أطلقت التحذير. ووجد الباحثون أنه بينما يمكن لهذه التفسيرات أن تساعد في بناء الثقة، إلا أنها ليست حلاً مثالياً؛ فقد يقدم النظام تفسيراً واضحاً ولكنه لا يزال خاطئاً، أو قد يكون التفسير دقيقاً تقنياً ولكنه غير مفيد لطبيب مشغول. ويتضمن المسار المستقبلي مزيجاً من التنظيمات الأفضل، والبيانات الأكثر تنوعاً، وتحولاً في كيفية تصميم هذه الأدوات. إن مستقبل الذكاء الاصطناعي الطبي لا يتعلق باستبدال الأطباء، بل بخلق شراكة حيث يتولى الحاسوب معالجة البيانات الضخمة بينما يقدم الإنسان الحكم والسياق والتعاطف.

ويخلص المؤلفون إلى أنه بينما ينتقل الذكاء الاصطناعي من المختبرات التجريبية إلى الاستخدام العملي، فإن الاعتماد الموثوق يتطلب أكثر من مجرد دقة عالية. إنه يتطلب اختبارات قوية في مستشفيات مختلفة، ونماذج شفافة يمكن للأطباء فهمها، وحماية صارمة لخصوصية المريض. تمتلك هذه التكنولوجيا القدرة على تحويل الرعاية الصحية، مما يجعل التشخيصات أكثر دقة والعلاجات أكثر تخصيصاً. ولكن لكي يتحقق هذا الإمكان، يجب بناء البنية التحتية المحيطة لضمان أن تكون هذه الأنظمة عادلة وآمنة وجديرة بالثقة. ستحدد السنوات القادمة ما إذا كان المجال قادراً على التغلب على هذه العوائق لجلب فوائد الذكاء الاصطناعي لكل مريض، بغض النظر عن مكان عيشه أو خلفيته.