هوش بالینی

اکنون استارتاپ‌هایی مانند Bunkerhill Health، Nanox.AI و HeartLung Technologies در حال استفاده از الگوریتم‌های هوش مصنوعی برای بررسی میلیون‌ها تصویر سی‌تی‌اسکن هستند تا نشانه‌های اولیه بیماری قلبی را شناسایی کنند. این فناوری می‌تواند نقطه‌عطفی در سلامت عمومی باشد، چرا که ابزاری قدیمی را برای شناسایی بیمارانی به کار می‌گیرد که خطر بالای حمله قلبی آن‌ها در ظاهر پنهان مانده است. با این حال، این فناوری هنوز در مقیاس وسیع موردتایید نیست و پرسش‌های دشواری درباره نحوه اجرای آن و حتی تعریف ما از «بیماری» ایجاد کرده است.

سال گذشته تخمین زده شد که حدود ۲۰ میلیون آمریکایی معمولاً پس از حوادثی مانند تصادف رانندگی یا برای غربالگری سرطان ریه، تحت سی‌تی‌اسکن قفسه سینه قرار گرفتند. این تصاویر اغلب نشانه‌هایی از «کلسیفیکاسیون عروق کرونر» (coronary artery calcium – CAC) را نشان می‌دهند که شاخص خطر حمله قلبی است، اما در گزارش‌های رادیولوژی، که تمرکز آن‌ها بر تشخیص شکستگی استخوان، آسیب‌های داخلی تهدیدکننده زندگی یا سرطان است، نادیده گرفته می‌شود.

آزمایش‌های اختصاصی برای CAC هنوز روشی کمتر استفاده‌شده برای پیش‌بینی خطر حمله قلبی محسوب می‌شوند. در طول دهه‌ها، پلاک‌های موجود در شریان‌های قلب مسیر تکاملی خود را طی می‌کنند و از رسوبات غنی از چربی به کلسیم سخت‌شدن تبدیل می‌شوند. حملات قلبی نیز معمولاً زمانی رخ می‌دهند که پلاک‌های جوان‌تر و غنی از چربی به طور غیرقابل‌پیش‌بینی پاره می‌شوند و زنجیره‌ای از واکنش‌های التهابی و لخته‌سازی را آغاز می‌کنند که در نهایت جریان خون قلب را مسدود می‌کند.

پلاک‌های کلسیفیه‌شده (Calcified plaque) به‌طورکلی پایدارند، اما وجود CAC نشان می‌دهد که احتمالاً پلاک‌های جوان‌تر و مستعد پارگی نیز در بدن وجود دارند. CAC را می‌توان در بسیاری از سی‌تی‌اسکن‌های قفسه سینه مشاهده کرد و میزان آن به‌صورت کیفی قابل‌توصیف است. به طور معمول، برای محاسبه دقیق نمره یا به‌اصطلاح علمی اسکور CAC (CAC score)، باید از سی‌تی‌اسکن اختصاصی قلب استفاده شود؛ اما الگوریتم‌هایی که می‌توانند این نمره را از سی‌تی‌اسکن‌های معمولی قفسه سینه محاسبه کنند، می‌توانند دسترسی به این شاخص حیاتی را به طور چشمگیری گسترش دهند. در عمل، این الگوریتم‌ها می‌توانند به بیماران و پزشکان نسبت به نمره‌های غیرعادی هشدار دهند و آن‌ها را به پیگیری درمان ترغیب کنند.

در حال حاضر، دامنه فعالیت استارتاپ‌هایی که اسکور CAC را با کمک هوش مصنوعی استخراج می‌کنند، هنوز بزرگ نیست، اما به‌سرعت درحال‌رشد است. با گسترش استفاده از آن‌ها، این الگوریتم‌ها ممکن است بیماران در معرض خطری را شناسایی کنند که معمولاً نادیده گرفته می‌شوند یا در حاشیه نظام درمان قرار دارند.

تاریخچه استفاده از اسکن CAC نشان می‌دهد که این روش در گذشته سودمندی اندکی داشت و عمدتاً به افرادی فروخته می‌شد که استطاعت مالی انجام آن را داشتند؛ اما حتی امروز نیز بیشتر بیمه‌ها هزینه آن را پوشش نمی‌دهند. بااین‌حال، نگرش‌ها در حال تغییر است. گروه‌های تخصصی بیشتری اسکور CAC را به‌عنوان روشی برای دقیق‌تر کردن ارزیابی خطر بیماری‌های قلبی عروقی و متقاعدکردن بیماران مردد به شروع مصرف استاتین‌ها تأیید می‌کنند.

نوید اسکورهای CAC مبتنی بر هوش مصنوعی بخشی از روند گسترده‌تر استخراج داده‌های عظیم پزشکی برای شناسایی بیماری‌های پنهان است. اما با وجود جذابیت این ایده، پرسش‌های فراوانی نیز وجود دارد. برای مثال، اسکور CAC به‌عنوان ابزار غربالگری عمومی چندان مفید نبوده است. یک مطالعه در دانمارک در سال ۲۰۲۲ که برنامه‌ای مبتنی بر جمعیت را بررسی می‌کرد، نشان داد که انجام تست‌های CAC تأثیری بر نرخ مرگ‌ومیر ندارد. اگر هوش مصنوعی بتواند این اطلاعات را به‌صورت خودکار ارائه دهد، آیا نتیجه واقعاً تغییر می‌کند؟ با فراگیرشدن این فناوری، موارد ناهنجاری در اسکور CAC نیز افزایش خواهد یافت. چه کسی باید پیگیر این یافته‌ها باشد؟

به گفته «نیشیت خاندوالا» (Nishith Khandwala)، هم‌بنیان‌گذار Bunkerhill Health: «بسیاری از نظام‌های سلامت هنوز برای مدیریت گسترده یافته‌های تصادفی ازاین‌دست آماده نیستند و در نبود یک رویه استاندارد، خطر ایجاد کار بیشتر از ارزش واقعی آن وجود دارد.»

سؤال دیگر این است که آیا این اسکورهای تولیدشده توسط هوش مصنوعی واقعاً روند مراقبت از بیمار را بهبود می‌دهند یا نه؟ برای بیماری که علائم دارد، اسکور صفر CAC ممکن است احساس امنیت کاذب ایجاد کند. برای بیماری بدون علائم اما با اسکور بالای CAC، گام بعدی روشن نیست. گذشته از استاتین‌ها، مشخص نیست که آیا مصرف داروهای گران‌قیمت پایین‌آورنده کلسترول مانند Repatha یا سایر مهارکننده‌های PCSK9 برای این بیماران مفید است یا خیر. حتی ممکن است برخی از آن‌ها به انجام اقدامات درمانی غیرضروری اما پرهزینه ترغیب شوند که در نهایت زیان‌بار باشد.

در حال حاضر، محاسبه اسکور CAC با کمک هوش مصنوعی به‌عنوان یک خدمت مجزا از سوی Medicare یا بیشتر بیمه‌ها پوشش داده نمی‌شود؛ بنابراین، مدل تجاری این فناوری عملاً بر پایه انگیزه‌هایی استوار است که ممکن است نادرست باشند.

در سطحی بنیادی‌تر، این رویکرد می‌تواند نحوه تعریف ما از بیماری را تغییر دهد. «آدام رودمن» (Adam Rodman)، متخصص بیمارستانی و کارشناس هوش مصنوعی در مرکز پزشکی Beth Israel Deaconess در بوستون، اشاره می‌کند که اسکورهای CAC تولیدشده توسط هوش مصنوعی شباهت‌هایی با پدیده‌ای به نام «تصادف‌یاب» (incidentaloma) دارد. incidentaloma اصطلاحی است که در دهه ۱۹۸۰ برای توصیف یافته‌های غیرمنتظره در سی‌تی‌اسکن‌ها ابداع شد. در هر دو مورد، الگوی معمول تشخیص؛ یعنی زمانی که پزشک و بیمار آگاهانه آزمایشی را برای یافتن علت یک مشکل خاص انجام می‌دهند، دچار اختلال می‌شود. بااین‌حال، همان‌طور که رودمن یادآور می‌شود، در گذشته این یافته‌های تصادفی هنوز توسط انسان‌ها کشف می‌شدند.

رودمن عنوان می‌کند اکنون وارد عصری از «طبقه‌بندی ماشینی بیماری‌ها» شده‌ایم، جایی که الگوریتم‌ها بیماری‌ها را بر اساس معیارهای خود تعریف می‌کنند. هرچه ماشین‌ها تشخیص‌های بیشتری انجام دهند، ممکن است مواردی را شناسایی کنند که از دید ما پنهان مانده‌اند. اما رودمن هشدار می‌دهد که آینده‌ای دو‌سطحی در تشخیص بیماری‌ها محتمل است؛ جایی که «داراها» هزینه الگوریتم‌های پیشرفته را می‌پردازند و «نداراها» به نسخه‌های ضعیف‌تر بسنده می‌کنند.

برای بیمارانی که نشانه‌های خطرناکی ندارند یا از خدمات درمانی منظم دور هستند، اسکور CAC مبتنی بر هوش مصنوعی می‌تواند مشکلات را زودتر آشکار کند و مسیر درمان را تغییر دهد. اما اینکه این نمرات چگونه به دست بیماران می‌رسند، چه اقداماتی در پی آن انجام می‌شود و آیا واقعاً می‌توانند در مقیاس بزرگ نتایج سلامت را بهبود دهند، همچنان پرسش‌هایی باز هستند. فعلاً، تا زمانی که پزشکان در کنار خروجی‌های الگوریتمی همچنان قلم تشخیص را در دست دارند، نقش آن‌ها حیاتی باقی می‌ماند.

گزارش حاضر در نسخه  November December 2025 نشریه MIT Technology Review منتشر شده است.