از تلاطم اتاق عمل تا ارکستراسیون داده‌ها؛ بازتعریف مرزهای هوش مصنوعی در جراحی مدرن

معیر با تمرکز بر ضرورت حفظ حاکمیت نهایی پزشک، فرضیه واگذاری تصمیم‌گیری‌های بالینی به الگوریتم‌ها را به چالش کشید و نقش ایده‌آل هوش مصنوعی را به عنوان یک «ارکستریتور» یا هماهنگ‌ کننده هوشمند جریان داده تعریف کرد.

فرصت‌ها در دل مدیریت بحران

دکتر معیر ارائه خود را با نگاهی مدیریتی به وضعیت جاری حوزه فناوری آغاز کرد و چالش‌های موجود را به عنوان بستری برای نوآوری خواند. به گفته وی، سیستم درمانی و مهندسی در حال حاضر با سه بحران همزمان شامل بحران ملی، بحران بین‌المللی و بحران پرشتاب تکنولوژی مواجه است.

وی با تکیه بر اصول مدیریت بحران تصریح کرد: «در دل مدیریت بحران همیشه فرصت خوابیده است؛ اگر ما به بحران‌ها با دقت نگاه کنیم، در دل آن‌ها فرصت‌هایی وجود دارد که می‌توانیم از درونشان بیرون بیایم و حتی سرفرازتر از قبل باشیم.» او رویدادهایی نظیر AI Bridge را فضایی برای طوفان فکری و تبادل ایده دانست تا بتوان از اکوسیستم اتاق عمل به نقطه‌ای رسید که هوش مصنوعی جایگاه شایسته و ایمنی در آن بیابد.

بخش مهمی از ارزیابی این متخصص جراحی، بر اساس تعریف اجزای اکوسیستم اتاق عمل و دستیابی به خروجی حیاتی «جراحی ایمن» استوار بود. وی تبیین کرد که تیم جراحی، تجهیزات پیشرفته، فرایند جراحی و داده‌های ورودی، همگی حول محور نجات یک بیمار بر روی تخت جراحی همگرا می‌شوند. او برای شفاف ساختن این فرایند، سناریوی جراحی لاپاراتومی (باز کردن شکم) را مطرح نمود که در آن بیمار تحت بیهوشی استاندارد قرار دارد و همه شاخص‌ها در ابتدا پایدار هستند. اما شرایط اتاق عمل همواره یکنواخت نیست؛ ناگهان اشباع اکسیژن خون بیمار (O2 Saturation) با افت مواجه شده، فشار خون کاهش می‌یابد و خونریزی پنهانی در شکم شکل می‌گیرد. در این لحظه، دستگاه‌ها داده‌های اولیه را نشان می‌دهند، اما لایه‌های فراوان دیگری از داده‌های ثانویه وجود دارند که وارد بازی تصمیم‌گیری بالینی نشده‌اند.

دکتر معیر هشدار داد که اگرچه شناخت زودهنگام این اطلاعات می‌تواند ایمنی فرایند جراحی را به شدت افزایش دهد، اما سرازیر کردن داده‌های خام و فراتر از نیاز شناختی پزشک، تمرکز تیم جراحی را به هم می‌زند. وی با ارجاع به محدودیت فیزیولوژیک مغز انسان یادآور شد: «حافظه کاری ما بسیار محدود است؛ معمولاً گفته می‌شود ظرفیت آن در بهترین شرایط حداکثر ۴ آیتم است و حتی با آموزش و تمرین زیاد هم از ۷ الی ۸ آیتم فراتر نمی‌رود.» از این رو، بمباران اطلاعاتی کادر درمان، فراتر از این آستانه، به دلیل ایجاد نویز شناختی، مخدوش‌کننده جریان جراحی خواهد بود.

« هوش مصنوعی در اینجا صرفاً نقش یک تطبیق ‌دهنده داده‌ها، جداکننده داده‌های درست و یک تنظیم‌ کننده را دارد»

این جراح باسابقه، کلید اصلی حل این تضاد شناختی را در تفکیک لایه‌های داده و اجرای پیش‌پردازش‌های مهندسی پیش از ورود به بحث الگوریتم‌های هوشمند دانست. به عقیده او، داده‌ها باید چهار فیلتر کلیدی را پشت سر بگذارند. گام اول، زمان‌بندی و همگام‌سازی (Synchronization) دقیق داده‌ها متناسب با هر بیمار است تا مشخص شود سیگنال‌های فیزیولوژیک در چه ثانیه‌ای ثبت شده‌اند. گام دوم، نویززدایی (Denoising) و ارزیابی کیفیت سیگنال به کمک فیلترهای حذف نویز است.

گام سوم، درک بستر و چارچوب لحظه‌ای جراحی است؛ چرا که جریان جراحی ثانیه به ثانیه تغییر می‌کند و داده‌ها در چارچوب بعدی منقضی می‌شوند. گام چهارم نیز منبع‌شناسی داده‌ها (Provenance) برای اعتبارسنجی فرستنده‌های گوناگون است.

دکتر معیر با صراحت تأکید کرد که این مراحل پیش‌پردازش کاملاً فرایندی مهندسی، سخت‌افزاری و نرم‌افزاری است و ارتباطی با هوش مصنوعی ندارد: «ما باید به نظم‌دهی داده‌ها را در حین تولید و بعد از مرحله تولید خیلی توجه کنیم؛ چرا که با داده بی‌نظم نهایتاً نمی‌توانیم الگوریتم درست ایجاد کنیم.» وی همچنین تفکیک داده‌های پایه و اجباری نظیر فشار خون، دما و غلظت اکسیژن از داده‌های اختیاری و غیرضروری را فیلتری اساسی برای حفاظت از حافظه کاری جراح دانست.

دکتر معیر با تبیین کارکرد استانداردهای تصویربرداری پزشکی نظیر دایکام (DICOM) و پروتکل تبادل داده فایر (FHIR)، به چگونگی انسجام و اتصال داده‌ها در اتاق عمل پرداخت. بر اساس معماری پیشنهادی او، هوش مصنوعی در دو سطح ایجنت‌های اولیه (جهت پایش اولیه سیگنال‌های مانیتورینگ) و یک عامل هماهنگ ‌کننده بالادستی تحت عنوان ارکستریتور (Orchestrator) پیاده‌سازی می‌شود. او وظیفه اصلی این ارکستریتور را ایجاد هماهنگی و همگام‌سازی بین کوهی از داده‌های پراکنده، بدون حق دخالت در تصمیم‌گیری‌های پزشکی توصیف کرد.

دکتر معیر با تأکید بر اینکه حاکمیت نهایی در زمان حال به طور مطلق در اختیار انسان (پزشک، جراح و متخصص بیهوشی) است، تصریح نمود: «وقتی از تفسیر داده توسط هوش مصنوعی صحبت می‌کنیم، به این معنی نیست که تمام لایه‌های تصمیم‌گیری نهایی را به آن واگذار کنیم؛ هوش مصنوعی در اینجا صرفاً نقش یک تطبیق ‌دهنده داده‌ها، جداکننده داده‌های درست و یک تنظیم‌ کننده را دارد.»

وی در پایان خاطرنشان کرد که سیستم بهداشت و درمان به شدت تشنه ورود سیستم‌های هوشمند کاربردی است تا در سایه این معماری منسجم، نرخ بقای بیماران ارتقا یافته و خطاهای ناشی از فرسودگی ذهنی کادر درمان کنترل شود.