معماری لایه‌بندی‌شده داده‌های بیومدیکال؛ از رمزگشایی ژنوم تا چالش کیفیت در مدیریت کلان نظام سلامت

دکتر واعظ با به چالش کشیدن هیجانات زودگذر رسانه‌ای پیرامون ابزارهای هوش مصنوعی، توجه کارشناسان را به لزوم ارتقای کیفی داده‌های زیستی، توسعه پلتفرم‌های محاسباتی بومی و پرهیز از انحصارگرایی در ابزارهای غربی جلب نمود. دکتر واعظ با ارائه‌ آمارهایی از دستاوردهای بین‌المللی پژوهشگران اصفهان نشان داد که چگونه توسعه زیرساخت‌های محاسباتی مستقل می‌تواند در تندباد تحریم‌ها و اختلالات شبکه، تراز علمی کشور را در سطح جهانی حفظ کند. این گزارش تحلیلی به واکاوی جزئیات سخنان و توصیه‌های راهبردی ایشان می‌پردازد.

چرخش ساختاری از ترویج خوش‌بینانه به سمت واکاوی نگرانی‌ها و چالش‌ها

دکتر سید احمد واعظ سخنرانی خود را با تبیین یک تحول فکری در بیست سال فعالیت تخصصی خود آغاز کرد. وی تصریح کرد که در طول دو دهه گذشته، همواره در همایش‌های علمی تلاش می‌کرده تا اهمیت و ضرورت بکارگیری علوم داده، هوش مصنوعی و حاکمیت داده را معرفی و ترویج کند. با این حال، وی اظهار داشت که در یکی دو سال اخیر، تم سخنرانی‌های خود را به طور کامل تغییر داده و به جای تمجیدهای کلیشه‌ای، به سمت بررسی چالش‌ها، نگرانی‌ها، خطرات فنی و نبایدها متمایل شده است.

به باور مدیر گروه بیوانفورماتیک دانشگاه علوم پزشکی اصفهان، تب استفاده از ابزارهای هوش مصنوعی در حال حاضر چنان در جامعه فراگیر شده و انگیزه عمومی برای پذیرش آن بالا رفته است که دیگر ترویج مداوم محاسن این فناوری یک ضرورت به شمار نمی‌رود.

در مقابل، آنچه امروز مغفول مانده، واکاوی واقع‌بینانه مرزهای نفوذ این فناوری و موانع استقرار آن در صنایع بالینی است. دکتر واعظ هرچند بر ضرورت طرح این نگرانی‌ها پافشاری کرد، اما به دلیل ماهیت انگیزشی رویداد AI Bridge تصمیم گرفت تا ارائه‌ای کل‌نگر از زنجیره بیومدیکال تا مدیریت کلان نظام سلامت ارائه دهد.

تمثیل نفت خام و بحران کیفیت در کلان‌داده سلامت کشور

یکی از فرازهای کلیدی اظهارات دکتر واعظ، تفکیک مفهوم «حجم داده» از «کیفیت داده» در نظام سلامت ایران بود. وی با قدردانی از ارائه پیشین دکتر فیلی که بر محوریت داده متمرکز بود، توجه حضار را به چالش کیفیت معطوف ساخت. او با صراحت تأکید کرد که در نظام سلامت کشور، حجم بسیار عظیمی از کلان‌داده ثبت‌ شده وجود دارد، اما متأسفانه فقر کیفیت این داده‌ها مانع از آن می‌شود که بتوان از آن‌ها استفاده درست، علمی و کاربردی به عمل آورد.

دکتر واعظ برای شفاف‌سازی این چالش فنی، به تشبیه معروف داده به نفت خام استناد کرد. به اعتقاد وی، نفت خام به خودی خود ارزش اقتصادی ناچیزی دارد و زمانی سودمند واقع می‌شود که وارد یک پالایشگاه دقیق شده و به فرآورده‌های باارزش تبدیل گردد.

در دنیای فناوری‌های نوین، الگوریتم‌ها، نرم‌افزارها و سخت‌افزارهای پردازشی همان پالایشگاه‌هایی هستند که داده خام را به ارزش افزوده واقعی تبدیل می‌کنند؛ اما کارکرد صحیح این پالایشگاه به طور مطلق منوط به ورود داده‌های باکیفیت، تمیز و استاندارد است. وی با تکیه بر آمارهای جهانی توضیح داد که از مجموع ۱۵۰ تا ۲۰۰ زتابایت داده تولید شده در سراسر دنیا، تخمین زده می‌شود که تنها حدود سه تا چهار درصد مورد پالایش و بهره‌برداری واقعی قرار می‌گیرد که این شکاف عمیق، پتانسیل بالای اشتغال‌زایی و نیاز مبرم به توسعه دیتاسنترها و متخصصان علوم داده را در سال‌های پیش‌رو نشان می‌دهد.

کالبدشکافی لایه‌های ده‌گانه داده‌های بیومدیکال و چالش محاسباتی یکپارچه‌سازی

مدیر گروه بیوانفورماتیک دانشگاه علوم پزشکی اصفهان تبیین کرد که پزشکان فارغ‌التحصیل دو دهه پیش، آموزش‌های خود را بر اساس دامنه‌های اطلاعاتی بسیار محدودی گذرانده‌اند، در حالی که امروزه ابعاد داده‌های مرتبط با سلامت به شدت پیچیده و کثرت‌گرا شده است. وی لایه‌های نوین اطلاعاتی سلامت را فراتر از پرونده‌های الکترونیک ساده دانست و به تشریح لایه‌های ده‌گانه زیستی پرداخت. این لایه‌ها از عوامل بیرونی و محیطی تحت عنوان اکسپوزوم آغاز شده و لایه‌های عمیق فیزیولوژیک و ژنتیکی نظیر اپی‌ژنوم، مایکروبیوتا، متابولوم، لیپیدوم، ترانسکریپتوم، ژنوم، تصویربرداری‌های پیشرفته پزشکی، سنسورهای زیستی همراه و در نهایت گراف‌های اجتماعی و رفتاری بیمار را در بر می‌گیرد.

دکتر واعظ بزرگ‌ترین مانع فنی در مسیر پیاده‌سازی این الگوها را چالش یکپارچه‌سازی این لایه‌ها معرفی کرد. به گفته وی، اضافه کردن هر لایه داده جدید به فرایند محاسباتی، جریمه و پنالتی پردازشی سنگینی را به الگوریتم‌ها تحمیل می‌کند و دستیابی به اهداف نهایی یعنی راهبری و ارتقای سلامت را با دشواری‌های پیچیده ریاضی مواجه می‌سازد.

گذار از رویکردهای محدود به قلمروهای ۱۱ گانه هوش مصنوعی

بخش عمده‌ای از نقد کارشناسی دکتر واعظ به محدود بودن افق دید پروژه‌های هوش مصنوعی در کشور اختصاص داشت. وی ابراز داشت که در بیشتر جلسات تصمیم‌گیری و پروپوزال‌های دانشگاهی، دامنه پروژه‌ها صرفاً به مدل‌های ساده پیش‌بینی یا تشخیص‌های مبتنی بر تصویربرداری پزشکی محدود می‌شود و اخیراً نیز استفاده‌های سطحی از مدل‌های زبانی بزرگ به آن افزوده شده است. او با طراحی و ارائه یک چارچوب ۱۱ گانه، پهنه وسیع‌تری از کاربردهای هوش مصنوعی در نظام سلامت را به تصویر کشید.

در این الگو، نخستین قلمرو، اکتشافات زیست‌پزشکی است که دانشمندان علوم پایه را قادر می‌سازد تا با بهره‌گیری از الگوریتم‌های خوشه‌بندی، دسته‌بندی و پزشکی شبکه‌ای، مکانیسم‌های پنهان بیماری‌ها را کشف کرده و زیرگروه‌های دقیق‌تری از بیماران را شناسایی کنند. دکتر واعظ با انتقاد از سیستم‌های دسته‌بندی سنتی ابراز داشت که تقسیم دیابت به دو تیپ یک و دو یا تومورها به گریدهای ابتدایی، دیگر پاسخگوی نیازهای درمانی مدرن نیست و هوش مصنوعی باید مرزبندی‌های زیستی جدیدی تعریف کند.

قلمروهای بعدی شامل اکتشاف دارو (شامل شناسایی تارگت‌های دارویی، طراحی مولکولی و پیش‌بینی سمیت)، پیش‌بینی ریسک بیماری‌ها، تشخیص هوشمند، سامانه‌های پشتیبان تصمیم‌گیری بالینی و گذار از پزشکی میانگین‌محور سنتی به سمت «پزشکی دقیق» متناسب با کدهای ژنتیکی هر بیمار است. علاوه بر این، رویه‌های جراحی رباتیک، مدیریت هوشمند جریان کار بیمارستان، بهداشت عمومی، خودمدیریتی بیماران در بسترهای استاندارد و پایش‌شده کادر درمان، و در نهایت مدیریت آموزش و ردیابی پژوهش‌های پزشکی از دیگر پایه‌های این ساختار یازده‌گانه به شمار می‌روند.

وی در جمع‌بندی نهایی خود یادآور شد که فرایند هوشمندسازی سلامت یک زنجیره به‌هم‌پیوسته است که باید هر دو لایه تحقیقات مولکولی پایه و مدیریت خدمات درمانی بالینی را همزمان به رسمیت بشناسد؛ چرا که تنها در صورت تلاقی منطقی این سطوح محاسباتی است که آینده پزشکی مدرن و ایمن رقم خواهد خورد.