هوش مصنوعی؛ ابزاری برای افزایش تابآوری نظام سلامت در بحرانها
عضو هیات علمی دانشگاه علوم پزشکی شیراز با تأکید بر نقش فناوری و هوش مصنوعی در مدیریت بحران، گفت: استفاده از سامانههای دادهمحور و هوشمند میتواند با پیشبینی بحرانها، پشتیبانی از تصمیمگیری، مدیریت منابع و پایش مستمر وضعیت بیماران، تابآوری نظام سلامت را در مواجهه با شوکها و اختلالات افزایش دهد.
به گزارش ایلنا به نقل از وبدا، دکتر «ناهید ابولپور»، عضو هیات علمی گروه هوش مصنوعی دانشگاه علوم پزشکی شیراز، با اشاره به مفهوم تابآوری در بحران از منظر فناوری و هوش مصنوعی، اظهار کرد: تابآوری فناورانه در نظام سلامت تنها به معنای مقاومت در برابر بحران و بازگشت به شرایط پیشین نیست، بلکه توانایی پیشبینی، سازگاری، بازیابی و یادگیری از بحران و حرکت به سمت شرایط بهتر را نیز شامل میشود.
وی افزود: در این رویکرد، سیستمهای دادهمحور و هوشمند میتوانند با تحلیل اطلاعات و ارائه شواهد بهموقع، زمینه تصمیمگیری مبتنی بر داده را در شرایطی که مدیران با عدمقطعیت و اطلاعات ناقص مواجه هستند، فراهم کنند.
ابولپور با بیان اینکه هوش مصنوعی میتواند در مراحل مختلف چرخه بحران مورد استفاده قرار گیرد، گفت: در مرحله پیشبینی، این فناوری با تحلیل دادههای اقلیمی، اپیدمیولوژیک، تصاویر ماهوارهای و حتی الگوهای موجود در شبکههای اجتماعی، قادر است نشانههای هشداردهنده را شناسایی و سناریوهای احتمالی بحران را پیشبینی کند.
او ادامه داد: در زمان وقوع بحران نیز هوش مصنوعی میتواند در تریاژ هوشمند بیماران، تخصیص پویای منابع، مدیریت موجودی دارو و تجهیزات، شناسایی تختهای خالی و برنامهریزی نیروی انسانی به مدیران و کادر درمان کمک کند.
عضو هیات علمی دانشگاه علوم پزشکی شیراز همچنین مدیریت اطلاعات نادرست، ارزیابی سریع خسارتها و ارائه خدمات حمایتی و روانی را از دیگر ظرفیتهای هوش مصنوعی در مرحله کنترل پیامدهای بحران عنوان کرد.
ابولپور با اشاره به اهمیت دسترسی مدیران به اطلاعات دقیق و بهروز در شرایط بحرانی، اظهار کرد: ایجاد داشبوردهای یکپارچه فرماندهی میتواند اطلاعاتی مانند ظرفیت تختهای بیمارستانی، موجودی دارو و تجهیزات، موقعیت آمبولانسها و وضعیت منابع حیاتی را به صورت لحظهای در اختیار مدیران قرار دهد و از شکلگیری «کوری اطلاعاتی» در زمان بحران جلوگیری کند.
وی اضافه کرد: هوش مصنوعی همچنین میتواند با تحلیل دادههای موجود، پیامدهای احتمالی تصمیمهای مختلف را پیشبینی کرده و گزینههای مناسبتر را برای تصمیمگیری در اختیار مدیران قرار دهد؛ البته پیشبینیهای هوش مصنوعی قطعی نیست و باید در کنار قضاوت انسانی و سناریوهای جایگزین مورد استفاده قرار گیرد.
این عضو هیات علمی با اشاره به ظرفیت هوش مصنوعی در پیشبینی فشارهای احتمالی بر نظام سلامت، بیان کرد: با تحلیل دادههای مربوط به بیماریها، الگوهای مراجعه بیماران و ظرفیت مراکز درمانی میتوان نیاز آینده به تختهای مراقبت ویژه، تجهیزات و نیروی انسانی را برآورد کرد و پیش از رسیدن بحران به نقطه اوج، اقدامات لازم را انجام داد.
او گفت: پیشبینی بلایا و اپیدمیها، شناسایی تغییرات الگوهای بیماری و بررسی برخی نشانههای اجتماعی و اقتصادی از دیگر حوزههایی است که میتوان از ظرفیت تحلیل داده و هوش مصنوعی در آنها بهره گرفت.
ابولپور، بیمارستانها را یکی از مهمترین مراکز نیازمند تابآوری در زمان بحران دانست و افزود: هوش مصنوعی میتواند در مدیریت هوشمند انرژی و آب، آموزش هیبرید و آفلاین کارکنان و دانشجویان و همچنین پایش وضعیت نیروی انسانی مورد استفاده قرار گیرد.
او ادامه داد: سامانههای هوشمند میتوانند با تحلیل شاخصهایی مانند افزایش غیبت، تغییر عملکرد و نشانههای خستگی، کارکنانی را که در معرض فرسودگی قرار دارند شناسایی و برای مداخله حمایتی، مانند استراحت، مشاوره یا تغییر شیفت، هشدار ایجاد کنند.
عضو هیئت علمی دانشگاه علوم پزشکی شیراز با اشاره به شرایط جنگ، بلایای طبیعی و اختلال در زیرساختها، گفت: در چنین شرایطی، تریاژ هوشمند، مدیریت غیرمتمرکز دارو و تجهیزات، ارائه خدمات سلامت روان در مقیاس گسترده، آموزش از راه دور و پایش بیماران با استفاده از حسگرها میتواند ظرفیت نظام سلامت را برای پاسخگویی به نیازهای جمعیت افزایش دهد.
وی افزود: ایجاد سامانههای توزیع دارو با قابلیت فعالیت آفلاین، امکان ادامه خدمترسانی حتی در شرایط اختلال اینترنت را فراهم میکند و شبکههای غیرمتمرکز نیز میتوانند با توجه به نیاز مناطق مختلف، مسیرهای جایگزین برای توزیع منابع را پیشنهاد دهند.
ابولپور با اشاره به تأثیر بحرانها بر سلامت روان افراد، اظهار کرد: ابزارهای هوش مصنوعی میتوانند برای غربالگری اولیه علائم اضطراب، افسردگی و اختلال استرس پس از سانحه مورد استفاده قرار گیرند و در صورت طراحی و اعتبارسنجی مناسب، افراد نیازمند خدمات تخصصی را برای دریافت مداخله انسانی هدایت کنند.
وی ادامه داد: چتباتها و پلتفرمهای هوشمند نیز میتوانند در ارائه برخی خدمات اولیه روانشناختی، آموزش مهارتهای مقابلهای و هدایت افراد به سطح مناسب خدمات نقش داشته باشند؛ با این حال، این فناوریها جایگزین متخصصان سلامت روان نیستند و باید در چارچوبهای علمی و نظارت تخصصی مورد استفاده قرار گیرند.
او انتشار شایعات و اطلاعات نادرست را یکی از چالشهای مهم زمان بحران دانست و گفت: هوش مصنوعی میتواند الگوهای انتشار اطلاعات را در شبکههای اجتماعی تحلیل، روایتهای در حال گسترش را شناسایی و محتوای تحریککننده یا گمراهکننده را مورد بررسی قرار دهد.
ابولپور افزود: تولید سریع پاسخهای مستند و قابل اعتماد بر اساس منابع معتبر نیز میتواند به اطلاعرسانی صحیح و کاهش اضطراب و سردرگمی عمومی کمک کند. وی با تأکید بر اینکه تابآوری فناورانه را نمیتوان در زمان وقوع بحران ایجاد کرد، اظهار کرد: سامانههای بیمارستانی، اورژانس، آزمایشگاه، داروخانه، مدیریت تخت، خدمات اجتماعی و سلامت روان باید پیش از وقوع بحران به شکل مناسب به یکدیگر متصل و امکان تبادل داده میان آنها فراهم شود.
عضو هیات علمی دانشگاه علوم پزشکی شیراز ادامه داد: عاملهای هوشمند میتوانند به صورت مستمر سلامت و دسترسپذیری سامانهها، کیفیت دادهها و ارتباط میان سرویسها را بررسی کرده و در صورت بروز اختلال، محل مشکل را شناسایی و هشدار لازم را صادر کنند.
ابولپور همچنین آزمایش و شبیهسازی سناریوهای بحرانی را ضروری دانست و گفت: میتوان پیش از وقوع بحران، سناریوهایی مانند افزایش ناگهانی تعداد مصدومان، کمبود دارو، افزایش بار سامانهها یا قطع ارتباط یک مرکز را شبیهسازی کرد تا نقاط ضعف زیرساختهای خدماتی شناسایی و برطرف شوند.
وی در ادامه با اشاره به نقش سامانههای هوشمند درمانی، گفت: اگر اطلاعات پزشکی بیماران پیش از بحران به صورت دیجیتال و ساختاریافته ثبت شده باشد، دستیاران هوش مصنوعی میتوانند به پزشک در دسترسی سریع به سوابق بیماری، داروهای مصرفی، حساسیتها، جراحیهای قبلی، بیماریهای زمینهای و نتایج مهم آزمایشها کمک کنند.
او افزود: این قابلیت در شرایطی که تعداد مصدومان افزایش مییابد، زمان بررسی پروندهها را کاهش داده و امکان تصمیمگیری سریعتر و دقیقتر را فراهم میکند.
ابولپور همچنین پایش مستمر علائم حیاتی را از دیگر کاربردهای این فناوری برشمرد و گفت: سامانههای هوشمند میتوانند دادههای حاصل از مانیتورها و حسگرها را به صورت مستمر تحلیل و تغییرات غیرطبیعی مانند افت اکسیژن یا تغییرات فشار خون را شناسایی کرده و به کادر درمان هشدار دهند.
وی خاطرنشان کرد: دستیاران تشخیصی همچنین میتوانند با تحلیل تصاویر پزشکی، نتایج آزمایشها و اطلاعات بالینی، به ارزیابی سریعتر بیماران کمک کنند و چتباتها نیز با ارائه راهنماییهای از پیش تأییدشده و هدایت بیماران به سطح مناسب خدمات، بخشی از بار کاری کادر درمان را کاهش دهند.
عضو هیات علمی دانشگاه علوم پزشکی شیراز در پایان تأکید کرد: سرمایهگذاری بر زیرساختهای هوشمند، استانداردسازی دادهها، اتصال سامانههای سلامت و آموزش نیروی انسانی باید پیش از وقوع بحران انجام شود تا فناوری در زمان بحران، به جای یک ابزار آزمایشی، به بخشی از زیرساخت آماده و قابل اتکای نظام سلامت تبدیل شود.
