تمرکز بر یافتن روش‌های درمانی کرونا ویروس باعث سرعت بخشیدن به استفاده از هوش مصنوعی در مراقبت‌های بهداشتی شده و منجر به پیشرفت در پیش‌بینی، غربالگری، تشخیص و تولید دارو می‌شود.
پیش از شیوع کرونا ویروس، هوش مصنوعی در بهداشت و درمان کاربرد داشت. اما اکنون این کاربردها شتاب گرفته‌است. در واقع این تاثیر از وقتی شروع شد که سیستم هوش مصنوعی Blue Dot موارد غیرمعمولی را در ووهان چین ثبت کرد. این شرکت در تورنتو کانادا مستقر است و از پردازش زبان طبیعی و یادگیری ماشین برای ردیابی، تعیین مکان و گزارش شیوع بیماری‌های عفونی استفاده می‌کند. این سیستم برای مشتریان خود، که شامل نهادهایی در بخش مراقبت‌های بهداشتی، دولتی، تجاری و بهداشت عمومی هستند هشدار میفرستد. 9 روز پیش از اینکه سازمان بهداشت جهانی با انتشار یک مقاله در مجله Wired خبر از شیوع کرونا ویروس جدید بدهد، این سیستم در مورد کرونا ویروس هشدار داده بود.
از آن زمان به بعد هوش مصنوعی برای پیش‌بینی، غربالگری، هشدار تماس، تشخیص سریع‌تر، تحویل خودکار و کشف داروهای آزمایشگاهی برای مبارزه با کرونا ویروس به کار گرفته شده است. نمونه‌ای از این کاربردها یک سیستم تشخیص هوش مصنوعی است که به نظر می‌رسد در مقایسه با اسکن پرتونگاری کامپیوتری، موارد کرونا ویروس جدید را با دقت ۹۶ درصد تشخیص دهد.
الگوریتم تشخیص توسط موسسه تحقیقاتی علی بابا، Damo Academy توسعه یافته‌است و مدل هوش مصنوعی را با داده‌های بیش از 5000 مورد تأیید شده بیماری آموزش داده است. این سیستم می‌تواند تفاوت‌های موجود در سی تی اسکن بیماران مبتلا به ویروس جدید و ویروس ذاات الریه معمولی را با دقت بالای ۹۶ درصد شناسایی کند. سازندگان این الگوریتم می‌گویند این الگوریتم شامل آخرین دستورالعمل‌های درمانی و تحقیقات منتشر شده‌است.
این قابلیت‌های هوش مصنوعی در مقابله با کرونا ویروس یک دید کلی از جنبه‌های مختلف مراقبت‌های بهداشتی که در آینده با استفاده از هوش مصنوعی امکان پذیر است را ارائه می‌دهد. باید صادقانه گفت که هوش مصنوعی چهار ماه است که در نبرد با این بیماری همه‌گیر موفق نبوده‌است. Kai-Fu Lee نویسنده و دکترای علوم کامپیوتر می‌گوید:” در بهترین حالت به آن نمره B منفی می‌دهم.” Lee مدیر شرکت Sinovation Ventures و نویسنده کتاب معروف AI Superpowers است.
این امتیاز به دلیل عدم توانایی هوش مصنوعی در تمرکز بر روی مشکلات سیستم مراقبت‌های بهداشتی مانند پاسخ‌های هشدار ناکافی، توزیع ناکافی تجهیزات پزشکی، فشار بیش از حد به پرسنل بیمارستان‌ها و کم بودن تخت در بیمارستان‌ها، به آن داده شده است. اگرچه دکتر Lee به دو دلیل هنوز به هوش مصنوعی امیدوار است:
“اول اینکه اکنون داده‌ها در جریان هستند. به طور مثال Kaggle که یک سیستم یادگیری ماشین و علم داده‌ها است میزبان مجموعه داده‌هایی در مورد تحقیقات بر روی کرونا ویروس است. این مجموعه داده که به نام CORD-19 شناخته می‌شود داده‌های مرتبط را گردآوری می‌کند و آن را برای استفاده در سیستم‌های یادگیری ماشین در دسترس قرار می‌دهد. این سایت اخیراً بیش از 128000 مقاله علمی در مورد ویروس کرونا، سارس، مرس و سایر موضوعات مرتبط ارائه است.
دوم اینکه دانشمندان علوم پزشکی و کامپیوتر در سراسر جهان بر روی روش‌های مبارزه با ویروس کرونا متمرکز شده‌اند. Peter Diamandis بنیانگذار موسسه XPrize تخمین زده است که اکنون بیش از 200 میلیون پزشک، دانشمند، پرستار، تکنسین و مهندس در حال کار بر روی ویروس کرونا هستند. Diamandis اظهار داشت: “آن‌ها ده‌ها هزار آزمایش انجام می‌دهند و اطلاعات را با شفافیت و سرعتی که قبلا ندیده بودیم به اشتراک می‌گذارند.”
بر اساس یک مطالعه هزینه‌ای که در 19 کشور برای توسعه هوش مصنوعی در بخش مراقبت‌های بهداشتی شده است با 42٪ رشد سالانه، از 1.3 میلیارد دلار در سال 2018 به 13 میلیارد دلار در سال 2024 افزایش خواهد یافت. این افزایش در شش حوزه خواهد بود: گردش کاری بیمارستان، فناوری‌ها و گجت‌های پوشیدنی، تشخیص و تصویربرداری پزشکی، برنامه‌ریزی درمانی، دستیاران مجازی و کشف دارو. از شبکه‌های عصبی عمیق برای تولید و تفسیر دقیق تصویربرداری پزشکی ، اسلایدهای آسیب شناسی، معاینات چشم و کولونوسکوپی استفاده شده است.
دکتر Lee اظهار داشت: “ویروس کرونا این روندها را سرعت می‌بخشد”. وی افزود: “من یک آینده روشن از این که چطور هوش مصنوعی با ظهور این بیماری با سرعت بیشتری در مراقبت‌های بهداشتی استفاده می‌شود، می‌بینم.”
پزشکان برای تکمیل آن‌چه هوش مصنوعی به خوبی انجام می‌دهد، نقش‌هایشان را دوباره تعریف می‌کنند. نقش فزاینده هوش مصنوعی در مراقبت‌های بهداشتی بر پزشکان تاثیر می‌گذارد و منجر به بازتعریف نقش آن‌ها در ترکیب با کمک‌های هوش مصنوعی می‌شود. یک محقق پزشکی که مقاله‌ای با عنوان “تاثیرات هوش مصنوعی در داروسازی و نقش‌های آینده پزشکان” در سایت مرکز ملی اطلاعات بیوتکنولوژی منتشر کرده است گفت: “به نظر نمی‌رسد روزی نقش پزشكان با هوش مصنوعی جایگزین شود.”
Abhimanyu S. Ahuja دانشجوی پزشکی در کالج پزشکی Charles E. Schmidt در دانشگاه آتلانتیک فلوریدا اظهار داشت: “تمرکز فزاینده هوش مصنوعی در رادیولوژی منجر به این شده که برخی از متخصصان پیش‌بینی کنند که روزی حتی ممکن است هوش مصنوعی جایگزین رادیولوژیست‌ها شود. این پیشنهادها سوالی را به وجود می‌آورد که آیا سیستم‌های مبتنی بر هوش مصنوعی سرانجام در برخی از تخصص‌ها جایگزین پزشکان می‌شوند یا تنها نقش پزشکان را بدون جایگزینی واقعی آن‌ها تقویت می‌کنند؟”
وی در مورد نقش سیستم‌های مبتنی بر هوش مصنوعی در انجام کارهای پزشکی در رشته‌های تخصصی از جمله رادیولوژی، آسیب‌شناسی، چشم‌پزشکی و قلب و عروق تحقیق کرد و نتیجه گرفت که سیستم‌های مبتنی بر هوش مصنوعی به پزشکان کمک خواهند کرد و بعید است جایگزین رابطه سنتی پزشک و بیمار شوند.
هوش مصنوعی به منظور کارآیی و دقت بیشتر در در رادیولوژی، به صورت روزمره استفاده خواهد شد. در طی ده سال آینده ممکن است تصاویر رادیولوژی پیش از اینکه توسط یک رادیولوژیست بررسی شود با کمک ابزارهای هوش مصنوعی آنالیز شود. این ابزار می‌تواند کارهای روزمره خواندن تصاویر رادیولوژی مانند کمی‌سازی، تقسیم‌بندی و تشخیص الگو را انجام دهد. به رادیولوژیست‌ها توصیه می‌شود همزمان با پیشرفت این فناوری به منظور اطمینان از کاربرد اخلاقی و ارتباط بالینی آن، بیشتر با این تکنولوژی‌ها درگیر شوند.
نقش هوش مصنوعی در پزشکی بسیار مهم است به خصوص هنگامی که مقدار زیادی از داده‌ها داریم که پردازش آن‌ها برای انسان دشوار است. از این نظر، هدف هوش مصنوعی در پزشکی جایگزینی پزشکان نیست بلکه بهینه‌سازی و بهبود کاری است که پزشکان انجام می‌دهند.
هوش مصنوعی دارای پتانسیل زیادی برای کمک به تشخیص سرطان سینه در زنان است. آزمایشات انجام شده در ماموگرافی، تصاویر دیجیتالی منفردی از سینه را به متغیرهای استخراج شده در اندازه یک پیکسل که برای چشم انسان قابل تشخیص نیست تبدیل می‌کند. کامپیوترها می‌توانند میلیون‌ها از این متغیرهای دارای اندازه یک پیکسل را به منظور شناسایی ویژگی‌های تصویربرداری جدید دسته‌بندی کنند. وعده نهایی این است که هوش مصنوعی این متغیرها و ارتباطات در اندازه پیکسل را را با داده‌های بالینی مانند بیماری‌های زمینه‌ای بیمار ترکیب کند و الگوریتم‌های پیش‌بینی کننده را ایجاد کند و روزی بتوانند با دقت برابر یا بهتری نسبت به ماموگرافی انسانی عمل کنند.
