این مسئله که هوش مصنوعی منجر به اتوماسیون مشاغل و جایگزین بسیاری از موقعیتهای نیروی کار فعلی شود، نگرانی و توجه زیادی را برانگیخته است.
به گزارش گرداب، همکاری شرکت دیلویت با موسسه آکسفورد مارتین نشان داد که ممکن است ۳۵ ٪ از مشاغل موجود در انگلستان طی ۱۰ تا ۲۰ سال آینده توسط هوش مصنوعی و اتوماسیون فرایندها از بین برود.
مطالعات دیگر حاکی از آن است که اگرچه اتوماسیون خیلی از مشاغل امکانپذیر است، اما عوامل مختلف زیادی هست که میتواند از دست دادن شغل را کنترل کند، از جمله هزینههایی که فناوریهای اتوماسیون دارند، رشد بازار کار، مقررات نظارتی و پذیرش اجتماعی. این عوامل ممکن است از دست دادن شغل را به ۵ ٪ یا کمتر محدود کنند.
بنا بر اطلاعات ما تاکنون هیچ شغلی در زمینه خدمات درمانی به خاطر استفاده از هوش مصنوعی حذف نشده است. تاکنون ورود محدود هوش مصنوعی به صنعت خدمات درمانی و دشواری ادغام هوش مصنوعی در گردش کار بالینی و سیستمهای پرونده الکترونیکی سلامت تا حدودی عامل عدم تأثیر شغلی بوده است. به نظر میرسد مشاغل خدمات درمانی که به احتمال زیاد قابلیت اتوماسیون دارند، مشاغلی هستند که مثلاً درگیر کار با اطلاعات دیجیتال، رادیولوژی و پاتولوژی هستند، نه کارهایی که تماس مستقیم با بیمار دارند.
اما حتی در مشاغل مرتبط با رادیولوژی و پاتولوژی نیز نفوذ هوش مصنوعی با سرعت پایینی انجام میشود. با وجود این، همانطور که استدلال کردیم، فناوریهایی مانند یادگیری عمیق توانایی تشخیص درست و طبقهبندی تصاویر را فراهم میکنند؛ و به این ترتیب دلایل زیادی وجود دارد که به عنوان مثال مشاغل رادیولوژی به زودی ناپدید نشوند.
اولین دلیل این است که رادیولوژیستها کاری بیش از خواندن و تفسیر تصاویر انجام میدهمد. مانند سایر سیستمهای هوش مصنوعی، سیستمهای هوش مصنوعی رادیولوژی نیز تک کار هستند. مدلهای یادگیری عمیق در آزمایشگاهها و شرکتهای استارتاپی برای کارهای خاص تشخیص از روی تصویر آموزش داده میشوند؛ مانند تشخیص ندول در توموگرافی کامپیوتری قفسه سینه یا تشخیص خونریزی در تصویربرداری تشدید مغناطیسی از روی مغز. درحالیکه هزاران هزار مورد از چنین وظایف تشخیصی حساسی برای شناسایی کامل تمام یافتههای موجود در تصاویر پزشکی لازم است، امروزه تنها تعداد بسیار کمی از این موارد توسط هوش مصنوعی انجام میشود. رادیولوژیستها همچنین با پزشکان دیگر در زمینههای تشخیص و درمان، ارائه درمان بیماریها (به عنوان مثال ارائه درمانهای موضعی شکم) مشورت میکنند، مداخلات پزشکی مانند تصویربرداری و بافتبرداری از تومورهای سرطانی و استنتهای عروقی (رادیولوژی مداخلهای) تجویز میکنند، پارامترهای فنی معاینات تصویربرداری (متناسب با شرایط بیمار) را تعیین میکنند، ارتباط میان یافتههای حاصل از تصاویر با سایر سوابق پزشکی و نتایج آزمایشات دیگر را مییابند، در مورد روشهای درمان و نتایج با بیماران صحبت میکنند و بسیاری از فعالیتهای مرتبط دیگر را انجام میدهند.
دلیل دوم این است که فرآیندهای بالینی برای به کارگیری روزانه تصویر کاملاً مبتنی بر هوش مصنوعی، راه زیادی در پیش دارند. وندورهای مختلف فناوری تصویربرداری و الگوریتمهای یادگیری عمیق کانونهای تمرکزی مختلفی دارند. از جمله: احتمال وجود ضایعه، احتمال وجود سرطان، ویژگی غده یا محل قرارگیری آن. این کانونهای متمایز جا انداختن سیستمهای یادگیری عمیق در فرایندهای بالینی فعلی را بسیار دشوار میکند.
سوم، الگوریتمهای یادگیری عمیق برای شناسایی تصویر به «دادههای عنوانگذاری شده» نیاز دارند. میلیونها تصویر میرسد از بیمارانی که تشخیص قطعی سرطان، شکستگی استخوان یا تشخیصهای پاتولوژیک دیگر را دریافت کردهاند. با این حال، هیچ منبع یکدستی از تصاویر عنوانگذاری شده یا بدون عنوان رادیولوژیک وجود ندارد.
چهارم، برای راهاندازی سیستم تجزیه و تحلیل اتوماتیک تصاویر، اعمال تغییرات اساسی در ساختار و مقررات پزشکی و بیمه درمانی لازم است.
در زمینه پاتولوژی و سایر جنبههای دیجیتالی پزشکی نیز فاکتورهای مشابهی به چشم میخورد. به دلیل وجود این فاکتورها و موانع، بعید به نظر میرسد که هوش مصنوعی بتواند در طی ۲۰ سال آینده تغییرات چشمگیری در زمینه مشاغل مرتبط با خدمات درمانی ایجاد کند. حتی این امکان وجود دارد که به خاطر توسعه فناوریهای هوش مصنوعی، مشاغل جدیدی نیز ایجاد شود. به هر حال، ثابت ماندن یا افزایش میزان اشتغال انسانی نیز به این معناست که احتمالاً فناوریهای هوش مصنوعی در واقع هزینههای تشخیص و درمان پزشکی را در بازه زمانی مورد نظر پایین نمیآورند.
پیامدهای اخلاقی
در نهایت باید اذعان داشت که استفاده از هوش مصنوعی در خدمات درمانی پیامدهای اخلاقی مختلفی نیز دارد. در گذشته، تصمیمات مربوط به مراقبتهای پزشکی تقریباً بطور انحصاری توسط انسانها اتخاذ میشده است و استفاده از ماشینهای هوشمند برای انجام فرایندها یا کمک به کادر درمان، مسائل اخلاقی زیادی به وجود میآورد؛ از جمله مسئولیتپذیری، شفافیت، اجازه و حریم خصوصی.
شاید با توجه به فناوریهای امروزی، مشکلترین مسئلهای که با آن روبهرو هستیم، مسئله شفافیت باشد. تفسیر یا توضیح بسیاری از الگوریتمهای هوش مصنوعی - به خصوص الگوریتمهای یادگیری عمیق که برای تجزیه و تحلیل تصویر استفاده میشوند - تقریباً غیرممکن است. اگر به بیمار اطلاع داده شود که تصویربرداری از او تشخیص سرطان را در پی داشته است، احتمالاً توضیحات بیشتری بخواهد و تمایل داشته باشد از چند و، چون تشخیص باخبر شود. الگوریتمهای یادگیری عمیق و حتی پزشکانی که به طور کلی با عملکرد این الگوریتمها آشنا هستند، ممکن است نتوانند توضیح مناسبی به بیمار ارائه دهند و به این ترتیب بیمار با دریایی از سؤالات بیپاسخ درمورد بیماریاش مواجه میشود.
بدون شک سیستمهای هوش مصنوعی در زمینه تشخیص و درمان بیمار مرتکب اشتباه میشود و نمیتوان از کسی بابت این اشتباهها انتظار پاسخگویی داشت. همچنین احتمالاً موقعیتهایی پیش میآید که بیماران اطلاعات پزشکی را از سیستمهای هوش مصنوعی دریافت کنند، درحالیکه ترجیح میدهند از زبان یک پزشک بالینی همدل و دلسوز دربارهی بیماریشان بشنوند. سیستمهای یادگیری ماشین در خدمات درمانی نیز ممکن است مورد تعصب الگوریتمی قرار بگیرند، احتمالاً احتمال ابتلا به بیماری بیشتر بر اساس جنسیت یا نژاد پیش بینی میشود در حالی که اینها در واقع عوامل علی نیستند.
احتمالاً با به کارگیری هوش مصنوعی در مراقبتهای پزشکی با تغییرات اخلاقی، پزشکی، شغلی و فناوری زیادی روبرو خواهیم شد. مهم است که مؤسسات خدمات درمانی، و همچنین نهادهای نظارتی دولتی، ساختارهایی را برای نظارت بر مسائل اساسی بسازند، به شیوهای مسئولانه واکنش نشان دهند و مکانیسمهای حاکمیتی برای محدود کردن پیامدهای منفی ایجاد کنند. این یکی از قدرتمندترین و پربارترین فناوریها برای تأثیرگذاری بر جوامع بشری است، بنابراین برای سالهای طولانی به سیاست مدبرانهای نیاز دارد.
آیندهی هوش مصنوعی در خدمات درمانی
مسلماً هوش مصنوعی در آینده نقش بسیار مهمی در ارائهی خدمات مربوط به سلامتی ایفا خواهد کرد. رسیدن به چنین مرحلهای از پیشرفت، چنان که به طور گستردهای مورد توافق است، در قالب یادگیری ماشین برآورد شده که ظرفیت اصلی هوش مصنوعی در توسعه پزشکی دقیق است. اگرچه تلاشهای اولیه در زمینهی ارائهی توصیهها و روشهای درمانی چالشبرانگیز بوده است، با این حال بسیاری منتظرند که هوش مصنوعی در نهایت در حوزهی درمان کاملاً مسلط شود.
با توجه به پیشرفتهای سریع هوش مصنوعی برای تجزیه و تحلیل تصاویر، به نظر میرسد که در آیندهی نزدیک بسیاری از تصاویر رادیولوژی و پاتولوژی توسط دستگاه بررسی شوند. درک گفتار و متن نوشتاری در حال حاضر در اموری مانند ارتباط و مکالمه با بیمار و تهیهی گزارشهای بالینی به کار برده شده است و انتظار میرود استفاده از این قابلیتها افزایش چشمگیری داشته باشد.
بزرگترین چالش هوش مصنوعی در حوزه خدمات درمانی این نیست که این فناوریها به اندازهی کافی مفید نیستند یا قابلیتهایشان بدرد تشخیص و درمان نمیخورد، بلکه اطمینان یافتن از ادغام کارآمدشان در روندهای درمان بالینی است. در راستای یک ادغام گسترده، باید سیستمهای هوش مصنوعی توسط رگولاتورها با سیستمهای پرونده الکترونیکی سلامت یکپارچه شوند. در این زمینه باید استانداردهایی به وجود بیاید تا همهی محصولات مشابه به روشی مشابه کار کنند و به پزشکان آموزش این کار داده شود.
همچنین سیستمها باید در همان رشتهی تخصصیشان به روزرسانی شوند. انجام چنین کارهایی بیشتر از میزان زمان بلوغ خود فناوریها به طول میانجامد. در نتیجه انتظار میروند در طی ۵ سال آینده شاهد استفادهی محدودی از هوش مصنوعی در اعمال بالینی و در طی ۱۰ سال شاهد استفادهی گستردهتری باشیم.
در کنار این مسائل به نظر میرسد به شکل روزافزونی روشن شده است که سیستمهای هوش مصنوعی نمیتوانند در مقیاس وسیعی جایگزین پزشکان شوند؛ بلکه تلاش آنها در مراقبت از بیماران را نتیجهبخشتر میکنند. شاید با گذشت زمان پزشکان بالینی به سمت وظایف و طرحهای شغلیای حرکت کنند که از مهارتهای منحصر به فرد انسانی مانند همدلی و اقناع برخوردار باشد.
شاید تنها ارائهدهندگان خدمات سلامتی که به مرور زمان شغل خود را از دست میدهند، کسانی باشند که از کار در کنار هوش مصنوعی امنتاع میورزند.