ساعت ۳ بامداد است و پرستار شیفت شب از همین حالا ۵۰ پیام دریافتی در داشبورد پایش از راه دور را از ابتدای شب بررسی کرده است. بیشتر این پیام‌ها سر و صدای بی‌مورد بوده‌اند. داشبورد حتی زمانی که یک عدد برای یک لحظه جابه‌جا شده یا بیمار پهلو به پهلو شده است نیز هشدار می‌فرستد. اما در میان این همه سر و صدا، یک هشدار وجود داشت که باید فورا به پزشک گزارش می‌شد. ساعت‌ها از آن هشدار گذشته و در این انبوه سر و صدا نادیده گرفته شده است. توجه انسانی در محیط پراسترس بیمارستان اغلب نمی‌تواند هشدار مهم را از میان انبوهی از اطلاعات بی‌ارزش تشخیص دهد.
بزرگ‌ترین چالش پیش روی هر سیستم پایش از راه دور بیمار (RPM) عبور از میان این سر و صداها و نشانه‌گذاری هشدارهایی است که واقعاً اهمیت دارند. دقیقاً همین‌جاست که هوش مصنوعی عامیانه (Agentic AI) می‌تواند کنترل اوضاع را به دست بگیرد. یک راهکار هوش مصنوعی عامیانه که برای غربالگری هشدارهای خودکار ساخته و آموزش داده شده است، می‌تواند به سیستم RPM کمک کند تا هشدارهای کمتر، مرتبط‌تر و حساس‌تری به زمان ارائه دهد.
بیایید بررسی کنیم که هوش مصنوعی عامیانه چه تغییراتی در یک سیستم پایش از راه دور بیمار (RPM) ایجاد می‌کند و چه نکاتی را باید پیش از پذیرش آن ارزیابی کرد.
هوش مصنوعی عامیانه در پایش از راه دور بیمار چه معنایی دارد؟
پاسخ سریع: هوش مصنوعی عامیانه، سیستم‌های RPM را از حالت «ثبت‌کننده یک عدد» به سیستم‌هایی تبدیل می‌کند که آن را ارزیابی کرده، با سابقه و زمینه بیمار مطابقت می‌دهند و تنها مواردی را که واقعاً نیاز به پزشک دارند، ارجاع می‌دهند. نتیجه این امر، هشدارهای کمتر و قابل‌اعتمادتر است، نه خودکارسازی بیشتر صرفاً به خاطر خود آن.
هوش مصنوعی عامیانه در واقع چیست؟
عوامل خودمتکی (Autonomous Agents) که قادر به پردازش اطلاعات، استدلال بر اساس زمینه، اجرای وظایف تعریف‌شده و تنظیم اقدامات بر اساس نتایج هستند، هوش مصنوعی عامیانه نامیده می‌شوند. در حالی که نرم‌افزارهای خودکارسازی سنتی تنها می‌توانند وظایف را بر اساس یک قانون مشخص یا هنگام برآورده شدن یک شرط خاص اجرا کنند، هوش مصنوعی عامیانه می‌تواند اطلاعات را تحلیل کند، تصمیم بگیرد و آن‌ها را بدون مداخله انسان اجرا کند. این تفاوت در زمینه سیستم‌های RPM بسیار حیاتی است.
مکانیزم هشدار مبتنی بر قانون، هر زمان که مقدار خوانده‌شده در RPM از یک آستانه عبور کند، به‌طور خودکار یک اعلان ارسال می‌کند. در مقابل، هوش مصنوعی عامیانه هر مقدار را بر اساس سابقه پزشکی بیمار ارزیابی می‌کند و هشدارهایی را ارسال می‌کند که نیازی به توجه مراقب یا پزشک دارند. برای مثال، ضربان قلب ۱۱۰ می‌تواند برای یک بیمار در حال دوران نقاهت پس از جراحی و بیمار دیگری که تازه فیزیوتراپی را تمام کرده، دو معنای متفاوت داشته باشد. برای مورد اول، هوش مصنوعی عامیانه احتمالاً یک هشدار ارسال می‌کند، در حالی که برای دومی این کار را نمی‌کند. در مقابل، سیستم‌های منظم مبتنی بر آستانه در RPM برای هر دو بیمار هشدار ارسال می‌کنند.
هوش مصنوعی عامیانه که از طریق سیستم‌های پایش از راه دور بیمار استفاده می‌شود، همچنین می‌تواند در میان چندین سیگنال با نیاز کم یا بدون نیاز به تفسیر انسانی استدلال کند. این امر به تنهایی پشتیبانی تصمیم بالینی (CDS) را پیش می‌برد، به طوری که یک متخصص بالینی برای تصمیم‌گیری نهایی در حلقه حضور دارد و هوش مصنوعی عامیانه کار تفسیر را انجام می‌دهد.
چرخه عمر توسعه مبتنی بر هوش مصنوعی (AI-DLC) می‌تواند روشی ایده‌آل برای ادغام هوش مصنوعی عامیانه با سیستم‌های RPM باشد؛ زیرا این رویکرد همکاری هوش مصنوعی و انسان برای محیط‌های مراقبت بهداشتی بسیار حیاتی است. اگر تعجب می‌کنید که آیا AI-DLC صرفاً همان هوش مصنوعی عامیانه با نامی جدید است، باز هم باید نقش نقاط بازرسی انسانی را که این روش‌شناسی به آن نیاز دارد، درک کنید.
مسئله خستگی ناشی از هشدارها در سیستم‌های پایش از راه دور بیمار
از آنجا که گجت‌های پوششی تناسب اندام، حسگرهای زیستی و دستگاه‌های نظارت بر سلامت متصل به شبکه همه‌گیرتر و مقرون‌به‌صرفه‌تر شده‌اند، بیمارستان‌ها و مراکز بالینی به سرعت در حال به‌کارگیری آن‌ها از طریق برنامه‌های پایش از راه دور بیمار هستند. اغلب، آستانه‌های هشدار این حسگرها و دستگاه‌های نظارتی به اندازه کافی باز هستند تا هشدارهای کاذب را پوشش دهند. آن‌ها اجازه می‌دهند هشدارهای کاذب رخ دهند تا مبادا هیچ هشداری که نیاز به توجه دارد را از دست بدهند.
در واقع، خستگی در میان کادر درمان به دلیل حجم زیاد هشدارهای کاذب افزایش می‌یابد و آن‌ها غالباً هشدارها را نادیده می‌گیرند. بسیاری از پرستاران در شیفت‌های شب حتی صدای هشدار را کم می‌کنند. ابعاد این خستگی ناشی از هشدار به خوبی در چندین مطالعه بیمارستانی و بالینی مستند شده است. گزارش شده است که بین ۷۲ تا ۹۹ درصد از هشدارهای بالینی کاذب هستند و این یافته در مراکز مراقبت بهداشتی سازگار است. تعجب‌آور نیست که سازمان‌های پیشرو در ایمنی بالینی، خستگی ناشی از هشدار را به عنوان یکی از خطرات اصلی ایمنی بیمار در نظر بگیرند.
این مشکل ذات سیستم‌های پایش از راه دور بیمار (RPM) مبتنی بر آستانه است. افزودن یک لایه عامیانه برای غربالگری هشدارها ممکن است کافی نباشد. خدمات تخصصی ادغام هوش مصنوعی می‌توانند هوش مصنوعی عامیانه را به درکی لایه‌ای از زمینه‌های مختلف بیماران و خطوط پایه هشدار مربوطه مجهز کنند.
از غربالگری سیگنال‌ها تا ارتقای خودکار و استدلال میان‌سیگنالی: تغییرات ایجاد شده توسط هوش مصنوعی عامیانه در سیستم‌های RPM
سیگنال‌دهی مبتنی بر آستانه توسط سیستم‌های سنتی RPM آماده است تا با سیستم‌های RPM دارای لایه هوش مصنوعی عامیانه یکپارچه جایگزین شود. این فناوری تغییرات متعددی را در سیستم ایجاد می‌کند که فراتر از خلاص شدن از شر هشدارهای کاذب است.
سیگنال‌دهی آگاه از زمینه
به لطف لایه هوش مصنوعی عامیانه، هر داده دریافتی از حسگر زیستی یا دستگاه متصل، اکنون در برابر تاریخچه و زمینه خاص بیمار ارزیابی می‌شود. دیگر هشدارها بر اساس یک آستانه ثابت برای کل جمعیت بیماران ارسال نمی‌شوند.
ارجاع خودکار به پزشک متخصص
این کار به ارسال اعلان در داشبورد ختم نمی‌شود. این سیستم سیگنال بیمار را به پزشک یا تیم مراقبت حاضر، اعم از پرستار شیفت، پزشک یا مراقب ارجاع می‌دهد.
استدلال آگاه از زمینه در میان سیگنال‌ها
این فناوری چندین نقطه داده از تاریخچه و اندازه‌گیری‌های بیمار مانند ضربان قلب، نرخ پالس، گزارش‌های آزمایش، سطح فعالیت و زمان‌بندی دارو را ارزیابی می‌کند تا تصمیم بگیرد آیا ارسال هشدار ارزش دارد یا خیر.
مسیر حسابرسی یکپارچه
کل مسیر مراحل تصمیم‌گیری و استدلال به‌طور پیش‌فرض مستند می‌شود تا پزشکان مجبور نباشند کورکورانه به سیستم اعتماد کنند.
خودمختاری با نقاط بازرسی انسانی
در حالی که سیستم به‌طور خودکار کار می‌کند، یک متخصص انسانی محدوده عملیاتی و دامنه کلی آن را تعریف می‌کند.
حلقه بازخورد
تمام مواردی که متخصصان انسانی تصمیمات هوش مصنوعی عامیانه را لغو کرده‌اند، مستند شده و به عنوان بازخورد سیستم پردازش می‌شوند تا یادگیری در موارد مشابه بعدی اعمال شود.
هوش مصنوعی عامیانه در سیستم‌های ردیابی موقعیت مکانی بیمارستان (RTLS) و پشته بزرگ‌تر اینترنت اشسای پزشکی
قابلیت استدلال هوش مصنوعی عامیانه فراتر از جریان‌های داده حسگرهای زیستی عمل می‌کند. هوش مصنوعی عامیانه همچنین می‌تواند داده‌های مربوط به موقعیت مکانی و وضعیت رویدادها را از سیستم‌های موقعیت‌یاب بلادرنگ (RTLS) مورد استفاده در هر بیمارستان ارزیابی کند. سیستم‌های RTLS که کارکنان، تجهیزات و بیماران را با استفاده از برچسب‌های Wi-Fi، BLE، RFID یا اولتراسونیک ردیابی می‌کنند، می‌توانند نقاط داده و زمینه بیشتری را به استدلال‌های پشت ارجاع‌ها اضافه کنند. مراکز مراقبت بهداشتی که از بهترین پلتفرم‌های RTLS در حوزه سلامت استفاده می‌کنند نیز به دنبال سیستم‌هایی هستند که به جای هشدار دادن به ازای هر رویداد منفرد، تنها رویدادهای مرتبط را علامت‌گذاری کنند. مهم‌تر از همه، منابع داده و زمینه‌های گنجانده شده از طریق سیستم‌های RPM، RTLS و EHR/EMR انسجام بهتری را برای استدلال عامیانه تضمین می‌کنند.
نرده‌های حفاظتی ایمنی و اعتماد که واقعاً اهمیت دارند
هیچ بیمارستانی نمی‌تواند پایش بیمار را به طور کامل به خودکارسازی هوش مصنوعی عامیانه بسپارد. یک سیستم RPM مجهز به هوش مصنوعی عامیانه باید دارای نرده‌های حفاظتی فعال باشد و مقامات بیمارستانی باید صراحتاً آن‌ها را به فروشندگان اعلام کنند. بی نگاهی سریع به برخی از اصول غیرقابل مذاکره برای ادغام هوش مصنوعی عامیانه با سیستم‌های RPM داشته باشیم.
بررسی با حضور انسان در حلقه
حفظ متخصصان انسانی در نقاط بازرسی برای فرآیندها و نتایج حیاتی بالینی غیرقابل مذاکره است. بهترین کاری که هوش مصنوعی عامیانه می‌تواند انجام دهد این است که یافته‌هایی را که یک متخصص انسانی باید بررسی کند، محدود کند. یافته‌ها و دلایل آن‌ها باید تحت نظارت انسان قرار گیرند.
لایه قابلیت توضیح و مسیر حسابرسی
هر سیگنال بیمار که به متخصصان مراقبت ارجاع داده می‌شود باید به صراحت توضیح داده شود. بررسی‌کنندگان متخصص باید بتوانند مسیر دلایل پشت هر تصمیم ارجاع را حسابرسی کنند.
تعیین مسئولیت با تیم مراقبت
در نهایت، مسئولیت تصمیمات ارجاع باید بر عهده تیم پزشکی حاضر باشد. هوش مصنوعی عامیانه باید به عنوان ابزاری برای غربالگری جهت کاهش سر و صدا و کمک به پزشکان برای توجه به سیگنال‌های درست در نظر گرفته شود. این ابزار جایگزینی برای قضاوت و مسئولیت متخصصان بالینی نیست.
چگونه یک لایه هوش مصنوعی عامیانه را برای ادغام با RPM ارزیابی کنیم؟
پیش از آنکه یک مرکز مراقبت بهداشتی با ادغام لایه هوش مصنوعی عامیانه با سیستم RPM موافقت کند، باید با مشاوره گرفتن از خدمات مشاوره‌ای هوش مصنوعی با سابقه عمیق در حوزه سلامت شروع کند. این مرکز باید لایه پیشنهادی هوش مصنوعی عامیانه را ارزیابی کند و پرسش‌های زیر را بپرسد:
- آیا RPM و EHR برای ادغام لایه هوش مصنوعی عامیانه نیاز به جایگزینی کامل دارند؟
- آیا متخصصان بالینی می‌توانند مسیر استدلال پشت هر تصمیم ارجاع را بررسی کنند؟
- آیا آستانه‌های سیگنال و نرده‌های حفاظتی ایمنی را می‌توان برای هر بیمار تنظیم کرد؟
- آیا لایه هوش مصنوعی عامیانه دارای دامنه عملکرد خودمختار به خوبی تعریف‌شده‌ای است که قابل بررسی باشد؟
- چگونه می‌توان هرگونه ارجاع نادرست را به عقب بازگرداند؟
این‌ها پرسش‌های جدی برای سیستمی هستند که قرار است حیاتی‌ترین نقش را در مراقبت از بیمار در هر مرکز مراقبت بهداشتی ایفا کند. شما به شریکی با تجربه در ساخت راهکارهای توسعه نرم‌افزار مراقبت بهداشتی مبتنی بر هوش مصنوعی برای محیط‌های بالینی واقعی نیاز دارید، نه صرفاً نمونه‌های اولیه‌ای که در برابر مجموعه داده‌های تمیز ساخته شده‌اند.
سخن پایانی
افزودن یک لایه هوش مصنوعی عامیانه صرفاً به معنای خودکارسازی سیستم هشدار با دقت افزایش‌یافته نیست. علاوه بر جایگزینی سر و صدای هشدارهای کاذب با موارد منطقی‌تر، یک لایه هوش مصنوعی عامیانه همچنین نوید می‌دهد که نقاط داده را از سیستم‌های مختلف مراقبت بهداشتی مانند RTLS و EHR برای غنی‌سازی زمینه استدلال ادغام کند. با نرده‌های حفاظتی مناسب و نقاط بازرسی انسانی، هوش مصنوعی عامیانه می‌تواند خستگی ناشی از هشدار را کاهش دهد و RPM را به یک مکانیزم مراقبت پیشگیرانه از بیمار تبدیل کند.
پرسش‌های متداول
هوش مصنوعی عامیانه در مراقبت‌های بهداشتی چیست؟
هوش مصنوعی عامیانه به برنامه‌های خودمختاری اشاره دارد که می‌توانند داده‌ها را پردازش و تحلیل کنند، درباره زمینه استدلال کنند، تصمیم بگیرند و آن‌ها را اجرا کنند و مسیر خود را بر اساس نتایج تنظیم کنند. برخلاف سیستم‌هایی که بر روی الگوریتم‌های ایستا و مبتنی بر قوانین کار می‌کنند و به آستانه‌های از پیش تعریف‌شده واکنش نشان می‌دهند، هوش مصنوعی عامیانه به‌طور خودکار استدلال می‌کند، تصمیم می‌گیرد، سازگار می‌شود و با نیازهای در حال تغییر خود را تطبیق می‌دهد.
هوش مصنوعی عامیانه چگونه خستگی ناشی از هشدار را در پایش از راه دور بیمار کاهش می‌دهد؟
هوش مصنوعی عامیانه هشدارهای کاذب را با ارزیابی اندازه‌گیری‌های حسگر زیستی در برابر تاریخچه بیمار و سایر نقاط داده کاهش می‌دهد پیش از آنکه تصمیم بگیرد آیا ارجاع لازم است یا خیر. خستگی ناشی از هشدار زمانی رخ می‌دهد که هشدارهای کاذب یا غیرقابل اقدام بخش بزرگی از هشدارهای ارسال شده توسط سیستم‌های RPM را تشکیل دهند. از آنجا که سیستم‌های RPM هر زمان که یک متریک از آستانه ثابت عبور کند، اعلانی ارسال می‌کنند، اکثریت قریب به اتفاق هشدارها اغلب غیرقابل اقدام یا نادرست هستند.
آیا هوش مصنوعی عامیانه برای تصمیم‌گیری بالینی امن است؟
بله، هوش مصنوعی عامیانه که در کنار بازبینی‌کنندگان انسانی کار می‌کند، می‌تواند با ارائه مسیر استدلال پشت هر تصمیم و تعریف محدوده هر اقدام خودمختار، از نرده‌های حفاظتی ایمنی پیروی کند. هوش مصنوعی عامیانه با دامنه تعریف‌شده می‌تواند مواردی را که پزشکان نیاز به بررسی دارند، محدود کند.
تفاوت بین هوش مصنوعی عامیانه و نرم‌افزار پشتیبانی تصمیم بالینی چیست؟
نرم‌افزار پشتیبانی تصمیم بالینی اطلاعاتی را برای تیم پزشکی فراهم می‌کند تا برای تصمیمات درمانی و مراقبتی آن‌ها را تفسیر و ارزیابی کنند. در مقابل، هوش مصنوعی عامیانه در میان چندین نقطه داده و سیگنال استدلال می‌کند و به‌طور خودکار تصمیم می‌گیرد که آیا یک سیگنال یا رویداد حتی پیش از ورود پزشک به صحنه نیاز به ارجاع دارد یا خیر.
آیا هوش مصنوعی عامیانه جایگزین قضاوت بالینی می‌شود؟
خیر، هوش مصنوعی عامیانه جایگزین یا تضعیف‌کننده قضاوت حیاتی انسانی نیست. هوش مصنوعی عامیانه در صورت ادغام و استقرار صحیح، حجم هشدارها را برای بررسی پزشک با حذف موارد غیرقابل اقدام کاهش می‌دهد. در حالی که قضاوت نهایی پزشکی بر عهده پزشکان است، هوش مصنوعی عامیانه به عنوان یک سیستم فیلترینگ هوشمند با قابلیت استدلال عمل می‌کند.
یک سیستم سلامت پیش از پذیرش هوش مصنوعی عامیانه برای RPM چه چیزی را باید بررسی کند؟
یک سیستم سلامت ابتدا باید بررسی کند که آیا لایه هوش مصنوعی عامیانه به طور یکپارچه با زیرساخت موجود سیستم‌های RPM، EHR/EMR و RTLS ادغام می‌شود یا خیر. سپس باید میزان تنظیم نرده‌های حفاظتی برای جمعیت بیماران را ارزیابی کند. در نهایت، باید بررسی کند که آیا یک مسیر بازگشت برنامه‌ریزی‌شده برای هرگونه ارجاع نادرست وجود دارد یا خیر.
منبع: From Alerts to Autonomy: What Agentic AI Means for Remote Patient Monitoring? — IoT For All؛ نویسنده: Solvios
منبع: iotforall