برنامه یادگیری ماشینی در یک مطالعه جدید، ۴۳ درصد از مرگ و میر ناشی از سرطان روده بزرگ را کاهش داد

سرطان روده بزرگ همچنان دومین عامل اصلی مرگ و میر ناشی از سرطان در ایالات متحده است و سالانه بیش از ۵۲,۰۰۰ نفر را به کام مرگ می‌کشاند، با وجود اینکه در صورت تشخیص زودهنگام، به شدت قابل درمان است. گلوگاه اصلی در کاهش این نرخ مرگ و میر، عدم تبعیت بیمار است؛ تقریباً نیمی از بزرگسالان واجد شرایط آمریکایی هنوز غربالگری‌های توصیه‌شده مانند کولونوسکوپی را به تعویق می‌اندازند. پیام‌رسانی‌های سنتی بهداشت عمومی و یادآوری‌های منفعلانه پزشکان مراقبت‌های اولیه همواره در پر کردن این شکاف ناکام بوده‌اند. اکنون، یک مطالعه جامع جدید شواهد قانع‌کننده‌ای ارائه می‌دهد که هوش مصنوعی، هنگامی که با ارتباطات هدفمند انسانی همراه شود، می‌تواند رفتار بیمار را به طور چشمگیری تغییر داده و جان افراد را نجات دهد. این تحقیق، که برای انتشار در نشریه INFORMS Manufacturing & Service Operations Management پذیرفته شده است، استقرار واقعی یک الگوریتم یادگیری ماشینی را در سیستم بهداشتی گایزینگر (Geisinger) پنسیلوانیا ارزیابی کرده و یکی از دقیق‌ترین بررسی‌ها را در مورد چگونگی هدایت تحلیل‌های پیش‌بینی‌کننده به سمت مراقبت‌های بالینی پیشگیرانه ارائه می‌دهد.[1][2][4]

شواهد اصلی بر یک مدل یادگیری ماشینی متمرکز است که برای شناسایی بیمارانی طراحی شده که در معرض بالاترین خطر ابتلا به سرطان روده بزرگ هستند و غربالگری‌های معمول خود را از دست داده‌اند. این الگوریتم به جای نیاز به آزمایش‌های تشخیصی جدید، سوابق الکترونیکی سلامت موجود را استخراج کرد. این مدل نتایج شمارش کامل خون (CBC) معمول را، در کنار داده‌های جمعیتی اولیه مانند سن و جنسیت، برای بیماران ۵۱ تا ۷۵ ساله تجزیه و تحلیل کرد. این سیستم تقریباً ۴۵۰ امتیاز خطر را در هر هفته پردازش کرد و در طول دوره مطالعه بیش از ۶۲,۰۰۰ ارزیابی خطر کلی ایجاد نمود. هنگامی که امتیاز خطر محاسبه شده یک بیمار از یک آستانه خاص (تعیین شده روی ۰.۱۵۰) عبور می‌کرد، سیستم به طور خودکار پرونده او را علامت‌گذاری می‌کرد. این علامت‌گذاری صرفاً در یک نمودار دیجیتال نمی‌ماند تا پزشک متوجه آن شود؛ بلکه یک جریان کاری فوری را فعال می‌کرد که در آن هماهنگ‌کنندگان پرستاری به طور پیشگیرانه با بیماران پرخطر تماس می‌گرفتند تا وضعیت پرخطر آنها را توضیح دهند و مستقیماً به آنها در برنامه‌ریزی کولونوسکوپی کمک کنند.[1][2][3]

منطق بالینی پشت اتکای الگوریتم به داده‌های شمارش کامل خون، ریشه در آسیب‌شناسی سرطان روده بزرگ دارد. هنگامی که پولیپ‌های پیش‌سرطانی یا تومورهای اولیه در روده بزرگ ایجاد می‌شوند، اغلب به صورت میکروسکوپی خونریزی می‌کنند. این خونریزی مزمن و خفیف اغلب توسط بیمار مورد توجه قرار نمی‌گیرد، اما در آزمایش‌های معمول خون به صورت افت جزئی هموگلوبین یا کم‌خونی خفیف ظاهر می‌شود. با آموزش مدل یادگیری ماشینی برای تشخیص این علائم هشداردهنده ضعیف و زودهنگام، همراه با عوامل خطر سن و جنسیت، سیستم به طور مؤثری بیمارانی را شناسایی می‌کند که بدنشان از قبل سیگنال یک بدخیمی بالقوه را می‌دهد. این امر به سیستم بهداشتی اجازه می‌دهد تا این افراد را برای کولونوسکوپی در اولویت قرار دهد و آنها را جلوتر از بیمارانی که مشخصات خطرشان صرفاً مبتنی بر سن است، به خط مقدم بفرستد، در نتیجه بازده تشخیصی بخش‌های آندوسکوپی بیمارستان را به حداکثر می‌رساند.[1][5][6]

برای اندازه‌گیری تأثیر واقعی این مداخله، تیم تحقیقاتی – متشکل از دانشگاهیان دانشکده کسب و کار کلمبیا، دانشگاه هنگ کنگ و رهبران بالینی در گایزینگر – از طرح ناپیوستگی رگرسیون استفاده کردند. این روش آماری به آنها اجازه داد تا نتایج بیمارانی را که درست بالای آستانه ۰.۱۵۰ امتیاز کسب کرده و تماس‌های تلفنی را دریافت کرده بودند، با کسانی که درست زیر آن امتیاز داشتند و مراقبت استاندارد دریافت می‌کردند، مقایسه کنند. تغییر رفتاری فوری و عمیق بود. بیمارانی که توسط ارتباطات هدایت‌شده با یادگیری ماشینی هدف قرار گرفتند، ۶.۰ واحد درصد بیشتر احتمال داشت که کولونوسکوپی را ظرف سه ماه تکمیل کنند – این یک افزایش خیره‌کننده ۲۱۴ درصدی نسبت به گروه کنترل بود. ظرف شش ماه، احتمال غربالگری ۶.۹ واحد درصد افزایش یافت که نشان‌دهنده تقویت نسبی ۱۱۷ درصدی است. علاوه بر این، این مداخله میانگین زمان لازم برای دریافت کولونوسکوپی توسط بیمار را ۱۲۴ روز کاهش داد.[1][2]

در حالی که افزایش تبعیت از غربالگری یک پیروزی عملیاتی مهم است، حیاتی‌ترین معیار در انکولوژی، بقا است. داده‌های گایزینگر شواهد محکمی ارائه می‌دهند که این مداخله الگوریتمی مستقیماً به نجات جان افراد منجر شده است. محققان تخمین زدند که برنامه ارتباطات هدایت‌شده با یادگیری ماشینی، مرگ و میر دو ساله در میان جمعیت علامت‌گذاری شده را ۶.۲ واحد درصد کاهش داده است. این رقم نشان‌دهنده کاهش نسبی ۴۳ درصدی در مرگ و میر در مقایسه با گروه کنترل است. این آمار با توجه به افق زمانی کوتاه دو ساله مطالعه، بسیار چشمگیر است و تأکید می‌کند که سرطان روده بزرگ در صورت تشخیص ندادن چقدر سریع می‌تواند پیشرفت کند و برعکس، مداخله فوری کولونوسکوپی و برداشتن پولیپ‌های متعاقب آن چقدر می‌تواند در متوقف کردن مسیر کشنده بیماری مؤثر باشد.[1][2][3]

موفقیت برنامه گایزینگر یک تحول حیاتی در کاربرد هوش مصنوعی در مراقبت‌های بهداشتی را برجسته می‌کند. سال‌هاست که بخش فناوری پزشکی مملو از مدل‌های پیش‌بینی‌کننده‌ای بوده که خطر بیماری را به درستی شناسایی می‌کنند اما در بهبود نتایج بیمار شکست می‌خورند، زیرا در یک جریان کاری بالینی کاربردی ادغام نشده‌اند. پزشکان، که از قبل تحت فشار کارهای اداری هستند، اغلب هنگام علامت‌گذاری منفعلانه نمودارهای بیمار توسط الگوریتم‌ها، دچار خستگی هشدار (Alert Fatigue) می‌شوند. مدل گایزینگر با دور زدن پزشک مراقبت‌های اولیه و هدایت مستقیم بینش‌های هوش مصنوعی به یک تیم اختصاصی از هماهنگ‌کنندگان پرستاری، تضمین کرد که پیش‌بینی‌های الگوریتم بلافاصله به مراقبت فعال از بیمار تبدیل شوند. هوش مصنوعی جایگزین تعامل انسانی نشد؛ بلکه آن را بهینه کرد و منابع محدود پرستاری را دقیقاً به سمت افرادی هدایت کرد که بیشترین نیاز را به تماس تلفنی داشتند.[1][3][6]

با وجود داده‌های بسیار مثبت، ابهامات شفافی در مورد مقیاس‌پذیری و کاربرد جهانی این مدل خاص باقی می‌ماند. این مطالعه به طور کامل در سیستم بهداشتی گایزینگر انجام شد، که یک شبکه یکپارچه در پنسیلوانیا با جمعیت بیماران نسبتاً پایدار و همگن است. مشخص نیست که آیا این الگوریتم در صورت استقرار در سیستم‌های بهداشتی که به گروه‌های جمعیتی بسیار متفاوت خدمات می‌دهند، یا در مناطقی با نرخ‌های پایه متفاوت سرطان روده بزرگ، دقت پیش‌بینی خود را حفظ خواهد کرد یا خیر. علاوه بر این، از آنجایی که این مدل به شدت به نتایج شمارش کامل خون اخیر متکی است، اثربخشی آن ذاتاً محدود به بیمارانی است که به اندازه کافی با سیستم مراقبت‌های بهداشتی در تعامل هستند تا آزمایش خون معمول در پرونده داشته باشند. بیماران بدون بیمه یا به شدت به حاشیه رانده شده که به طور کلی از مراجعه به پزشک اجتناب می‌کنند، داده‌های لازم برای فعال‌سازی ارتباطات نجات‌بخش الگوریتم را تولید نخواهند کرد.[1][6]

علاوه بر این، لجستیک مالی و عملیاتی مقیاس‌گذاری این مدل یک چالش پیچیده برای بیمارستان‌های کم‌منابع ایجاد می‌کند. در حالی که خود نرم‌افزار یادگیری ماشینی را می‌توان نسبتاً ارزان مقیاس‌گذاری کرد، مداخله کاملاً متکی بر در دسترس بودن هماهنگ‌کنندگان پرستاری آموزش‌دیده برای برقراری تماس‌های تلفنی، توضیح خطرات و مدیریت فرآیند زمان‌بندی است. در عصری که کمبود گسترده پرستار و کاهش بودجه بیمارستان‌ها وجود دارد، اختصاص دادن کارکنان صرفاً به ارتباطات پیشگیرانه ممکن است از نظر مالی برای کلینیک‌های کوچک‌تر یا بیمارستان‌های شبکه‌ای ایمنی (safety-net hospitals) غیرممکن باشد. با این حال، طرفداران استدلال می‌کنند که صرفه‌جویی‌های آتی ناشی از پیشگیری از درمان‌های سرطان در مراحل پایانی – که به طور معمول صدها هزار دلار برای هر بیمار هزینه دارد – بسیار بیشتر از سرمایه‌گذاری اولیه در کادر پرستاری و تحلیل‌های پیش‌بینی‌کننده است.[2][5][6]

در نهایت، بسته شواهد ارائه شده توسط این تحقیق، یک الگوی قانع‌کننده برای آینده پزشکی پیشگیرانه ارائه می‌دهد. همانطور که سیستم‌های بهداشتی به سمت مدل‌های مراقبت مبتنی بر ارزش حرکت می‌کنند که از نظر مالی به سالم نگه داشتن بیماران پاداش می‌دهند تا صرفاً درمان آنها در هنگام بیماری، مداخلات پیشگیرانه حیاتی‌تر خواهند شد. چارچوب تحلیلی توسعه یافته در این مطالعه ثابت می‌کند که وقتی هوش مصنوعی به طور متفکرانه با همدلی انسانی و کارایی عملیاتی همراه شود، می‌تواند فراتر از پیش‌بینی خطر نظری حرکت کند و به نتایج ملموس و نجات‌بخش دست یابد. برای ده‌ها هزار بیمار در معرض خطر بالای سرطان روده بزرگ، این ترکیب داده و ارتباطات اختصاصی، یک خط دفاعی جدید و حیاتی را نشان می‌دهد.[1][2][6]