نقش هوش مصنوعی و بلاک چین در بهداشت و درمان سال ۲۰۱۸

افزایش کاربردهای هوش مصنوعی و یادگیری ماشینی، الگوهای تحقیقات و درمان پزشکی را نیز تغییر داده است. این فناوری‌های پیشرفته، دسترسی محققان را در هر لحظه، به هر مقاله‌ی سفید و مطالعه‌ی موردی بالینی که روی اختلالات ژنتیکی انجام می‌شود، امکان‌پذیر می‌سازد.

توسعه‌ی چنین دیتابیس دقیقی از اطلاعات، به محققان اجازه می‌دهد نه‌تنها همه‌ی ابعاد یک بیماری را درک کنند، بلکه در زمان کوتاه‌تری درمان مناسب را بیابند.

شرکت Innoplexus که در سال ۲۰۱۱ توسط گانجان بهاردواج و گواراف تیرپاتی تأسیس‌ شد، یک شرکت فناوری توسعه‌ی محصولات است که روی راه‌ حل چالش‌های پیچیده صنایع دارویی و علوم زیستی متمرکز شده است. پلتفرم سراسری علوم زیستی آن‌ها، با استفاده از هوش مصنوعی داده‌های هوشمندی برای کمک به کشف، توسعه‌ی بالینی و تطابق داروهای پزشکی فراهم می‌کند.

Innoplexus علاوه بر تقویت راهکارهای پژوهشی، به سازمان‌های مراقبت‌های پزشکی هم کمک می‌کند از این فناوری‌ها برای بهبود سطح درمان استفاده کنند. زمانی که یک داروساز روی نتایج تحقیقات فعلی کار می‌کند، یا یک پژوهشگر پزشکی در جستجوی درمان‌های جایگزین است، یا یک متخصص برای یافتن داده‌های یک بیماری خاص تلاش می‌کند، این پلتفرم با در دسترس قرار دادن اطلاعات مرتبط، موانع اکتشافات را رفع می‌کند و باعث می‌شود پروسه‌ها سریع‌تر پیش برود.

اخیراً جولیان میشل از نشریه فوربز، با گانجان بهاردواج، هم‌بنیان‌گذار این شرکت مصاحبه کرده و در مورد این فن‌آوری‌های نوظهور و همچنین روند بهداشت و درمان سال ۲۰۱۸ از او سؤالاتی پرسیده است. بخش‌هایی از این مصاحبه را می‌خوانیم:

جولیان میشل: وضعیت فعلی صنعت بهداشت و درمان را چطور می‌بینید و فکر می‌کنید چرا زمان تحول این صنعت فرارسیده است؟

گانجان بهاردواج: سازمان USFDA (اداره‌ی غذا و داروی آمریکا) اخیراً راهنمایی‌هایی در مورد فناوری‌های دیجیتال ارائه کرده است. طبیعتاً این راهنما باعث می‌شود پشتیبانی تشخیصی، راحت‌تر از اپلیکیشن‌های دیجیتال استفاده کند. انتظار می‌رود بازیگران بزرگ تجارت الکترونیک نظیر آمازون، توزیع داروهای پزشکی را به عهده بگیرند. برخی از بازیگران حوزه‌ی هوش مصنوعی نظیر بنولنت؛ از این فناوری برای کشف داروها استفاده می‌کنند. شرکت‌های بزرگ داروسازی در راستای تشخیص‌های هوشمند، با شرکت‌های تکنولوژی وارد تعامل شده‌اند. مثلاً شرکت نوارتیس و گوگل برای توسعه‌ی لنز هوشمند فوکوس اتوماتیک، با یکدیگر همکاری می‌کنند. در حال حاضر اکثر مراکز درمانی، از روش‌های تشخیصی مبتنی بر هوش مصنوعی برای درمان اولین مراحل بیماری استفاده می‌کنند. شرکت‌هایی مانند روبومد، با به‌کارگیری رویکرد غیر متمرکز، ارائه‌دهندگان سرویس‌های درمانی و بیماران را به هم متصل می‌کنند؛ آن‌هم درحالی‌که همه‌ی طرفین می‌توانند داده‌ها را به اشتراک بگذارند.

جولیان میشل: فکر می‌کنید در حال حاضر و البته سال آینده، تکنولوژی چگونه صنعت بهداشت و درمان را تغییر می‌دهد؟

گانجان بهاردواج: تکنولوژی، داده‌ها را دموکراتیزه می‌کند و با تجزیه‌وتحلیل مستمر موضوعات مختلف، داده‌های دقیقی به دانشمندان ارائه می‌دهد. ترکیب بلاک چین و هوش مصنوعی، داده‌هایی را آنالیز می‌کند که در حال حاضر به علت مقررات دولتی یا قوانین حفظ حریم خصوصی، در دسترس ما قرار ندارند. از طرف دیگر در آینده بسیاری از پروسه‌های درمانی پرهزینه، برای شرکت‌های متوسط و کوچک بیوتکنولوژی، مراکز درمانی و حتی خود بیماران، قابل‌ اجرا خواهند بود. تکنولوژی، هم اطلاعات و راهکارهای مورد نیاز را فراهم می‌کند و هم با تطبیق داده‌های سازمانی و داده‌های خارجی، به ما فرصت می‌دهد تصمیم‌گیری نهایی بهتری داشته باشیم.

جولیان میشل: بحث‌های زیادی حواشی بیت کوین و بلاک چین صورت گرفته است. شما فکر می‌کنید بلاک چین به‌عنوان یک ابزار، چگونه به پیشرفت بهداشت و درمان کمک می‌کند؟

گانجان بهاردواج: بلاک چین برای حفظ و نگه‌داری داده‌های غیر متمرکز مورد استفاده قرار می‌گیرد. دنیایی را تصور کنید که در آن بیماران دیگر نگران این موضوع نیستند که باید اطلاعات رفتاری و داده‌های پزشکی مهم خود را با شرکت‌های داروسازی به اشتراک بگذارند؛ چراکه این داده‌ها روی بلوک‌ها ذخیره می‌شوند نه در آرشیو شرکت‌ها. اگر آن‌ها در تست‌های پزشکی شرکت کنند و مؤثر بودن داروها اثبات شود، به کمک قراردادهای هوشمند می‌توانند بلافاصله سهم خود را از مزایای حاصله دریافت کنند.

بلاک چین و هوش مصنوعی با یک تغییر ساختاری، کمک می‌کنند همه‌ی طرفین اطلاعاتشان را به‌صورت غیر متمرکز به اشتراک بگذارند؛ درحالی‌که سیستم هنوز می‌تواند از داده‌های موثق برای تصمیم‌گیری‌های هوشمند استفاده کند. این امر موانع بسیاری را از سر راه صنعت بهداشت و درمان برمی‌دارد، مشکلاتی نظیر پراکندگی اطلاعات، قوانین محدودکننده، نظارت‌های سخت روی به اشتراک‌گذاری و آنالیز این داده‌ها و همچنین عدم انگیزه برای انتشار نتایج آخرین تحقیقات.

جولیان میشل: هوش مصنوعی چطور بازار بهداشت و سلامت را باز-تعریف می‌کند؟

گانجان بهاردواج: هوش مصنوعی بازار را از زوایای مختلف تحت تأثیر قرار می‌دهد. برای شرکت‌های داروسازی، مدل کسب‌وکار جدیدی معرفی می‌کند که در آن همه‌ی مراحل، از کشف تا تجاری‌سازی، در یک محیط دیجیتال پیگیری می‌شوند. به‌علاوه ما شاهد ظهور سیستم‌های جدید کشف دارو مبتنی بر هوش مصنوعی هستیم. از طرف دیگر به کمک درمان هدفمند، بیماران از روی خصوصیات شخصی و بالینی شناسایی می‌شوند و به مراکز درمانی مناسب هدایت می‌شوند. در حال حاضر داده‌های دنیای واقعی سعی در کنار زدن نظارت‌های شدید و بی‌منطق قانونی دارند و ما شاهد بوده‌ایم که شرکت‌های بزرگ تجارت الکترونیک برای ورود به دنیای کسب‌وکار توزیع داروها، چه حرکات مؤثری را شروع کرده‌اند.

البته رگولاتورها هم به استقبال هوش مصنوعی رفته‌اند؛ چراکه به کمک هوش مصنوعی می‌توانند مجوز پخش داروها را تعیین و ایمنی بیماران را تضمین کنند. ببینید، بحث‌های متنوعی در مورد هوش مصنوعی و یادگیری ماشینی مطرح‌ شده است؛ به‌طوری‌که گاهی تشخیص واقعیت و رؤیا سخت می‌شود. بااین‌حال یادگیری ماشینی فقط یکی از رویکردهای هوش مصنوعی است. هوش مصنوعی زوایای دیگری هم دارد که به محققان، بازاریابان، رگولاتورها و درمانگران کمک می‌کند.

جولیان میشل: پیش‌بینی شخصی خود شما در مورد مراقبت‌های بهداشتی و صنایع مرتبط با آن، در سال ۲۰۱۸ چیست؟

گانجان بهاردواج: من معتقدم هوش مصنوعی روش‌های تجاری‌سازی داروها را بهبود می‌دهد. همچنین تأثیرات مهم و عمده‌ای در فرایندهای  کشف، پیشرفت بالینی و مقررات دارویی خواهد داشت؛ اما این تغییرات آهسته‌تر رخ می‌دهند. پیش‌بینی من این است که مراکز درمان با همین نرخ فعلی، به استفاده از هوش مصنوعی ادامه می‌دهند.  

گانجان بهاردواج: نوآوری در سطح وسیع‌تری تجاری‌سازی می‌شود؛ زیرا شرکت‌های کوچک‌تر بیوتکنولوژی و داروسازی هم به ابزارها و فرصت‌های مشابه دست پیدا می‌کنند. رگولاتورها نیز به روش‌های جدیدتر توسعه بالینی دست می‌یابند و در کل زمینه برای ورود و فعالیت بازیگران متعددی فراهم می‌شود. دسترسی به خدمات و مراقبت‌های بهداشتی، به‌صورت اتومات درمی‌آید. درنهایت برنده‌ی اصلی این روند، بیماران هستند که از درمان‌های مؤثرتر و مراقبت‌های بهتری بهره‌مند می‌شوند. هرچند ممکن است بهبود بهره‌وری مبتنی بر هوش مصنوعی، مستلزم هزینه‌های بالایی باشد.