چگونه یک رویکرد مبتنی بر هوش مصنوعی به یک بنیانگذار حوزه فناوری کمک کرد تا بر سرطان نادر غلبه کند
زمانی که کونو کریستو (Conno Christou)، کارآفرینی که بر بهینهسازی سلامت تمرکز داشت، مبتلا به نوع تهاجمی لنفوم غیرهاجکین شد، از سپردن بقای خود به دست شانس خودداری کرد. او با برخورد با نبرد پزشکی خود مانند یک استارتاپ پرریسک، از دادههای ابزارهای پوشیدنی و LLMها برای پیمودن مسیر پیچیده مراقبتهای بهداشتی بهره برد.
بقای مبتنی بر داده در مواجهه با بیماری نادر
تشخیص کریستو یک ناهنجاری آماری بود: تودهای به ابعاد ۱۱ در ۱۱ در ۸ سانتیمتر در پشت جناغ سینه او که بر اثر یک جهش ژنتیکی تصادفی ایجاد شده بود. برای بیماریای که تنها یک نفر از هر ۴۲۰,۰۰۰ نفر را تحت تأثیر قرار میدهد، پروتکلهای پزشکی استاندارد اغلب برای سطح دقتی که او نیاز داشت، کافی نبودند. پس از دریافت توصیههای درمانی کاملاً متضاد از دو متخصص — یکی رژیم درمانی با نرخ موفقیت ۶۰ درصد و دیگری مسیری تهاجمی با نرخ موفقیت ۸۵ درصد را پیشنهاد میداد — کریستو به تجمیع دادهها روی آورد.
او تنها به یک نظر دوم بسنده نکرد؛ بلکه ۱۲ نظر مختلف جمعآوری کرد. او با در نظر گرفتن روند بهبودی خود به عنوان یک «ماراتن از دویهای سرعت»، از ابزار پوشیدنی Whoop خود برای پیشبینی فروپاشی سیستم ایمنی استفاده کرد و یک دفترچه یادداشت دقیق از علائم خود را از طریق تبدیل گفتار به متن (voice transcription) نگهداری نمود. این جمعآوری دادههای جزئی به او اجازه داد تا خواب، تغذیه و تابآوری روانی خود را با همان دقتی که برای توسعه شرکتهایش به کار میبرد، زیر نظر بگیرد.
استفاده از LLMها برای پر کردن شکاف دانش پزشکی
مهمترین نقطه عطف در مسیر کریستو، استفاده از Claude بود، یک LLM که توسط Anthropic توسعه یافته است. در حالی که کارشناسان پزشکی مانند دانیل بیترمن از Mass General Brigham هشدار میدهند که چتباتهای عمومی هنوز برای تشخیصهای شخصیسازیشده تایید نشدهاند، کریستو کاربرد دیگری برای آنها یافت: استفاده از هوش مصنوعی برای پرسیدن سوالات بهتر.
برای یک لنفوم نادر، یک متخصص انکولوژی ممکن است تنها یک بار در سال با یک حالت خاص از بیماری مواجه شود. در مقابل، یک LLM بدنه عظیمی از ادبیات پزشکی جهانی را «جذب» کرده است. کریستو نتایج آزمایش خون، دادههای اسکن، خروجیهای ابزارهای پوشیدنی و یادداشتهای روزانه خود را به مدل داد و دادههای خام را به بینشهای کاربردی تبدیل کرد که به او در مدیریت گفتگو با متخصصان تراز اول جهان کمک کرد.
اجتناب از درمانهای غیرضروری از طریق تشخیص الگو توسط هوش مصنوعی
قدرت واقعی هوش مصنوعی در طول آخرین اسکن PET کریستو که نتایج مبهمی داشت، آشکار شد. متخصص انکولوژی او پیشنهاد داد که درمان به خط دوم (second line of therapy) تغییر یابد، که شامل پرتودرمانی (radiotherapy) بالقوه خطرناک در نزدیکی قلب و ریههای او بود.
با این حال، کریستو به یک آمار حیاتی توجه کرد: نرخ مثبت کاذب برای اسکنهای PET در پایان درمان در شرایط خاص او میتواند تا ۶۰ درصد باشد. او اسکنهای PET و دادههای MRI خود را به Claude داد، که یک پدیده بالینی خاص را شناسایی کرد: «بازگشت تیموس» (thymus rebound). مدل پیشنهاد کرد که در بیماران زیر ۴۰ سال، فعال شدن مجدد غده تیموس میتواند در تصاویر پزشکی، مشابه بیماری فعال به نظر برسد. هوش مصنوعی احتمال این توضیح را حدود ۹۰ درصد برآورد کرد. پس از جستجوی تأییدیه بیشتر از متخصصان، تشخیص تأیید شد؛ او از سرطان پاک بود و از پرتودرمانی غیرضروری جلوگیری شد.
آیندهی حمایتگری شخصیسازیشده از بیمار
داستان کریستو نشاندهنده یک روند رو به رشد در «حمایتگری مبتنی بر هوش مصنوعی توسط بیمار» است. با پیچیدهتر شدن LLMها، مرز بین تخصص بالینی و تحلیل دادههای بیمارمحور در حال کمرنگ شدن است. برای توسعهدهندگان و بنیانگذاران، این نشاندهنده یک فرصت عظیم در تلاقی MedTech و Generative AI است: ساخت ابزارهایی که جایگزین پزشکان نمیشوند، بلکه بیماران را توانمند میسازند تا محدودیتهای سیستم پزشکی را مدیریت کنند.
نکات کلیدی
- تصمیمگیری مبتنی بر داده: کریستو با سفر پزشکی خود مانند یک مسئله علم داده برخورد کرد و از ابزارهای پوشیدنی و ثبت دقیق اطلاعات برای مدیریت وضعیت جسمی و روانی خود استفاده کرد.
- هوش مصنوعی به عنوان لایه استدلال: او به جای استفاده از LLMها برای تشخیص مستقیم، از Claude برای ترکیب دادههای پیچیده و تدوین سوالات سطح بالا برای تیم پزشکی خود استفاده کرد.
- کاهش خطاهای پزشکی: هوش مصنوعی به شناسایی پدیده «بازگشت تیموس» کمک کرد که از پرتودرمانی غیرضروری و تهاجمی جلوگیری کرد و ارزش هوش مصنوعی را در تشخیص الگوهای بالینی نادیده گرفته شده اثبات نمود.