کاربرد علم پیاده‌سازی برای از بین بردن شکاف دیرینه میان نوآوری‌های هوش مصنوعی و کاربرد بالینی

به گزارش علم‌خوان، در حالی که هوش مصنوعی عملکرد فنی چشمگیری را در تحقیقات تصویربرداری نشان داده است، اکثر ابزارها در دستیابی به پذیرش بالینی معمول شکست می‌خورند. این پژوهشگران تأکید می‌کنند که این مشکل در درجه اول فنی نیست، بلکه سازمانی، رفتاری و زمینه‌ای است.

 

چرا هوش مصنوعی در زمینه رسیدن به عملکرد بالینی با مانع روبرو است

علیرغم پیشرفت‌های سریع در الگوریتم‌های هوش مصنوعی برای بازسازی تصویر، تشخیص و بهینه‌سازی گردش کار، اکثر سیستم‌های هوش مصنوعی همچنان محدود به مطالعات اثبات مفهوم یا گذشته‌نگر هستند. این مقاله یک واقعیت را که به طور گسترده ذکر شده است، برجسته می‌کند: به طور متوسط، حدود ۱۷ سال طول می‌کشد تا شواهد تحقیقاتی به عملکرد معمول مراقبت‌های بهداشتی تبدیل شوند. در تصویربرداری پزشکی، این تأخیر توسط گردش‌های کاری پیچیده، چالش‌های نظارتی، محدودیت‌های زیرساختی و مسائل مربوط به اعتماد پزشک تشدید می‌شود.

 

علم پیاده‌سازی چیست؟

«علم پیاده‌سازی» مطالعه چگونگی پذیرش، ادغام و حفظ سیستماتیک نوآوری‌های مبتنی بر شواهد در محیط‌های مراقبت‌های بهداشتی در دنیای واقعی است. برخلاف «پزشکی مبتنی بر شواهد»  که بر این تمرکز دارد که آیا یک مداخله مؤثر است یا خیر . علم پیاده‌سازی بر چگونگی کارآمد کردن آن در عمل تمرکز دارد. این پژوهشگران علم پیاده‌سازی را به عنوان یک «سیستم ارائه» توصیف می‌کنند که تضمین می‌کند ابزارهای مؤثر واقعاً به نفع بیماران باشند.

 

مفاهیم کلیدی معرفی شده عبارتند از:

-استراتژی‌های پیاده‌سازی (به عنوان مثال، آموزش، طراحی مجدد گردش کار، مشارکت ذینفعان)

-نتایج پیاده‌سازی مانند پذیرش، وفاداری، مقیاس‌پذیری و پایداری

-نظریه‌ها، مدل‌ها و چارچوب‌ها به عنوان مثال، CFIR، EPIS، دانش تا عمل) که برنامه‌ریزی و ارزیابی پیاده‌سازی را هدایت می‌کنند.

 

ارزیابی علم پیاده‌سازی در مقابل ارزیابی هوش مصنوعی

ارزیابی سنتی هوش مصنوعی بر معیارهای فنی به عنوان مثال، دقت، امتیاز تاس، منحنی‌های ROC و گاهی اوقات عملکرد وظایف بالینی تمرکز دارد. این مقاله استدلال می‌کند که حتی زمانی که هوش مصنوعی از نظر فنی عملکرد خوبی دارد، پذیرش بالینی همچنان می‌تواند به دلیل عدم تطابق گردش کار، عدم اعتماد یا پشتیبانی ناکافی فناوری اطلاعات با شکست مواجه شود. علم پیاده‌سازی با پرداختن به این موانع دنیای واقعی و مطالعه اینکه چرا پزشکان از ابزارهای هوش مصنوعی استفاده می‌کنند یا نمی‌کنند، ارزیابی هوش مصنوعی را تکمیل می‌کند.

 

طرح‌های ترکیبی اثربخشی-اجرا

این پژوهشگران از طرح‌های مطالعاتی ترکیبی را طرفداری می‌کنند که هر دو مورد زیر را ارزیابی می‌کنند:

یک- اثربخشی بالینی ابزارهای هوش مصنوعی، و

دو- موفقیت پیاده‌سازی (جذب، امکان‌پذیری، پایداری)

این طرح‌ها به محققان اجازه می‌دهند تا عملکرد هوش مصنوعی و استراتژی‌های پیاده‌سازی را به طور همزمان بهینه کنند، که به ویژه در زمینه‌های با تکامل سریع مانند تصویربرداری مبتنی بر هوش مصنوعی اهمیت دارد.

 

نقش ترجمه دانش و خلق مشترک

این مقاله بین شیوه معمول end-of-grant در ترجمان دانش (انتشار یافته‌های به دست آمده از پژوهش هنگام تکمیل پروژه)‌  و ترجمان دانش یکپارچه (iKT) تمایز قائل می‌شود. ترجمان دانش یکپارچه پزشکان، مدیران و سایر ذینفعان را از مراحل اولیه توسعه هوش مصنوعی درگیر می‌کند و ارتباط، قابلیت استفاده و آمادگی برای پذیرش را تضمین می‌کند. این رویکرد مشارکتی و خلق مشترک، احتمال اعتماد و پایداری ابزارهای هوش مصنوعی را در عمل افزایش می‌دهد.

 

طراحی و همکاری انسان محور

این پژوهشگران بر اهمیت «تعامل انسان و کامپیوتر (HCI) و طراحی کاربر محور در هوش مصنوعی تصویربرداری پزشکی تأکید می‌کنند. بسیاری از شکست‌های پیاده‌سازی به این دلیل رخ می‌دهند که ابزارهای هوش مصنوعی «برای» پزشکان طراحی شده‌اند نه «با» آنها. پذیرش مؤثر نیازمند همکاری میان‌رشته‌ای میان محققان، پزشکان، مدیران و «کارگزاران دانش» (knowledge brokers) است که دنیای فنی و بالینی را به هم پیوند می‌دهند.

 

نتیجه‌گیری کلی

این مقاله نتیجه می‌گیرد که تأثیر آینده هوش مصنوعی در تصویربرداری پزشکی نه تنها به الگوریتم‌های بهتر، بلکه به مسیرهای پیاده‌سازی بهتر نیز بستگی دارد. علم پیاده‌سازی، چارچوب‌های مفهومی، روش‌ها و مدل‌های مشارکتی مورد نیاز برای اطمینان از قابل استفاده، قابل اعتماد، عادلانه و پایدار بودن ابزارهای هوش مصنوعی را فراهم می‌کند. بدون سیستم‌های اطلاعاتی، نوآوری‌های هوش مصنوعی این خطر را دارند که دستاوردهای تحقیقاتی چشمگیر باقی بمانند و هرگز به طور معناداری مراقبت از بیمار را بهبود نبخشند.

 

منبع: https://arxiv.org/abs/2510.13006

-