کاربرد هوش مصنوعی در شناسایی بیماران پرخطر
استفاده از فناوری‌های نوین و هوش مصنوعی در سیستم‌های مراقبت بهداشتی برای شناسایی بیماران در معرض خطر بالا به طور فزاینده‌ای در حال گسترش است. با این حال، مطالعات آزمایشگاهی پیشین درباره نگرش بیماران نسبت به استفاده از هوش مصنوعی نتایج متناقضی را نشان داده‌اند. در این راستا، یک پژوهش میدانی گسترده در ایالات متحده آمریکا بررسی کرده است که آیا مطلع ساختن بیماران از میزان خطر ابتلا به آنفولانزا و عوارض جانبی آن می‌تواند به عنوان یک مداخله مؤثر برای تغییر رفتار و افزایش نرخ واکسیناسیون عمل کند یا خیر.
این پژوهش همچنین به دنبال پاسخ به این پرسش بود که آیا افشای صریح استفاده از هوش مصنوعی در فرآیند تعیین خطر، یا ارائه دلایل شخصی‌سازی‌شده برای پیش‌بینی‌های الگوریتم (که نوعی هوش مصنوعی توضیح‌پذیر به شمار می‌رود)، بر میزان اثربخشی پیام‌های ارسالی به بیماران تأثیرگذار است یا خیر.
روش‌شناسی و ساختار کارآزمایی‌های بالینی
برای دستیابی به نتایج دقیق، سه کارآزمایی کنترل‌شده تصادفی ثبت‌شده با حضور بیش از ۹۰,۰۰۰ بیمار منحصربه‌فرد در سیستم درمانی ایالات متحده آمریکا طراحی و اجرا شد. این مطالعات با شناسه‌های رسمی NCT۰۴۳۲۳۱۳۷، NCT۰۵۰۰۹۲۵۱ و NCT۰۵۵۰۹۲۸۳ به ثبت رسیده‌اند. در این طرح، بیمارانی که توسط یک الگوریتم یادگیری ماشین از پیش ارزیابی‌شده و معتبر به عنوان افراد دارای خطر بالای ابتلا به آنفولانزا و عوارض مرتبط با آن شناسایی شده بودند، به صورت تصادفی در گروه‌های مختلف قرار گرفتند.
به یک گروه از این بیماران هیچ پیامی ارسال نشد، در حالی که گروه‌های دیگر پیام‌های متفاوتی دریافت کردند که آن‌ها را به تزریق واکسن آنفولانزا تشویق می‌کرد. این پیام‌ها شامل یادآوری‌های ساده یا هشدارهای شخصی‌سازی‌شده مبتنی بر تحلیل الگوریتم بودند.
یافته‌های حاصل از مداخلات رفتاری
تحلیل داده‌های به‌دست‌آمده نشان داد که ارسال پیام‌های هشداردهنده به افراد پرخطر تأثیر مثبتی بر افزایش نرخ واکسیناسیون داشته است. جزئیات این تغییرات رفتاری به شرح زیر است:
- میزان واکسیناسیون در میان بیمارانی که از سطح خطر بالای خود مطلع شده بودند، ۱.۱ تا ۱.۴ درصد (معادل ۳.۳ تا ۵.۴ درصد نسبی) بیشتر از بیمارانی بود که تنها یک پیام یادآوری ساده برای دریافت واکسن دریافت کرده بودند.
- همچنین نرخ واکسیناسیون در این گروه از بیماران در مقایسه با افرادی که هیچ پیامی دریافت نکرده بودند، بین ۱.۷ تا ۳.۵ درصد (معادل ۳.۳ تا ۱۴.۷ درصد نسبی) افزایش یافت.
یکی از یافته‌های کلیدی این مطالعه، عدم تفاوت معنادار در نرخ واکسیناسیون میان گروه‌هایی بود که در پیام‌های آن‌ها به نقش «الگوریتم» یا دلایل پیش‌بینی آن اشاره شده بود، در مقایسه با گروه‌هایی که این اطلاعات را دریافت نکرده بودند. این موضوع نشان می‌دهد که بیماران در مواجهه با این کاربرد واقعی در حوزه سلامت، نسبت به استفاده از الگوریتم‌ها یا ویژگی توضیح‌پذیری آن‌ها سوگیری منفی یا مثبت خاصی ندارند.
تأمین مالی و دسترسی به داده‌ها
این پروژه پژوهشی به طور جزئی توسط مؤسسه ملی پیری از مؤسسات ملی بهداشت تحت شماره حمایت مالی P۳۰AG۰۳۴۵۳۲ پشتیبانی شده است. داده‌های بدون هویت و کدهای لازم برای بازتولید نتایج این کارآزمایی‌ها جهت بررسی‌های علمی بیشتر در دسترس قرار گرفته است.