هوش مصنوعی به جلوگیری از خطاهای دارویی کمک می کند

به گزارش همشهری آنلاین دکتر کلی مایکلسن، استادیار بیهوشی و طب درد در دانشگاه واشنگتن که مقالات بررسی‌هایی درباره شیوع خطاهای دارویی در بین متخصصان بیهوشی خوانده بود، به این فکر افتاد که از هوش مصنوعی برای تشخیص این خطاها استفاده کند.

او گفت: «به این فکر افتادم که انجام این کار برای هوش مصنوعی نباید خیلی سخت باشد. ۹۹ درصد از داروهایی که ما استفاده می‌کنیم، ۱۰ تا ۲۰ قلم دارو بیشتر نیستند، بنابراین ایده من این بود که می‌توانیم یک مدل هوش مصنوعی را آموزش دهیم تا این خطاها را تشخیص دهد و به عنوان یک جفت چشم دوم عمل کند.»

تحقیقات دکتر مایکلسن بر خطاهای مربوط به جابجای‌های ویال (شیشه حاوی داروی تزریقی) متمرکز بود که باعث ۲۰ درصد از کل اشتباهات دارویی می‌شوند. این نوع خطا زمانی اتفاق می‌افتند که کسی ویال اشتباهی از داروی تزریقی را انتخاب کند و محتوای آن را به درون سرنگ بکشد یا سرنگ به اشتباه برچسب‌گذاری شود که منجر به دریافت داروی اشتباه بوسیله بیمار می‌شود.

اقدامات ایمنی، مانند سیستم بارکد که به سرعت محتویات ویال را می‌خواند و تأیید می‌کند، برای جلوگیری از چنین حوادثی در نظر گرفته شده‌اند. اما پزشکان ممکن است گاهی اوقات انجام این وارسی را در شرایط پراسترس فراموش کنند، زیرا این یک مرحله اضافی در گردش کار آنهاست.

دکتر مایکلسن گفت می‌توان از این موارد از طریق «عینک هوشمند» – اضافه کردن یک دوربین پوشیدنی مجهز به هوش مصنوعی به عینک‌های محافظی که همه کارکنان در طول عملیات استفاده می‌کنند – جلوگیری کرد.

او با همکاری همکارانش در بخش علوم کامپیوتر دانشگاه واشنگتن سیستمی طراحی کرد که می‌تواند محیط اطراف را در جستجوی برچسب‌های ویال‌های دارو و سرنگ‌های ‌حاوی دارو اسکن کند و تعیین کند که آیا برچسب ویال و برچسب سرنگ باهم مطابقت دارند یا خیر.

توانایی بالا در تشخیص خطاها نشان داده شد

بررسی دکتر مایکلسن که بوسیله شرکت‌های هوش مصنوعی تامین مالی نشده بود، نشان داد که این دستگاه در شرایط شبیه‌سازی اتاق عمل قادر به تشخیص خطاهای جابه‌جایی ویال با دقت ۹۹.۶ درصد است.

پژوهشگران برای آموزش این مدل هوش مصنوعی داده‌های گسترده‌ای را گردآوری کردند و ویدئوهای 4K از آماده‌سازی دارو بوسیله بیهوشی‌دهندگان در محیط‌های اتاق عمل دنیای واقعی ضبط کردند. طی ۵۵ روز، ۴۱۸ بار کشیدن دارو در دو بیمارستان و ۱۷ اتاق عمل ضبط شد. مجموعه داده‌های ویدیویی شامل تغییرات در نورپردازی، تکنیک‌های پزشکان و انواع داروها بود که آموزش قوی برای مدل را تضمین می‌کرد.

برخلاف اسکن بارکد که نیاز به تعامل دستی دارد، سیستم دوربین پوشیدنی به صورت غیرفعال نشانه‌های بصری مانند رنگ درب ویال، اندازه چاپ برچسب و شکل سرنگ را تجزیه و تحلیل می‌کند. این قابلیت به ویژه در محیط‌های بالینی پویا که پزشکان به سرعت کار می‌کنند و ممکن است برچسب‌ها را به طور کامل دیده نشوند، ارزشمند است.

مدل هوش مصنوعی همچنین بین داروهای پیش‌زمینه و موارد نامرتبط در پس‌زمینه تمایز قائل می‌شود و صرفاً بر روی داروهای در حال آماده‌سازی تمرکز می‌کند.

دکتر مایکلسن گفت: «فکر اینکه بتوانیم به بیماران در زمان واقعی کمک کنیم یا از خطای دارویی قبل از وقوع آن جلوگیری کنیم، بسیار امیدبخش است»

پژوهشگران کاربردهای وسیع‌تری را برای هوش مصنوعی و یادگیری عمیق (deep learning) در مراقبت‌های بهداشتی پیش‌بینی می‌کنند که هم ایمنی و هم کارایی را در محیط بالینی گوناگون بهبود خواهد بخشید.

یافته‌های این بررسی در ژورنال npj Digital Medicine منتشر شده است.