ما تعلم الآلة؟ وهل نحن مستعدون للذكاء الاصطناعي في الرعاية الصحية؟

مع اختراع الحاسوب وصيرورته جزءًا لا غنى عنه في حياتنا، بدأ الناس يتساءلون: إلى أي حد يمكن أن يكون ذكيًا؟ وهل الذكاء الاصطناعي ممكن؟ وكيف نجعل الحواسيب تتعلم ذاتيًا؟ ومن هنا نشأ سؤال: ما التعلم بالنسبة إلى الآلة؟ في 1959، قال Arthur Samuel إن الحواسيب تستطيع اكتساب القدرة على التعلم باستقلال عن البرمجة، وطوّر لعبة ضامة. وتميزت بأنها تحسن نفسها بالتعلم من حركاتها السابقة.

ما تعلم الآلة (Machine Learning)؟

تعلم الآلة (machine learning) هو استنتاج الحواسيب أو الأجهزة المطورة التي تحتوي ذكاءً اصطناعيًا من البيانات المتاحة، بجمع تخصصات كالإحصاء ونظرية المعلومات والخوارزميات والتحليل الدالي. ونراه اليوم في مجالات كالتعرف على الصوت والوجوه، وتحليلات البحث في المركبات الذاتية، والتنقيب عن البيانات والتطبيقات الطبية.

إلى أي مرحلة وصلنا في تعلم الآلة؟

في تحليلات مجموعة Gartner للاتجاهات التقنية، وضمن دورة الضجيج للتقنيات الناشئة، نرى أن تعلم الآلة في مرحلة «The peak of expectations»، أي ذروة التوقعات. ونرى أن الطابعات ذات 3 أبعاد التي كانت هنا سابقًا أصبحت سهلة الوصول جدًا وتتطور سريعًا. وبالمثل سنصادف تعلم الآلة أكثر في المستقبل القريب.

من بيانات الجينوم الشخصي والمستشعرات الحيوية إلى السجلات الصحية الإلكترونية (ESK) وطلبات التأمين الصحي، نعرف جميعًا الآن ما يشكله ذلك للتحول الصحي، وهو البيانات الضخمة (big data). ويمكن لتعلم الآلة باستخدامها تقديم تحليلات مختلفة وتوقعات داعمة. وفي الرعاية الصحية تُسمى هذه أنظمة دعم القرار . لكن التنبؤات في الصحة ليست جديدة (مثل تصنيف APACHE لتوقع مسار مرضى العناية المركزة وخطر وفاتهم، أو أداة ASCVD لحساب خطر الحاجة إلى أدوية خفض الكوليسترول). ويمكن بتعلم الآلة والبيانات السريرية بناء نماذج تنبؤية لآلاف المشكلات السريرية المشابهة.

مهمة الذكاء الاصطناعي في الرعاية الصحية ليست سهلة

يهدف إلى توقع الأوبئة عالميًا ومتابعتها مشروع Google Flu ، وقد تبيّن أن أهم أسباب إخفاقه خيبة الأمل في تحليل البيانات. وتوجد فعلًا مشكلات خطرة حاليًا في نقل البيانات الصحية ومعالجتها. فمثلًا، بينما كانت الأساليب التقليدية لتسجيل المرضى تكوّن بيانات شاملة، نرى أن مصادر بيانات المرضى اليوم أكثر تقييدًا (صعوبة التقيد بقوالب معينة).

تُشاهد تطبيقات تعلم الآلة في قطاعات صحية كثيرة، من تشخيص المرض والعلاج المخصص إلى اكتشاف الأدوية والأشعة. وأكبر عوائق تطوره توحيد البيانات وإدارتها. ولانتقال هذا الاتجاه التقني الموجود في ذروة التوقعات وفق دورة الضجيج، من المرحلة 3. «قاع خيبة الأمل» إلى المرحلة 4. «منحدر التنوير» بسرعة وفعالية أكبر، ينبغي إدراك أخطاء الماضي. وفي القطاع الصحي، يجب جعل تطبيقات السجلات الصحية الإلكترونية أكفأ وأكثر فعالية لتعلم الآلة.