هوش مصنوعی از پزشک پیشی نگرفته است؛ بیش از هر زمان دیگری به پزشک و پرستار نیاز داریم
در این مقاله
پیش‌بینی می‌شود تا سال 2032 ایالات متحده با کمبود حدود 122 هزار پزشک روبه‌رو شود. این مشکل همین حالا در رادیولوژی آشکار شده است: در آغاز 2025، بیش از 4 هزار موقعیت شغلی رادیولوژی در ایالات متحده خالی بود.
نخستین و مشهورترین پیش‌گویی که با شنیدن نام هوش مصنوعی و پزشکی به ذهن می‌آید، متعلق به Geoffrey Hinton، برنده نوبل و یکی از کسانی است که «پدرخوانده» هوش مصنوعی شمرده می‌شود. Hinton در 2016 با لحنی بسیار قطعی گفت که ماشین‌ها ظرف 5-10 سال از رادیولوژیست‌ها پیشی خواهند گرفت؛ حتی این حرفه را به «شغالی که مدت‌ها پیش از پرتگاه افتاده، اما چون هنوز به پایین نگاه نکرده، متوجه نشده است» تشبیه کرد و گفت: «باید آموزش رادیولوژیست‌ها را فوراً متوقف کنیم.»
ده سال گذشت. نتیجه تقریباً کاملاً خلاف آن پیش‌گویی بود.
واقعیت رادیولوژی در 2026
- بزرگ‌ترین کمبود رادیولوژیست در تاریخ: در برخی مراکز ایالات متحده، تصاویر پزشکی ماه‌ها روی هم انباشته شده‌اند؛ تا آغاز 2025 بیش از 4.000 جایگاه رادیولوژیست خالی بود و این موقعیت‌ها ماه‌ها بدون نیرو می‌مانند.
- حقوق‌ها در بالاترین سطح تاریخی: میانگین حقوق سالانه رادیولوژیست در ایالات متحده به حدود 571.000 دلار رسید — تصویری از حرفه‌ای که نه «بی‌ارزش شده»، بلکه تقاضا برای آن جهش کرده است.
- کمبود در حال افزایش است: بریتانیا تا 2028 انتظار کمبود %40 در رادیولوژیست‌های متخصص ارشد را دارد؛ در ایالات متحده نیز تا 2032 کمبود 122.000 نفر در مجموع پزشکان پیش‌بینی می‌شود.
- Hinton عقب‌نشینی کرد: در 2025، Hinton گفت که «بیش از حد کلی سخن گفته» و در واقع فقط درباره تحلیل تصویر صحبت می‌کرده است؛ اکنون می‌گوید هوش مصنوعی رادیولوژیست‌ها را «کارآمدتر و دقیق‌تر» خواهد کرد.
هوش مصنوعی جای رادیولوژیست‌ها را نمی‌گیرد؛ اما رادیولوژیست‌هایی که از هوش مصنوعی استفاده می‌کنند، جای کسانی را می‌گیرند که از آن استفاده نمی‌کنند.
پارادوکس جوونز شاید در سلامت به خالص‌ترین شکل خود عمل کند. به یاد بیاوریم: در قرن 19، اقتصاددان William Stanley Jevons نشان داد که هرچه موتورهای بخار زغال‌سنگ را کارآمدتر مصرف می‌کردند، مصرف زغال‌سنگ کاهش نمی‌یافت؛ بلکه افزایش می‌یافت . بهره‌وری، هزینه را کاهش می‌دهد؛ کاهش هزینه، کاربردهای جدید می‌گشاید و تقاضای کل بیشتر می‌شود.
جوونز در سلامت: تله «کار پایان‌ناپذیر»
مجموعه رو‌به‌رشد نوشته‌های علمی در 2025-2026 (The American Journal of Medicine، Lancet Digital Health) نشان می‌دهد که همین پارادوکس در هوش مصنوعی سلامت عمل می‌کند. سازوکار به این صورت است:
کاهش هزینه یک کار بالینی، آستانه درخواست یا انتظار انجام آن کار را نیز پایین می‌آورد. وقتی تفسیر یک بررسی، نوشتن یک یادداشت یا خواندن یک تصویر ارزان‌تر می‌شود — بررسی‌های بیشتری درخواست می‌شود، تصاویر بیشتری گرفته می‌شود و انتظار بیشتری شکل می‌گیرد. سپس سیستم، ظرفیت «آزادشده» توسط هوش مصنوعی را با تقاضاهای جدید دوباره می‌بلعد.
در نوشته‌های علمی به این پدیده «تله جوونز» می‌گویند: هوش مصنوعی می‌تواند در سلامت کار بی‌پایان ایجاد کند. زیرا تقاضا در پزشکی تقریباً هیچ‌وقت اشباع نمی‌شود — همیشه بیماران بیشتری برای غربالگری، یافته‌های بیشتری برای پیگیری و درمان‌های بیشتری برای شخصی‌سازی وجود دارد.
یک توضیح صادقانه: جوونز همیشه و همه‌جا صادق نیست
برخی متخصصان معتقدند که کمبود در رادیولوژی در واقع «جوونز» نیست، بلکه صرفاً کمبود عرضه‌ای طبیعی است که سال‌ها ادامه داشته است (سالمندشدن جمعیت + ظرفیت محدود آموزش + بازنشستگی‌ها)؛ زیرا بهره‌وری در تفسیر تصاویر هنوز چندان افزایش نیافته و حتی زمان‌های انتظار طولانی‌تر شده‌اند. این نقد هشداری به‌جا دارد: پارادوکس جوونز چارچوبی قوی است، اما توضیحی جادویی نیست. با این حال، هر دو تفسیر به یک نتیجه می‌رسند — هوش مصنوعی در آینده قابل‌پیش‌بینی، کمبود رادیولوژیست/پاتولوژیست/انکولوژیست را برطرف نمی‌کند و حتی می‌تواند تقاضا را افزایش دهد. بحث بر سر «آیا AI نیاز به نیروی انسانی را کاهش می‌دهد؟» نیست؛ بحث بر سر «چقدر آن را افزایش می‌دهد؟» است.
این تصویر شاید در انکولوژی حتی شدیدتر باشد — و مستقیماً به مراقبت از بیماران مبتلا به سرطان مربوط می‌شود. در حالی که از «خودکارشدن» مراقبت انکولوژی با هوش مصنوعی سخن گفته می‌شود، داده‌های واقعی فوریتی کاملاً مخالف را نشان می‌دهند: کمبود انکولوژیست در حال افزایش است.
عوامل افزایش‌دهنده کمبود نیروی کار در انکولوژی
- سالمندشدن جمعیت: جمعیت بالای 65 سال به‌سرعت افزایش می‌یابد؛ سرطان تا حد زیادی بیماری سالمندی است، بنابراین تقاضا به‌طور ساختاری بیشتر می‌شود.
- افزایش بروز و پیگیری بهتر: تشخیص‌های بیشتر، بازماندگان بیشتر، پیگیری بلندمدت بیشتر — همه این‌ها تقاضا برای ساعات کار انکولوژیست را افزایش می‌دهند.
- ظرفیت محدود آموزش: تربیت انکولوژیست فرایندی طولانی و دارای گلوگاه است؛ عرضه نمی‌تواند سریع افزایش یابد.
- فرسودگی شغلی (burnout): بار اداری و شدت فشار عاطفی، انکولوژیست‌های موجود را نیز فرسوده می‌کند — و این امر عرضه مؤثر را کاهش می‌دهد.
دیجیتالی‌شدن سلامت سال‌ها کند و با دشواری پیش رفت — حتی سلامت از حوزه‌های اصلی گورستان استارتاپ‌ها بود. مدل‌های زبانی بزرگ (BDM، LLM= large language models) این تصویر را تا حدی تغییر دادند: امروز پزشکان به‌طور فزاینده از LLMها به‌عنوان یک سامانه پشتیبانی تصمیم استفاده می‌کنند. اما تفاوت میان «پشتیبان تصمیم» و «تصمیم‌گیرنده»، جوهر تمام این موضوع است.
یافته‌های 2 سال اخیر چه می‌گویند؟
- تقویت توانایی، نه جایگزینی: مرورهای LLM در انکولوژی روشن‌اند: این مدل‌ها به‌عنوان ابزارهای پشتیبانی تصمیم بالینی و ابزارهای بیمارمحور ارزشمندند، اما نه برای «جایگزینی انکولوژیست‌ها» — بلکه تحت نظارت پزشک بالینی و برای تقویت تخصص.
- استدلال بالینی هنوز ناکافی است: مطالعه Mass General Brigham که در 2026، تعداد 21 مدل زبانی بزرگ متفاوت را بررسی کرد، نشان داد که هوش مصنوعی همچنان در مهارت‌هایی مانند «تشخیص افتراقی» که در قلب استدلال بالینی قرار دارند، ناکافی است — «هنر پزشکی» هنوز قابل تقلید نیست.
- مشکل توهم و تعمیم: خروجی‌های نادرست اما قانع‌کننده، بیش‌برازش به مجموعه‌داده‌های محدود و ازکارافتادن در وضعیت‌های «خارج از توزیع»، موانع جدی کاربرد بالینی هستند.
- اما فایده واقعی نیز وجود دارد: مطالعات تصادفی‌سازی‌شده درباره «ثبت‌کنندگان» (scribe) هوش مصنوعی محیطی (ambient)، ظرفیت کاهش بار مستندسازی و فرسودگی پزشکان را نشان می‌دهند — یعنی ارزش در جایگزین‌کردن پزشک نیست، بلکه در فرصت نفس‌کشیدن دادن به اوست.
وعده هوش مصنوعی در پزشکی بالینی، در جایگزین‌کردن استدلال پزشک نیست، بلکه در پشتیبانی از آن است — آن هم فقط وقتی تمام داده‌های مرتبط موجود باشند، که همیشه چنین نیست.
در پس خطاهای مکرر رهبران فناوری در پیش‌گویی‌های سلامت، ماهیت ویژه سلامت قرار دارد که «تبدیل آن به نرم‌افزار دشوار» است. نادیده‌گرفتن این موضوع هم برای بیماران و هم برای سیستم پرهزینه خواهد بود.
| مانع | چرا هوش مصنوعی به‌تنهایی نمی‌تواند از آن عبور کند؟ |
|---|---|
| استدلال بالینی | پزشکی یعنی تصمیم‌گیری با اطلاعات ناقص و متناقض، در شرایط عدم قطعیت؛ فراتر از تشخیص الگو، به زمینه، شهود و یکپارچه‌سازی نیاز دارد. |
| معاینه فیزیکی و داده‌های حسی | لمس، دیدن، شنیدن، «حال عمومی» بیمار — دانشی متکی بر حضور جسمانی (embodied) که هوش مصنوعی به آن دسترسی ندارد. |
| مسئولیت و قانون | مسئولیت خطا با چه کسی است؟ مسئولیت قانونی از سخت‌ترین موانع تصمیم مستقل هوش مصنوعی است. |
| مقررات | تأیید دارو/تجهیزات، حکمرانی داده، حریم خصوصی — سلامت به‌درستی از حوزه‌های تحت شدیدترین نظارت است. |
| ادغام در جریان کار | چیزی که «در آزمایشگاه کار می‌کند»، اغلب در محیط بالینی واقعی و پر از اختلال شکست می‌خورد؛ ناکامی‌های پرسر‌وصدای استقرار، این را بارها نشان داده‌اند. |
| اعتماد و رابطه | رابطه بیمار و پزشک بر همدلی و اعتماد بنا شده است؛ بیماران به هوش مصنوعی اعتماد متوسطی دارند و با افزایش پیچیدگی، اعتماد کمتر می‌شود. |
روایت جدید «بهره‌وری» مدیران عامل نیز ممکن است به‌اندازه روایت قدیمی «آخرالزمان مشاغل»، پیش‌گویی اغراق‌آمیزی باشد. این در سلامت نیز صادق است. زیرا داده‌های کلان هنوز جهش عظیم بهره‌وری وعده‌داده‌شده را نشان نمی‌دهند.
وعده بهره‌وری و واقعیت
- Goldman Sachs پیش‌بینی کرده بود که هوش مصنوعی مولد در ده سال ~%7 (7 تریلیون دلار) به اقتصاد جهانی اضافه خواهد کرد.
- Daron Acemoğlu، اقتصاددان برنده نوبل 2024 پیش‌بینی بسیار محتاطانه‌تری داشت: سهم هوش مصنوعی در بهره‌وری کل طی ده سال کمتر از %1 و اثر آن بر اقتصاد حدود ~%1,1 است.
- در دو سالی که گذشت، داده‌ها بیش از همه به پیش‌بینی محتاطانه Acemoğlu نزدیک شدند — نه در آمار بهره‌وری ایالات متحده و نه در داده‌های اشتغال، جهش وعده‌داده‌شده دیده نشد.
- اگر به سلامت تعمیم دهیم: سهم هوش مصنوعی در بهره‌وری پزشکی واقعی است، اما به احتمال زیاد تدریجی خواهد بود؛ نه «سیستم سلامتی که یک‌شبه دگرگون می‌شود»، بلکه دستاوردهایی که طی سال‌ها به دست می‌آیند، در جریان کار جا می‌گیرند و با دقت تأیید می‌شوند. همین ویژگی Acemoğlu را از جمع متمایز می‌کرد: ارائه اعدادی محتاطانه و قابل‌ابطال.
فرض کنیم پارادوکس جوونز در سلامت کاملاً عمل کرد و هوش مصنوعی تقاضای کل را افزایش داد. آیا این برای همه خبر خوبی است؟ هشدار مهم در اینجا نیز صادق است: پارادوکس جوونز درباره مجموع عمل می‌کند، نه درباره فرد. کیک ممکن است بزرگ‌تر شود؛ اما هیچ تضمینی برای توزیع عادلانه سهم‌ها وجود ندارد.
⚖️ سود نزد چه کسانی جمع می‌شود؟
معادل مثال حوزه حقوق را در پزشکی در نظر بگیریم. اگر هوش مصنوعی کارهایی مانند خوانش اولیه تصاویر یا ارزیابی اولیه پاتولوژی را بر عهده بگیرد، این می‌تواند برای متخصصان باتجربه و مراکز بزرگ به معنای بهره‌وری و درآمد باشد. اما برای رادیولوژیست جوان، پاتولوژیست یا دستیار که تازه وارد حرفه شده، دقیقاً با همین کارهای «روزمره» می‌آموزد و مسیر شغلی خود را آغاز می‌کند، ممکن است به معنای از دست دادن یک پله باشد.
بنابراین خطر این نیست که «همه رادیولوژیست‌ها بیکار خواهند شد»؛ خطر، تنگ‌شدن دروازه ورود به حرفه و تمرکز سود در رأس است. در منچستر قرن 19، با افزایش مصرف زغال‌سنگ، زندگی هر کارگر معدن زغال‌سنگ آسان‌تر نشد — این بار نیز پرسش این نیست که آیا کیک بزرگ‌تر می‌شود، بلکه این است که وقتی در بسته می‌شود، چه بر سر کسانی می‌آید که بیرون مانده‌اند.
به همین دلیل «نیروی سلامت بیشتر» مسئله‌ای هم کمی و هم کیفی است
داده‌ها به ما می‌گویند که به متخصصان سلامت بیشتری نیاز داریم — اما اگر هنگام پاسخ‌دادن به این نیاز، به اثر هوش مصنوعی بر آموزش و پله‌های مسیر شغلی توجه نکنیم، ممکن است ناخواسته راه تربیت متخصصان آینده را مسدود کنیم. پس مسئله فقط «چند پزشک» نیست، بلکه «چگونه آن‌ها را تربیت و حفظ کنیم» نیز هست — در عصر هوش مصنوعی، این به سیاستی آگاهانه‌تر از همیشه نیاز دارد.
تا اینجا درباره پزشکان صحبت کردیم — رادیولوژیست‌ها، انکولوژیست‌ها، پاتولوژیست‌ها. اما برای این‌که استدلال خود این نوشته ناقص نماند، باید مهم‌ترین واقعیت را بیان کرد: بزرگ‌ترین کمبود نیروی انسانی در سلامت، در میان پزشکان نیست، بلکه در میان پرستاران و سایر کارکنان سلامتی است که مستقیماً از بیمار مراقبت می‌کنند. و تراژدی این است که این دست‌ها که بیش از همه به بیمار می‌رسند، هم بزرگ‌ترین کمبود را تجربه می‌کنند و هم در آسیب‌پذیرترین شرایط و با کمترین دستمزدها کار می‌کنند.
ارقام نشان می‌دهند که چرا گسترش جمله «به پزشک نیاز داریم» به جمله «به نیروی سلامت نیاز داریم» ضروری است.
این تصویر تنها استدلال اصلی نوشته را تأیید نمی‌کند — آن را روشن‌تر نیز می‌کند. اگر ادعای «پیشی‌گرفتن هوش مصنوعی از پزشک» از واقعیت جدا باشد، ادعای «پیشی‌گرفتن از پرستار یا کارکنان مراقبت» کاملاً بی‌معنا است. زیرا جوهر این حرفه‌ها دقیقاً همان چیزی است که هوش مصنوعی نمی‌تواند تقلید کند: تماس جسمانی، انسانی و همراه با شفقت.
🤲 چرا «دست‌های مراقبت‌کننده» قابل‌خودکارسازی نیستند؟
کار یک پرستار را نمی‌توان به فهرستی از وظایف تقلیل داد. برقراری دسترسی وریدی، پانسمان زخم، پیشگیری از سقوط، تشخیص درد، دیدن رنگ‌پریدگی بیمار، گرفتن دست فردی ترسیده، دانستن این‌که چگونه خبر بد را به خانواده بدهد... این‌ها چیزهایی هستند که در جدول‌های «بهره‌وری» نمی‌گنجند، اما جوهر مراقبت را تشکیل می‌دهند. هوش مصنوعی می‌تواند دوز یک دارو را محاسبه کند؛ اما دستی که آن دارو را در زمان درست، به بیمار درست و با شفقت درست می‌دهد، انسانی است.
علاوه بر این، کار مراقبت به‌طور ذاتی متکی به نیروی کار است و بیش از همه حلقه‌ها از چرخه جوونز اثر می‌پذیرد: با سالمندشدن جمعیت، افزایش بیماری‌های مزمن و بیشترشدن بازماندگان سرطان — هر یک به معنای ساعات مراقبت بیشتر، پرستار بیشتر و کارکنان مراقبت بیشتر است. بنابراین فناوری هرقدر پیشرفت کند، نیاز به تماس با بیمار کمتر نمی‌شود، بلکه بیشتر می‌شود.
عوامل افزایش‌دهنده و تشدیدکننده کمبود نیروی مراقبت
- فرسودگی شغلی و آسیب اخلاقی: بار کار سنگین، شیفت‌های طولانی‌تر و فرسودگی پس از همه‌گیری، فرسودگی شغلی، افسردگی و اضطراب را در میان پرستاران افزایش می‌دهند. در یک نظرسنجی، دوپنجم از کارکنان سلامت کار خود را «غیرقابل‌ادامه» می‌دانند.
- دستمزد پایین و قدرندیدن: این گروه حرفه‌ای که بیشترین تماس و طولانی‌ترین زمان را با بیمار دارد، اغلب با دستمزدی بسیار کمتر از مسئولیت و زحمتی که می‌کشد کار می‌کند؛ این امر ورود به حرفه و ماندن در آن را دشوار می‌سازد.
- مهاجرت و نابرابری: پرستاران از کشورهای کم‌درآمد به کشورهای پردرآمد مهاجرت می‌کنند؛ حدود %78 از پرستاران جهان در کشورهایی متمرکزند که فقط %49 از جمعیت را تشکیل می‌دهند. این موضوع کمبود را در کشورهای دارای منابع محدود به فاجعه تبدیل می‌کند.
- گلوگاه آموزش و سالمندشدن نیروی کار: کمبود اعضای هیئت علمی، ظرفیت آموزش را محدود می‌کند؛ بخش قابل‌توجهی از پرستاران موجود نیز به سن بازنشستگی نزدیک می‌شوند.
- زیان پرهزینه: از دست دادن یک نیروی سلامت و جایگزینی او با نیرویی جدید، برای کارفرما به اندازه حقوق 6-9 ماه هزینه دارد — و هر خروج، تداوم مراقبت را تضعیف می‌کند.
مسئله عدالت که از نظر دور مانده است
بحث‌های هوش مصنوعی تقریباً کاملاً حول حرفه‌های دارای جایگاه و دستمزد بالا (پزشک، وکیل، مهندس) می‌چرخند. در حالی که گروه واقعاً آسیب‌پذیر در سلامت، همان گروهی است که صدایش کمتر شنیده می‌شود: پرستاران، تکنسین‌های سلامت، دستیاران مراقبت و ماماها. پرسش «اگر کیک بزرگ‌تر شود، آیا سهم‌ها عادلانه توزیع می‌شوند؟» بیش از همه برای این گروه سوزان است. زیرا در حالی که آن‌ها از قبل در شرایطی محدود کار می‌کنند، هیچ تضمینی وجود ندارد که دستاوردهای بهره‌وری در دستمزد و شرایطشان بازتاب یابد. هنگام صحبت درباره آینده سلامت، بیرون‌گذاشتن «دست‌های مراقبت‌کننده از بیمار» از معادله، هم نابینایی تحلیلی و هم نابینایی اخلاقی است.
⚡ چرا مهم است؟
چگونگی تغییر سلامت با هوش مصنوعی، یکی از مهم‌ترین پرسش‌های سیاست سلامت در ده سال آینده است. اگر پیش‌گویی «پزشکان غیرضروری خواهند شد» را باور کنیم و ظرفیت آموزش یا سرمایه‌گذاری را کاهش دهیم — همان‌گونه که فراخوان Hinton برای «توقف آموزش رادیولوژیست‌ها» می‌توانست چنین اثری داشته باشد — ممکن است کمبود نیروی انسانی موجود را به فاجعه تبدیل کنیم. خواندن درست داده‌ها در اینجا مستقیماً بر مراقبت از بیمار اثر می‌گذارد.
✅ آنچه داده‌ها می‌گویند
در حوزه‌های پزشکی که هوش مصنوعی در آن‌ها بیشترین توانایی را دارد (رادیولوژی، انکولوژی، پاتولوژی)، بزرگ‌ترین کمبودهای نیروی انسانی در تاریخ رخ می‌دهد. علاوه بر این، بزرگ‌ترین کمبود در میان پزشکان نیست، بلکه در میان پرستاران و کارکنان مراقبت است — در مقیاس جهانی به تعداد میلیون‌ها نفر. تقاضا به‌طور نظام‌مند از عرضه پیشی می‌گیرد. پارادوکس جوونز توضیح می‌دهد که بهره‌وری چگونه تقاضای جدید ایجاد می‌کند و نیاز به انسان را حفظ می‌کند (و حتی افزایش می‌دهد). مدل‌های زبانی بزرگ ابزارهای ارزشمند پشتیبانی تصمیم هستند، اما در استدلال بالینی هنوز به انسان وابسته‌اند. ارزش واقعی: تقویت توانایی، نه جایگزینی.
⚠️ مواردی که باید به آن‌ها توجه کرد
نباید گرفتار روایت «آخرالزمان» (پزشکان از بین می‌روند) یا «معجزه بهره‌وری» (سلامت یک‌شبه متحول می‌شود) شد؛ هر دو پیش‌گویی‌هایی اغراق‌آمیزند. جوونز ممکن است در همه وضعیت‌ها صادق نباشد. دستاوردهای بهره‌وری واقعی، اما تدریجی هستند (رویکرد Acemoğlu). و مهم‌تر از همه: حتی اگر کیک بزرگ‌تر شود، سود ممکن است عادلانه توزیع نشود — به‌ویژه دستاوردهای پرستاران و کارکنان مراقبت با دستمزد پایین و صدای کمتر شنیده‌شده، و پله‌های شغلی متخصصان جوان تازه‌وارد ممکن است در معرض خطر باشند.
🩺 پیامد برای سیستم سلامت
راهبرد درست: قراردادن هوش مصنوعی نه در جایگاه ابزاری که پزشک یا پرستار را جایگزین می‌کند ، بلکه در جایگاه ابزار پشتیبانی که آن‌ها را از بار اداری آزاد می‌کند و به کار اصلی‌شان — بیمار — بازمی‌گرداند. برای برطرف‌کردن کمبود نیروی کار، باید هم‌زمان در فناوری و در متخصصان سلامت بیشتر، با دستمزد بهتر و حمایت بیشتر (در درجه اول پرستاران) سرمایه‌گذاری کرد. و تمام این‌ها را با نگاه به داده‌هایی که منظم پیگیری می‌شوند برنامه‌ریزی کرد، نه با پیش‌گویی‌ها.
❓ پرسش‌های باز
سهم واقعی هوش مصنوعی در بهره‌وری پزشکی طی ده سال به پیش‌بینی Acemoğlu نزدیک‌تر خواهد بود یا Goldman؟ چرخه جوونز در انکولوژی و رادیولوژی تا چه اندازه ادامه خواهد داشت؟ آیا برای رفع کمبود پرستار، دستمزد و شرایط کار بهبود می‌یابد؟ چه سیاست‌هایی برای حفظ پله‌های آموزشی متخصصان جوان لازم است؟ در کشورهایی مانند ترکیه، کمبود نیروی کار سلامت و ادغام هوش مصنوعی چگونه با هم مدیریت می‌شوند؟ و بنیادی‌تر از همه: قطب‌نمای ما چه خواهد بود — اظهارنظرهای مدیران عامل یا داده‌ها؟
رهبران OpenAI و Anthropic ممکن است قدرتمندترین فناوری‌های امروز و فردا را در اختیار داشته باشند. اما توانایی ساخت یک فناوری با پیش‌بینی درست آینده اجتماعی آن یکسان نیست — چنان‌که خود آن‌ها نیز ظرف دو سال از «آخرالزمان مشاغل» به «بهره‌وری» چرخیدند. توانایی پیش‌بینی آینده با تسلط بر تاریخ و فلسفه یک موضوع آغاز می‌شود. و تاریخ درباره انقلاب‌های فناوری درسی ثابت می‌دهد: خودکارسازی اغلب در مورد اشتغال، عکس آن — یعنی تقاضای کل و نیاز به انسان — را افزایش داده است. در سلامت این درس حتی روشن‌تر است: حتی در درخشان‌ترین حوزه‌های هوش مصنوعی، بیش از هر زمان در تاریخ به پزشک، پرستار و متخصص سلامت نیاز داریم.
پیش‌گویی رادیولوژی فروپاشید؛ کمبود انکولوژیست بیشتر می‌شود؛ بزرگ‌ترین و خاموش‌ترین کمبود در میان پرستاران، یعنی دست‌های مراقبت‌کننده از بیمار است؛ مدل‌های زبانی بزرگ در استدلال بالینی هنوز به انسان وابسته‌اند؛ و وعده «بهره‌وری عظیم»، دست‌کم فعلاً به پیش‌بینی محتاطانه Acemoğlu نزدیک‌تر است تا جهش بلندپروازانه Goldman. همه این‌ها یک چیز می‌گویند: نباید آینده سلامت را به پیش‌گویی‌های ترس‌پراکنان یا موعظه‌گران بهره‌وری بسپاریم. زیرا قابل‌اعتمادترین قطب‌نما همیشه به یک جهت اشاره می‌کند — نه اظهارنظرها، بلکه داده‌ها. و داده‌های امروز می‌گویند که آینده سلامت بر «انسان کمتر» بنا نشده، بلکه بر انسانی بنا شده که با هوش مصنوعی توانمندتر شده، اما ارزشمندتر و ضروری‌تر از همیشه است .
منابع و الهام
- Özdemir O. از جارچیان آخرالزمان تا موعظه‌گران بهره‌وری: تلاش ناموفق مدیران عامل برای پیش‌گویی. T24، 14 ژوئن 2026. (نقطه آغاز و چارچوب مفهومی این نوشته: پارادوکس جوونز، Acemoğlu در برابر Goldman و استدلال «داده، نه پیش‌گویی».)
- Shankar R و همکاران. تله جوونز: وقتی هوش مصنوعی در مراقبت سلامت، کار پایان‌ناپذیر ایجاد می‌کند. The American Journal of Medicine 2026. DOI S0002-9343(26)00418-3.
- Reid MJA, Mateen B. پارادوکس جوونز در سلامت جهانی: کارآمدی، تقاضا و دوراهی هوش مصنوعی. Lancet Digital Health 2025. DOI 10.1016/j.landig.2025.100928.
- npj Health Systems. راهکارهای هوش مصنوعی برای کمبود نیروی کار رادیولوژی. 2025. DOI 10.1038/s44401-025-00023-6. (مدیریت تقاضا، کارآمدی جریان کار، ظرفیت‌سازی.)
- Fortune / Benzinga (مه 2026). پیش‌بینی رادیولوژی Geoffrey Hinton در 2016 و واقعیت 2026: ~4.000+ جایگاه خالی، ~571.000$ میانگین حقوق و کمبود رادیولوژیست (ارزیابی C. Herpfer، اقتصاددان UVA).
- The New Republic (2024). «پدرخوانده هوش مصنوعی پیش‌بینی کرد که شغلی نخواهم داشت. اشتباه می‌کرد.» (طول دوره آموزش رادیولوژی و دامنه کار؛ تشبیه «شغال» Hinton.)
- دیدگاه: بهره‌وری هوش مصنوعی (ScienceDirect 2025). کمبود 122.000 پزشک در ایالات متحده در 2032؛ کمبود %40 متخصصان ارشد در UK در 2028؛ اصل «تقویت توانایی» Langlotz؛ عقب‌نشینی Hinton در 2025؛ Acemoğlu-Restrepo: «کیک بزرگ‌تر می‌شود، نیروی کار سهم کوچکی می‌گیرد».
- Targeted Oncology / ASCO. کوچک‌شدن نیروی کار انکولوژی: در 2012-2025 تقاضا +%40 در برابر عرضه +%25؛ در 2022-2037 تقاضا +%15 در برابر عرضه +%7 (تحلیل ملی نیروی کار سلامت؛ J. Gralow، ASCO).
- سازمان جهانی بهداشت (WHO). وضعیت پرستاری جهان 2025 — کمبود جهانی پرستار در 2020 برابر با 6,2 میلیون، در 2023 برابر با 5,8 میلیون و پیش‌بینی برای 2030 برابر با 4,1 میلیون است؛ %78 از پرستاران جهان در کشورهایی هستند که %49 از جمعیت را تشکیل می‌دهند. 12 مه 2025.
- شورای بین‌المللی پرستاران (ICN) / WHO. پرستاران و ماماها بیش از %50 از کمبود کارکنان سلامت را تشکیل می‌دهند؛ پرستاران حدود ~%59 از نیروی کار و ~%80 از مراقبت خط اول را بر عهده دارند؛ کمبود در 2030 ممکن است به 13 میلیون نفر برسد.
- ScienceDirect (2025). نیروی کار پرستاری در حال فروپاشی: مروری روایی بر کمبودهای جهانی، فرسودگی شغلی و آینده تاب‌آوری سیستم سلامت (مرور 2020-2025: کمبود مزمن سرمایه‌گذاری، فرسودگی شغلی و مهاجرت).
- Indeed Pulse of Healthcare (2026) / Stacker. دوپنجم کارکنان سلامت کار خود را «غیرقابل‌ادامه» می‌دانند؛ از دست دادن یک کارمند برای کارفرما به اندازه حقوق 6-9 ماه هزینه دارد.
- Mass General Brigham (2026). هوش مصنوعی همچنان در توانایی‌های استدلال بالینی ناکافی است — 21 مدل زبانی بزرگ؛ مرز تشخیص افتراقی و «هنر پزشکی»؛ تقویت توانایی در برابر جایگزینی.
- مدل‌های زبانی بزرگ در انکولوژی: یک مرور. PMC12164365. (پشتیبانی تصمیم بالینی، محدودیت‌های توهم/تعمیم، «تقویت توانایی، نه جایگزینی».)
- کارآزمایی تصادفی‌سازی‌شده ثبت‌کنندگان هوش مصنوعی محیطی (Ambient AI scribes RCT). NEJM AI 2025؛ medRxiv 2025.07.10.25331333 (کارآمدی مستندسازی و فرسودگی شغلی پزشکان).
- Acemoglu D. اقتصاد کلان ساده هوش مصنوعی. Economic Policy 2024;40(121):13-58. (پیش‌بینی سهم <%1 در بهره‌وری طی ده سال.)
این نوشته محتوایی تحلیلی/دیدگاهی و در حوزه سواد علمی است؛ توصیه پزشکی یا توصیه سرمایه‌گذاری/اشتغال نیست. پیش‌بینی‌های نیروی کار، داده‌های حقوق و جایگاه‌های خالی و برآوردهای بهره‌وری نقل‌شده، پیش‌بینی‌ها و اندازه‌گیری‌های مربوط به تاریخ انتشار منابع ذکرشده هستند؛ تحقق آینده ممکن است متفاوت باشد و پیش‌بینی‌ها ذاتاً عدم قطعیت دارند. عبارت‌های منسوب به Geoffrey Hinton، Sam Altman، Dario Amodei و Daron Acemoğlu، خلاصه اظهارنظرها و نوشته‌های عمومی هستند و شامل نقل‌قول مستقیم نیستند. نقش هوش مصنوعی در سلامت حوزه‌ای به‌سرعت در حال تحول است و ارزیابی‌های اینجا مربوط به تاریخ تهیه نوشته (ژوئن 2026) هستند. تصمیم‌های بالینی همیشه باید توسط متخصصان واجد صلاحیت سلامت و بر پایه شواهد گرفته شوند.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.