کاری که ربات هنوز نمیتواند: هوش مصنوعی تشخیص را یافت، پزشک بیمار را بهبود داد؛ داستانی از NEJM

در این مقاله
هوش مصنوعی تشخیص را پیشنهاد داد، اما بیمار را پزشک بهبود داد: داستانی از NEJM
در مقاله Perspective با عنوان "What the Robot Still Can't Do" («کاری که ربات هنوز نمیتواند») که 14 نوامبر 2026 در New England Journal of Medicine منتشر شد، پزشک خانواده آمریکایی Shantanu Nundy از بیماری میگوید که ده سال با درد شکمی توجیهنشده زندگی کرده بود. همه آزمایشها طبیعی بود، درمانها اثر نکرده بود و پزشک هم درمانده شده بود. وقتی شرححال بیمار را در یک ابزار گفتوگوی هوش مصنوعی نوشت، ابزار طی چند ثانیه تشخیصی را پیشنهاد کرد که پزشک در 15 سال کارش هرگز نگذاشته بود: سوءهاضمه عملکردی. سه هفته پس از درمان، بیمار بهطور چشمگیری بهتر شد. اما پیام اصلی مقاله موفقیت هوش مصنوعی نیست؛ این است که برای بهبود بیمار، هوش مصنوعی بهتنهایی کافی نیست. در این نوشته این داستان، شواهد علمی پشت آن و معنای پزشکی در عصر هوش مصنوعی را از نگاه خودم روایت میکنم. پیشتر در نوشتههای تخصص بالینی در عصر هوش مصنوعی، هوش مصنوعی از پزشک پیشی نگرفت و تأثیر اعتماد بیمار بر درمان نیز به این موضوع پرداخته بودم (هر سه به زبان ترکی).
- چه روایت میشود؟ در بیماری با درد شکمی دهساله و توجیهنشده، هوش مصنوعی تشخیص سوءهاضمه عملکردی و درمان با آمیتریپتیلین را پیشنهاد کرد؛ پزشک این پیشنهاد را با ارزیابی خود ترکیب کرد و درمان را آغاز کرد و بیمار طی سه هفته بهطور چشمگیری بهتر شد.
- پیام اصلی: هوش مصنوعی «شطرنج بازی کرد»: دادهها را بررسی کرد و محتملترین تشخیص را یافت. پزشک اما چهره بیمار را خواند، شدت بیماری را سنجید، عدم قطعیت را صادقانه با او در میان گذاشت و اعتمادش را جلب کرد.
- شواهد چه میگویند؟ در متنهای آماده بیماران، مدلهای هوش مصنوعی میتوانند امتیاز تشخیصی بالاتر از پزشکان بگیرند؛ اما کاربران واقعی با همان مدلها بسیار کمتر به تشخیص درست میرسند. گردآوری و تفسیر درست اطلاعات همچنان مهارتی انسانی است.
- در عمل: هوش مصنوعی باید نه جای پزشک، بلکه در کنار او و بهعنوان مشاوری توانمند به کار رود؛ خروجی آن باید راستیآزمایی شود و مسئولیت تصمیم بر عهده پزشک بماند.
چرا این موضوع مهم است؟
ابزارهای گفتوگوی هوش مصنوعی اکنون در جیب هم بیماران و هم پزشکان است. بیماران من نتایج آزمایش و شکایتهایشان را از این ابزارها میپرسند؛ بسیاری از همکارانم هم در موارد دشوار با آنها مشورت میکنند (پاسخهای مبتنی بر هوش مصنوعی به پرسش بیماران، چتباتها در پرسشهای سرطان؛ هر دو به زبان ترکی). دانش پزشکی این ابزارها واقعاً چشمگیر است. به همین دلیل پرسش «آیا هنوز به پزشک نیاز هست؟» از دانشجویان پزشکی تا بیماران ذهن همه را مشغول کرده است (ده سال بعد: هوش مصنوعی یا پزشکان؟، به زبان ترکی).
مقاله Nundy به این پرسش نه نظری، بلکه از راه یک بیمار مشخص پاسخ میدهد. افزون بر این، نویسنده به هوش مصنوعی بدبین نیست؛ پیش از پزشکی مهندسی خوانده و درسهای هوش مصنوعی گذرانده است و هم در یک مرکز بهداشت جامعهمحور و هم در یک شرکت سلامت کار میکند. به همین دلیل توازن مقاله ارزشمند است: قدرت هوش مصنوعی را کوچک نمیشمارد، اما جوهر پزشکی را هم فراموش نمیکند.
داستان: دردی دهساله
بیمار زنی اتیوپیایی در میانه سیسالگی و مادر دو فرزند است. حدود ده سال است که در شکمش ناراحتی مداومی دارد؛ این وضعیت گاه با حملههای درد معده، تهوع، استفراغ و اسهال قطع میشود. در نخستین معاینه، معاینه شکم طبیعی است. پزشک آزمایش هلیکوباکتر پیلوری را تکرار میکند و نتیجه منفی است (داستان هلیکوباکتر پیلوری، به زبان ترکی). اندوسکوپی یک سال پیش طبیعی بوده است. یک ماه داروی محافظ معده هم اثری نداشته است.
وقتی بیمار دوباره میآید، پزشک این بار با آرامش بیشتری به شرححال گوش میدهد و با کمک یک مترجم امهری از راه ویدیو، جزئیات تازهای میفهمد: حملهها وقتی شروع میشود که پسر نوزادش آسیب میبیند، زمین میخورد یا گریه میکند. پزشک هنگام روایت آخرین حمله، دردی را که از چهره بیمار میگذرد میبیند. اما سرنخ دیگری ندارد و نمیداند چگونه کمکش کند.
پس شرححال بیمار را، مثل مشورت با یک همکار، کوتاه در یک اپلیکیشن هوش مصنوعی مینویسد که تازه روی گوشیاش نصب کرده است. پاسخ طی چند ثانیه میرسد: محتملترین تشخیص سوءهاضمه عملکردی است. مدل احتمالهای دیگری مثل سنگ کیسه صفرا، پانکراتیت مزمن و سرطان لوزالمعده را هم فهرست میکند؛ اما میگوید اینها کاملاً با تصویر بالینی جور نیست و برای بیمار بدون بیمه آزمایشهایی گران و شاید غیرضروری میطلبد. پزشک این تشخیص را از دانشکده پزشکی به یاد دارد، اما در 15 سال کارش هرگز نگذاشته است.
شکل 1 · سیر ماجرا
از درد تا بهبود
سوءهاضمه عملکردی چیست؟
سوءهاضمه عملکردی عبارت است از شکایتهای دردمعده، سوزش، سیری زودرس یا پری بعد از غذا که با وجود نبود علت ساختاری در اندوسکوپی و آزمایشهای دیگر ادامه مییابد. وضعیتی است که در آن ارتباط روده و مغز مختل شده و آستانه درد پایین آمده است. استرس میتواند شکایتها را برانگیزد؛ در درمان گاهی برخی ضدافسردگیها با دوز پایین به کار میرود.
سوءهاضمه عملکردی مشکلی شایع است که حدود 7% بزرگسالان جهان و 10 تا 12% در آمریکا را درگیر میکند. بر پایه معیارهای بینالمللی رم IV، با وجود دستکم شش ماه درد یا سوزش معده، پری ناراحتکننده بعد از غذا یا سیری زودرس که در سه ماه اخیر آشکار بوده و در اندوسکوپی بیماری توضیحدهندهای دیده نمیشود، تعریف میشود. امروز این وضعیت «اختلال تعامل روده و مغز» دستهبندی میشود: ارتباط عصبی معده و مغز تغییر میکند و حساسیت به محرکهای اندامهای درونی افزایش مییابد. پس اینکه درد بیمار با هر آسیب دیدن پسرش شدت میگیرد تصادفی نیست؛ بخش مهمی از تصویر است (استرس و بدن، به زبان ترکی).
در درمان، نخست به بیمار توضیح داده میشود که وضعیتش واقعی اما خطرناک نیست. اگر هلیکوباکتر پیلوری وجود داشته باشد درمان میشود و داروهای کاهنده اسید معده امتحان میشود. اگر پاسخی گرفته نشود، ضدافسردگیهای سهحلقهای با دوز پایین (مثلاً آمیتریپتیلین) به کار میرود. این داروها در اینجا برای درمان افسردگی نیست، برای کاهش سیگنالهای درد از روده به مغز داده میشود. در یک مطالعه تصادفیسازیشده، آمیتریپتیلین بهویژه در سوءهاضمه عملکردی با غلبه درد، در بیماران بیشتری از دارونما تسکین کافی ایجاد کرد. درمانهای روانشناختی و هیپنوتراپی هم در میان گزینههاست.
اینجا باید هشداری بدهم: سوءهاضمه عملکردی تشخیصی حذفی است. اگر نشانههای هشدار مانند کاهش وزن، مشکل بلع، خونریزی، کمخونی فقر آهن، استفراغ مداوم، توده قابل لمس یا شکایتهای تازه در سنین بالا وجود دارد، ابتدا باید بیماریهای جدی بررسی شود. در کشوری که سرطان معده و عفونت هلیکوباکتر پیلوری در آن شایع است، این هشدار مهمتر هم هست (نشانههای سرطان معده، متاپلازی رودهای؛ هر دو به زبان ترکی). در بیمار Nundy اندوسکوپی طبیعی بود و تصویر ده سال بیتغییر ادامه داشت؛ بنابراین تشخیص معقول بود.
شطرنج و ریش: هوش مصنوعی چه کرد، پزشک چه کرد؟
Nundy در مقالهاش داستانی را روایت میکند که از درسهای هوش مصنوعی به یاد دارد. در دهههای 1950 و 1960 پیشگامان هوش مصنوعی درباره «هوش چیست؟» بحث کردند و بر سر تعریفی به توافق نرسیدند؛ اما میدانستند هوش چه شکلی است: مردی که روی نیمکت پارک نشسته، شطرنج بازی میکند و ریشش را نوازش میکند. سالها بعد استادش گفته بود شطرنجباز کردن رایانه بخش آسان کار بوده و هنوز نتوانستهاند ربات را وادار کنند ریشش را نوازش کند.
به نظر ناندی، در این مورد هوش مصنوعی شطرنج بازی کرد: نشانههای دهساله، آزمایشهای منفی، دارویی که اثر نکرده بود و محرک مرتبط با فرزند را کنار هم گذاشت و محتملترین حرکت، یعنی سوءهاضمه عملکردی را یافت. اما کسی که ریشش را نوازش میکرد، یعنی فکر میکرد، میسنجید و تصمیم میگرفت، پزشک بود. او بود که وقتی بیمار از پسرش حرف میزد چهرهاش را دید، با مترجم حدود ارتباط را سنجید، تصمیم گرفت بیمار سنگینحال هست یا نه، صادقانه گفت درمان شاید اثر نکند و بیمار آنقدر به او اعتماد کرد که دوباره بیاید. نویسنده اینها را «جوهر انسانی» پزشکی میداند و تأکید میکند که در هیچ پنجره خروجی هوش مصنوعی دیده نمیشوند (ارتباط پزشک و بیمار، به زبان ترکی).
شکل 2 · تقسیم کار: شطرنج و ریش
نقش هوش مصنوعی و پزشک
وقتی بیمار سه هفته بعد برگشت، پس از ده سال درد، برای نخستین بار حالش بهتر بود: کاملاً خوب نشده بود، اما میتوانست به زندگی روزمرهاش برگردد. در پایان معاینه، با کمک مترجم به پزشکش گفت: «تو برادر منی. خدا تو را فرستاده است.» شاید تأثیرگذارترین لحظه مقاله همین باشد. ناندی میپذیرد که این لحظه را مدیون هوش مصنوعی است؛ اما معتقد است که هوش مصنوعی بهتنهایی کافی نبود.
شواهد علمی چه میگویند؟
این داستان یک حکایت است؛ اما پژوهشهای سالهای اخیر تصویری مشابه میکشند. در یک مطالعه تصادفیسازیشده که در 2024 در JAMA Network Open منتشر شد، 50 پزشک روی متنهای آماده بیماران یا با هوش مصنوعی یا با منابع کلاسیک تلاش کردند تشخیص بگذارند. امتیاز پزشکانی که از هوش مصنوعی استفاده کردند بهطور معنیداری بالا نرفت؛ جالب اینکه امتیاز خود مدل بهتنهایی از هر دو گروه پزشک بالاتر بود. این نتیجه در نگاه اول شبیه «به پزشک نیازی نیست» خوانده میشود؛ اما در این مطالعه اطلاعات از پیش گردآوری و مرتب شده بود.
هوش مصنوعی و پزشک: استدلال تشخیصی
مطالعه تصادفیسازیشده با 50 پزشک؛ میانه امتیاز استدلال تشخیصی، %.
استفاده از هوش مصنوعی امتیاز پزشکان را بهطور معنیداری بالا نبرد؛ مدل بهتنهایی امتیاز بالاتری گرفت. اما این مطالعه با متنهای آماده انجام شد؛ گردآوری اطلاعات، معاینه و مدیریت درمان در بیمار واقعی سنجیده نشد.
در زندگی واقعی بخش دشوار، گردآوری اطلاعات درست است. در پژوهش آکسفورد که در 2026 در Nature Medicine منتشر شد، مدلها در موارد آماده بیماری درست را در 95% موارد یافتند، اما افراد عادی که از همان مدلها استفاده کردند حداکثر در 34.5% موارد به بیماری درست رسیدند. افراد اطلاعات ناقص یا نادرست به مدل دادند و پاسخهای مدل را اشتباه تفسیر کردند. در مورد Nundy هم اطلاعاتی که به مدل داده شد همان بود که پزشک در معاینه، با مترجم و با نگاه به چهره بیمار گردآوری کرده بود. بدون جزئیاتی مثل «وقتی فرزندش آسیب میبیند دردش شروع میشود» مدل به احتمال زیاد به این آسانی به همان تشخیص نمیرسید (چرا هوش مصنوعی جای پزشک را نگرفت؟، به زبان ترکی).
کاربران واقعی و هوش مصنوعی
1298 نفر در انگلستان، 10 سناریوی پزشکی؛ درصد یافتن بیماری درست، %.
مدلها در متنهای آماده بسیار موفقاند، اما افرادی که از همان مدلها استفاده کردند خیلی کمتر به بیماری درست رسیدند. مشکل اغلب در دانش نیست، در گردآوری و تفسیر درست اطلاعات است. Nature Medicine، 2026.
خطرهای هوش مصنوعی
Nundy مینویسد در روزهای پس از تصمیمش خودش هم از جسارتش شگفتزده و حتی کمی نگران شد: تشخیصی را که هرگز نگذاشته بود، تا حد زیادی بر پایه خروجی یک ابزار گفتوگو گذاشته و درمان را آغاز کرده بود. این اعتراف صادقانه مهم است. ابزارهای هوش مصنوعی پاسخهای روان و مطمئن میدهند؛ اما گاهی اطلاعات نادرست میسازند، نشانههای هشدار را از قلم میاندازند و سوگیریهای دادههای آموزشی را حمل میکنند. بنابراین راستیآزمایی خروجی با منبع معتبر، حفاظت از اطلاعات شخصی بیمار و ماندن مسئولیت تصمیم بر عهده پزشک ضروری است. Nundy هم تشخیص را در یک منبع پزشکی آنلاین راستیآزمایی کرد و بعد با ارزیابی بالینی خودش تصمیم گرفت.
شکل 3 · استفاده ایمن از هوش مصنوعی در بالین
شش قاعده برای پزشکان
این برای بیماران و آموزش پزشکی چه معنایی دارد؟
توصیه من به بیماران این است: پرسیدن پرسش سلامت از هوش مصنوعی اشکالی ندارد؛ اما پاسخ را با پزشکتان در میان بگذارید و خودتان تشخیص نگذارید و دارو شروع نکنید. هوش مصنوعی میتواند به شما کمک کند پرسشهایی را که به ذهنتان نمیرسد از پزشکتان بپرسید؛ اما نمیتواند شما را معاینه کند، حالت چهرهتان را ببیند و تصمیم بگیرد سنگینحال هستید یا نه (اطلاعات سرطان با هوش مصنوعی، گرفتن نظر دوم (Türkçe)؛ هر دو به زبان ترکی).
برای آموزش پزشکی هم درس مهمی هست: هرچه هوش مصنوعی دسترسی به دانش را آسانتر میکند، در تربیت پزشک باید به مهارتهای گوش دادن، مشاهده، ارتباط، کنار آمدن با عدم قطعیت و ساختن اعتماد وزن بیشتری بدهیم (آموزش پزشکی در عصر هوش مصنوعی، جعبه پاندورای آموزش پزشکی؛ هر دو به زبان ترکی). اگر برنامههایی مثل ابزارهای خلاصهکننده یادداشت معاینه به پزشک فرصت بدهد وقت بیشتری برای بیمارش بگذارد، هوش مصنوعی میتواند جنبه انسانی پزشکی را بهجای تضعیف تقویت کند (ابزارهای هوش مصنوعی خلاصهکننده معاینه، به زبان ترکی).
پرسشهایی که میتوانید از پزشکتان بپرسید
- آیا این اطلاعاتی که از هوش مصنوعی گرفتم با وضعیت من میخواند؟
- آیا برای شکایتهای من بیماری جدی رد شده است؛ با چه نشانههایی باید دوباره مراجعه کنم؟
- فایده و خطرهای درمان پیشنهادی چیست؛ اثرش را چه مدت بعد میتوانم ببینم؟
- آیا استرس و وضعیت عاطفی من میتواند در شکایتهایم نقش داشته باشد؟
- آیا میتوانم پرسشهایی را که با هوش مصنوعی آماده کردهام با شما در میان بگذارم؟
- «هوش مصنوعی بهتر از پزشک تشخیص میدهد و دیگر به پزشک نیازی نیست.» در متنهای آماده بیماران میتواند امتیاز بالا بگیرد؛ اما گردآوری اطلاعات درست، معاینه و تصمیمگیری در بیمار واقعی همچنان به پزشک نیاز دارد.
- «اگر آزمایشها طبیعی است، درد واقعی نیست.» نادرست. اختلالهای تعامل روده و مغز مانند سوءهاضمه عملکردی بیماریهای واقعی و قابل درماناند.
- «اگر ضدافسردگی دادهاند، پزشک مرا بیمار روانی میداند.» خیر. آمیتریپتیلین با دوز پایین در اینجا برای کاهش سیگنالهای درد به کار میرود.
- «طبق تشخیص پیشنهادی هوش مصنوعی خودم دارو شروع میکنم.» هرگز. تصمیم تشخیص و درمان باید پس از رد نشانههای هشدار و همراه با پزشک گرفته شود.
- «پزشکی که از هوش مصنوعی استفاده میکند ناکافی است.» خیر. اگر درست به کار رود، هوش مصنوعی مشاوری توانمند است که دانش پزشک را گسترش میدهد؛ مهم این است که خروجی نقادانه سنجیده شود.
پرسشهای متداول
- آیا هوش مصنوعی میتواند جای پزشک را بگیرد؟
- بر پایه شواهد امروز، نه. هوش مصنوعی میتواند دانش پزشکی را سریع بررسی و تشخیصهای محتمل را رتبهبندی کند؛ اما معاینه بیمار، سنجش شدت بیماری، شریک شدن در عدم قطعیت و ساختن اعتماد کار پزشک است. بهترین نتیجه از استفاده همراه هر دو به دست میآید.
- سوءهاضمه عملکردی چیست؟
- شکایتهای دردمعده، سوزش، سیری زودرس یا پری بعد از غذاست که با وجود نبود علت ساختاری در آزمایشها ادامه مییابد. با اختلال ارتباط روده و مغز مرتبط است؛ استرس میتواند شکایتها را برانگیزد.
- سوءهاضمه عملکردی چگونه درمان میشود؟
- با توضیح وضعیت، درمان هلیکوباکتر پیلوری در صورت وجود و داروهای کاهنده اسید معده شروع میشود. اگر پاسخی نباشد، ضدافسردگیهای سهحلقهای با دوز پایین، درمانهای روانشناختی یا هیپنوتراپی به کار میرود. اگر نشانههای هشدار وجود داشته باشد، ابتدا بیماریهای جدی بررسی میشود.
- آیا پرسشهای سلامتم را از هوش مصنوعی بپرسم؟
- برای کسب اطلاعات و آماده کردن پرسشهایی که از پزشکتان میپرسید میتواند مفید باشد. اما باید پاسخ را با پزشکتان در میان بگذارید، اطلاعات شخصیتان را حفظ کنید و بر پایه پیشنهاد هوش مصنوعی خودتان تشخیص نگذارید و دارو شروع نکنید.
واژهنامه
- مدل زبانی بزرگ
- مدل هوش مصنوعی که با حجم عظیمی از متن آموزش دیده و میتواند به پرسشها پاسخ دهد؛ پایه چتباتهاست.
- سوءهاضمه عملکردی
- شکایتهای دردمعده، سوزش یا پری که بدون علت ساختاری ادامه مییابد.
- اختلال تعامل روده و مغز
- وضعیتهایی که در آنها ارتباط روده و مغز تغییر کرده و حساسیت اندامهای درونی افزایش یافته است.
- معیارهای رم IV
- معیارهای تشخیصی بینالمللی بیماریهای عملکردی دستگاه گوارش.
- اندوسکوپی
- نگاه کردن با دوربین از راه دهان به مری، معده و دوازدهه.
- هلیکوباکتر پیلوری
- باکتری ساکن معده که با زخم و خطر سرطان معده مرتبط است.
- ضدافسردگی سهحلقهای
- گروهی از داروها که با دوز پایین برای کاهش سیگنالهای درد هم به کار میروند؛ آمیتریپتیلین یکی از آنهاست.
- نشانه هشدار
- نشانههایی مانند کاهش وزن، خونریزی و مشکل بلع که بیماری جدی را مطرح میکند.
- قضاوت بالینی
- توانایی پزشک در تصمیمگیری بر پایه دانش، تجربه و مشاهده بیمار.
- مقاله Perspective
- نوعی مقاله در مجلههای پزشکی که نه نتیجه پژوهش، بلکه دیدگاه و تجربه را منتقل میکند.
تفسیر آکادمی DROZDOGAN
مقاله Nundy بحث هوش مصنوعی را از دوراهی «ماشین یا پزشک؟» بیرون میآورد و به جای درست میبرد: ماشین و پزشک در کارهای متفاوتی خوباند. ماشین در دانش، پزشک در انسان.
⚡ چرا مهم است
هوش مصنوعی بهسرعت وارد کار روزانه پزشکان میشود. این مقاله صادقانه نشان میدهد این ابزارها در یک بیمار واقعی چقدر میتوانند مفید باشند و یادآوری میکند که بهبود تنها تشخیص نیست.
✅ نقاط قوت
موردی ملموس و آشنا؛ تسلط نویسنده بر هم فناوری و هم پزشکی؛ روایت صادقانهای که نگرانی خودش را آشکارا میگوید؛ و آسان کردن فهم فاصله میان مطالعههای موارد آماده و زندگی واقعی.
⚠️ محدودیتها
داستان یک بیمار است؛ تجربه است، نه شواهد علمی. در سوءهاضمه عملکردی اثر دارونما و بهبود خودبهخودی شایع است؛ معلوم نیست چه مقدار از بهبود به دارو و چه مقدار به رابطه پزشک و بیمار مربوط بود. مواردی که هوش مصنوعی اشتباه یا ناقص راهنمایی کرده در چنین مقالههایی دیده نمیشود.
🩺 در عمل
من هم در موارد دشوار از ابزارهای هوش مصنوعی مثل مشورت با یک همکار استفاده میکنم؛ خروجی را حتماً با منابع معتبر راستیآزمایی و با معاینه و تجربه خودم مقایسه میکنم. پرسشهایی را که بیمارانم با هوش مصنوعی آماده کردهاند با خوشحالی بررسی میکنم. اما باور دارم که در موفقیت درمان، اینکه بیمار به من اعتماد کند و دوباره بیاید و بتوانیم عدم قطعیت را با هم تحمل کنیم دستکم به اندازه تشخیص درست اهمیت دارد (هنر دادن خبر بد، ارتباط در بیماریهای جدی؛ هر دو به زبان ترکی).
❓ پرسشهای باز
آیا تصمیمهای مبتنی بر هوش مصنوعی در بیماران واقعی نتایج را بهتر میکند؟ اگر پزشکان بیش از حد به هوش مصنوعی تکیه کنند مهارت بالینیشان ضعیف میشود؟ آیا موانعی مثل مترجم، تفاوتهای فرهنگی و سواد سلامت با هوش مصنوعی برداشته میشود؟ در راهنمایی اشتباه مسئولیت با کیست؟
نتیجه: هوش مصنوعی شطرنج را روزبهروز بهتر بازی میکند و باید از آن بهره ببریم. اما خواندن چهره بیمار، شریک شدن در عدم قطعیت و ساختن اعتماد همچنان کار پزشک است. آنچه مقاله به من یادآوری کرد ساده است: تشخیص را ماشین میتواند پیشنهاد کند؛ بیمار را پزشکِ همراه او بهبود میدهد (اصول مراقبت باکیفیت، به زبان ترکی).
- این نوشته در نوامبر 2026 تهیه شده است.
- اطلاعات مورد از مقاله Perspective منتشرشده در New England Journal of Medicine در 14 نوامبر 2026 خلاصه شده است؛ نویسنده میگوید برای حفظ هویت بیمار برخی جزئیات را تغییر داده است. از مقاله فقط یک نقلقول کوتاه آمده و بقیه خلاصه شده است.
- اطلاعات مربوط به سوءهاضمه عملکردی و پژوهشهای هوش مصنوعی بر منابع زیر استوار است. پژوهشهای هوش مصنوعی با موارد یا سناریوهای آماده انجام شده و پیامدهای بالینی واقعی را نمیسنجد.
- نمودارها سادهشده است. تفسیر آکادمی از آنِ من است. این نوشته توصیه پزشکی نیست؛ تصمیمهای سلامتیتان را همراه با پزشکتان بگیرید.
منابع
- Nundy S. What the Robot Still Can't Do. N Engl J Med 2026;395:1977-1979. nejm.org
- Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open 2024;7:e2440969. doi
- Bean AM, Payne R, Mahdi A, et al. Reliability of LLMs as medical assistants for the general public: a randomized preregistered study. Nature Medicine 2026. scimex.org
- Talley NJ, Locke GR, Saito YA, et al. Effect of Amitriptyline and Escitalopram on Functional Dyspepsia: A Multicenter, Randomized Controlled Study. Gastroenterology 2015;149:340-349. niddk.nih.gov
- Stanghellini V, Chan FK, Hasler WL, et al. Gastroduodenal Disorders (Rome IV). Gastroenterology 2016;150:1380-1392. doi
- Sperber AD, Bangdiwala SI, Drossman DA, et al. Worldwide Prevalence and Burden of Functional Gastrointestinal Disorders: Rome Foundation Global Study. Gastroenterology 2021;160:99-114. doi
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک میکند.




