بذارین یه سفر دوست‌داشتنی تو دنیای هوش مصنوعی و سلامت رو شروع کنیم. خیلی از ما یادمون نمیاد، ولی تقریباً بیست سال پیش کلی سرمایه روی هوش مصنوعی گذاشته شد و خیلیا انتظار داشتن که سیستم‌های به اصطلاح «کارشناس» (Expert Systems یعنی سیستم‌هایی که سعی می‌کردن شبیه یک متخصص رفتار کنن) دنیا رو عوض کنن. ولی واقعیت اینه که پروژه‌ها اونقدرا موفق نبودن و یه دوره‌ای اسمش رو گذاشتن “زمستان هوش مصنوعی” یعنی دوره‌ای که همه ناامید شده بودن از AI!
حالا سریع بیاین رو زمان حال! مدل‌های زبانی بزرگ یا همون LLM ها (Large Language Models، مثلاً ChatGPT) اومدن و دنیارو پر کردن با قول‌هایی مثل انسان‌گونه حرف زدن و تفکر غریزی! ولی با وجود هیاهوشون، یه جورایی انگار فقط یه سری قانون رو به زبون آدمیزاد بیان می‌کنن، و واقعاً اونقدری که میگن جادویی نیستن!
اینجا شرکت Ensemble وارد ماجرا می‌شه. این شرکت توی بخش مدیریت درآمد بیمارستان‌ها (Revenue Cycle Management یا RCM، یعنی همون رسیدگی به قبض‌ها، پرداخت‌ها و مسائل مالی بیمارستان‌ها) غوغا کرده. تیمشون تصمیم گرفته محدودیت‌های فعلی هوش مصنوعی رو دور بزنه و با ترکیب کردن مدل‌های زبانی بزرگ با چیزی به اسم هوش مصنوعی نروسیمبولیک (Neuro-symbolic AI، یعنی مدلی که هم می‌تونه با داده‌های آماری کار کنه و هم با قوانین و منطق مشخص) نسل بعدی AI رو بسازه.
این همه مقدمه واسه چی بود؟ واقعیتش LLMها تو فهمیدن بافت جمله، منطق غریزی و حرف زدن آدم‌گونه فوق‌العاده‌ان. ولی! تو سلامت، هر اتفاق باید حساب‌شده، دقیق و طبق قانون باشه. اینجا دیگه جایی برای اشتباه یا خیال‌بافی مدل نیست! قوانین، راهنماها و استانداردهای پزشکی باید دقیق اجرا بشن و همینطور ساختارمند باشن. این همونجاست که هوش مصنوعی سمبولیک (Symbolic AI یعنی مدل‌هایی که منطق و قاعده براشون مهمه) نقش کلیدی پیدا می‌کنه.
Ensemble اومده این دوتارو با هم شبیه ساندویچ ترکیب کنه! یعنی مدل‌های زبانی رو با یادگیری تقویتی (Reinforcement Learning یعنی مدلی که مثل بچه انسان از تجربه و بازخورد یاد می‌گیره) و بانک‌های دانش ساختارمند تبدیل به ابزاری کرده که نه فقط کار هوشمندانه انجام میدن، بلکه احتمال تخیل و اشتباهات خنده‌دار رو هم کم می‌کنن و هر تصمیم‌شون اساسی و قابل‌پیگیری می‌شه.
کل استراتژی هوش مصنوعی عامل‌محورشون سه پایه داره:
۱. داده‌های درست و حسابی: چون مدیریت درآمد صدها بیمارستان رو دارن، یکی از غنی‌ترین و تمیزترین دیتاست‌های سلامت رو جمع‌آوری کردن! بیش از ۲ پتابایت (Petabyte یعنی هزار ترابایت!) داده طولی (روی مدت زمان خیلی زیاد)، ۸۰ هزار نامه بررسی رد درخواست بیمه و ۸۰ میلیون تراکنش سالانه به سیستم هوشمندشون وصل شده. اینا باعث شده هوش مصنوعی‌شون واقعاً اطلاعات دنیای واقعی رو بفهمه و طبق واقعیت تصمیم بگیره.
۲. تیم متخصص پرقدرت و همکاری واقعی: دانشمندان هوش مصنوعی همشون تو حباب خودشون کار نمی‌کنن! بلکه آدمای خبره تو حوزه پزشکی و مالی و حتی کاربرهای نهایی (یعنی همون کسایی که آخرش با محصولاتشون کار می‌کنن) رو تو کل فرایند دخیل کردن. این همکاری باعث می‌شه همیشه قوانین و پیچیدگی‌های دنیای واقعی تو طراحی مدل‌ها لحاظ بشه. بعد هر بار پیاده‌سازی هم با بازخورد مداوم محصولات رو بهتر می‌کنن.
۳. بهترین مغزهای AI دنیا: دانشمندای هوش مصنوعی‌شون از بهترین دانشگاها (مثلاً کلمبیا و کارنگی ملون) و شرکتای خفن دنیا (FAANG یعنی فیس‌بوک، آمازون، اپل، نتفلیکس، گوگل) اومدن. تازه، برعکس خیلی شرکتای دیگه، دستشون به حجم عظیم و حساس داده‌های سلامت بازه؛ داده‌هایی که معمولاً شرکتای فناوری بزرگ یا استارتاپ‌ها اصلاً بهشون دسترسی ندارن.
بریم سراغ نتایج جالب که واقعاً تو بیمارستانا پیاده‌سازی شده:
-
کمک به استدلال پزشکی: با مدل‌های نروسیمبولیک و LLM مخصوص خودشون، راهنمای پزشکی رو تبدیل به زبان خاص نمادین می‌کنن که بعدش توسط انسان‌ها بررسی صحتش تایید می‌شه. وقتی درمان پزشکی به اشتباه توسط بیمه رد می‌شه، مدل LLM سوابق بیمار رو به همون زبان نمادین تفسیر می‌کنه و مدرک درست برای دفاع پیدا می‌کنه! خروجی این سیستم، نامه‌های اعتراضی پزشکی خیلی قوی می‌ده که تا الان نرخ برگشت درخواست‌های رد شده رو ۱۵٪ یا حتی بیشتر افزایش داده! تازه الآن دارن همین سیستم رو برای بهبود اسناد و مدیریت بهتر مصرف منابع پزشکی اجرا و آزمایش می‌کنن که اشکال اسناد رو هم خودکار بهت نشون می‌ده تا احتمال رد یا کاهش پرداخت کم بشه.
-
تسریع دریافت خسارت صحیح: دارن یه مدل چندعامله (Multi-agent یعنی چند تا عامل هوشمند که هر کدوم کار جدا انجام میدن ولی به هم وصلن) آزمایش می‌کنن که پرونده‌های مالی پیچیده رو مدیریت می‌کنه – هر عامل کار خاص خودشو انجام می‌ده، داده می‌گیره، تصمیم واسه مرحله بعدی می‌گیره و فقط کیس‌های عجیب رو به آدم واقعی پاس می‌ده. این باعث می‌شه دیرکرد پرداخت و دردسرای اداری بیمارستانا کمتر و بیمارا خوشحال‌تر بشن.
-
بهبود ارتباط با بیمار: چت‌بات‌ها و هوش مصنوعی صوتی تماس‌های بیماران رو خیلی طبیعی جواب میدن (نه مثل رباتای معمولی!) و هر وقت لازم باشه تماس رو به اپراتور انسانی وصل می‌کنن. دستیار اپراتور (Operator Assistant Agent) هم همزمان خلاصه تماس، اطلاعات مرتبط و پیشنهاد اقدامات بعدی رو حاضر می‌کنه! به کمک این تکنولوژی کل زمان مکالمات تلفنی بیماران ۳۵ درصد کم شده و نرخ رضایت بیمارا تا ۱۵ درصد افزایش پیدا کرده!
در کل، آینده هوش مصنوعی در سلامت نیاز به دقت خیلی بالا، مسئولیت‌پذیری و تأثیر واقعی روی زندگی مردم داره. روش Ensemble نشون داده که اگر مدل‌های زبان بزرگ رو با منطق نمادین و همکاری نزدیک دانشمندها و پزشک‌ها ترکیب کنیم، واقعاً می‌تونیم تجربه سیستم سلامت برای همه رو بهتر کنیم.
(این محتوا رو شرکت Ensemble تولید کرده، نه تحریریه MIT Technology Review)
منبع: +
