الگوریتم‌های بالینی خودکار نوید تغییر مراقبت‌های اولیه پزشکی را می‌دهند. الگوریتم‌های بالینی مراحل یک فرآیند بالینی را مشخص می‌کنند که از ورودی‌هایی مانند تشخیص به خروجی‌هایی مانند تجویز دارو، آزمایش‌های تشخیصی بیشتر، تصویربرداری یا حتی ارجاع‌های تخصصی منجر می‌شود. پس از خودکار شدن الگوریتم‌های بالینی، آن‌ها فرآیند مراقبت را بدون نظر پزشک، در زمان حال هدایت می‌کنند.

الگوریتم‌های بالینی خودکار می‌توانند به سادگی، مبتنی بر سن باشند که یک برنامه زمان‌بندی برای واکسیناسیون را ایجاد کنند یا به پیچیدگی یک مسیر بالینی خودکار که مجموعه‌ای از آزمایش‌ها و درمان‌ها را مشخص می‌کند، باشند. همانطور که در طول همه گیری کرونا مشخص شد، الگوریتم‌ها کارایی عملیاتی را افزایش داده و کیفیت بالینی را به حداکثر می‌رسانند. اما استفاده از پتانسیل کامل آن‌ها مستلزم رعایت شش اصل است که در طی ۷۵ سال برای خودکارسازی کارآزمایی بالینی توسعه یافته است.

نحوه خودکارسازی مراقبت‌های اولیه

مراقبت‌های اولیه می‌تواند از طریق کاربرد گسترده الگوریتم‌های خودکار تغییر یابد، اما این امر مستلزم ساخت فرآیند‌های بالینی خودکار است که ایمن و مؤثر باشند.

دنیای پزشکی تجربه زیادی در رابطه با فرآیند‌های بالینی خودکار در قالب آزمایش‌های بالینی دارد. در کارآزمایی ها، روند بالینی در قالب یک الگوریتم مشخص، هدایت می‌شود.

به عنوان مثال، در آزمایش یک داروی جدید برای فشار خون بالا، الگوریتم کارآزمایی، تعداد دفعات بررسی فشار خون و تنظیم دوز داروی مورد مطالعه را بر اساس سطح فشار خون مشخص می‌کند. علی‌رغم کمبود پزشک، شرکت کنندگان کارآزمایی با خیال راحت، سریع‌تر و پایدارتر از بیمارانی که در یک روش سنتی درمان می‌شوند، به هدف درمانی خود دست می‌یابند.

سیستم‌های مراقبت اولیه خودکار نیز از الگوریتم‌هایی استفاده می‌کنند که فرآیند مراقبت را هدایت می‌کنند. آن‌ها منطق یک فرآیند بالینی را از طریق مشخص کردن مراحلی که از ورودی‌هایی مانند عوامل بیمار، از جمله تشخیص‌ها و نشانگر‌های زیستی، به خروجی‌هایی مانند تجویز دارو منتهی می‌شوند، تدوین می‌کنند.

از آنجایی که دانش پزشکی با انباشته شدن شواهد تکامل می‌یابد، الگوریتم‌ها باید با جمع‌آوری شواهد و تجربه، با یک فرآیند خودکار به روز شوند.

علاوه بر این، الگوریتم‌ها ممکن است نیاز به در نظر گرفتن امکان سنجی طیف وسیعی از گزینه‌های درمانی را داشته باشند. به عنوان مثال، یک داروی توصیه شده ممکن است برای بیمار بسیار گران باشد و بنابراین می‌توان گزینه‌های کم‌هزینه دیگری را نیز ارائه داد.

در نهایت، فرآیند توسعه و اصلاح الگوریتم نیاز به نظارت مستقلی دارد که بر تضمین کیفیت، ایمنی، امکان‌سنجی و شفافیت متمرکز است. برای مثال، کمیته‌ای متشکل از کارشناسان بالینی یک موسسه، مدیران و نمایندگان بیمار، ممکن است تأثیر الگوریتم را بر ایمنی، رضایت بیمار، نتایج بالینی و هزینه ها، بررسی کند.

۶ اصل مهم الگوریتم‌های بالینی خودکار

همانطور که بالاتر گفته شد، بسیار مهم است که توسعه و کاربرد سیستم پزشکی خودکار از شش اصل اصلی پیروی کند. این شش اصل در ادامه معرفی , بررسی شده اند.

۱ - ایمنی

ایمنی باید یک اصل اولیه برای استفاده از یک فرآیند بالینی خودکار باشد. معیار‌های دقیق ورود و خروج، یک مکانیزم مهم برای تضمین ایمنی است. مشارکت در یک فرآیند خودکار باید برای به حداکثر رساندن ایمنی، محدود شود.

۲ - انتخاب

بیمارانی که معیار‌های ورود به یک فرآیند خودکار خاص را دارند باید بتوانند از آن انصراف دهند. در عمل، یک خروجی مشترک از یک فرآیند مراقبت اولیه خودکار، یک توصیه درمانی خواهد بود. بنابراین، بیمار، با حمایت ارائه‌دهنده مراقبت، باید تصمیم نهایی را در مورد پیروی از توصیه‌ها اتخاذ کند. همچنین به طور مشابه، پزشکان باید بتوانند از یک فرآیند خودکار معین برای بیماران خود، انصراف دهند.

۳ - افشاگری

برای تسهیل انتخاب بیماران و پزشکان، ماهیت خودکار فرآیند، باید برای تصمیم گیری افراد افشا شود. منطق و شواهد مورد استفاده برای تعیین توصیه باید به وضوح بیان شود. به عنوان مثال، توصیه برای تجویز یک داروی خاص برای فشار خون بالا بر اساس خطرات عدم مصرف دارو، مانند سکته مغزی در آینده، در مقابل خطر مصرف دارو، مانند عوارض جانبی احتمالی است.

۴ - شخصی سازی

باید فرصتی برای بیماران وجود داشته باشد تا ترجیحات شخصی خود را برای درمان، به الگوریتم بگویند. به عنوان مثال، برخی از بیماران ترجیح می‌دهند از رویکرد‌های تغییر سبک زندگی برای مدیریت شرایط مزمن استفاده کنند. (مثلاً مدیریت وزن و شرایط مرتبط با وزن، ورزش و رژیم غذایی) برخی نیز ترجیح می‌دهند برای کلسترول بالا، دارو مصرف کنند تا اینکه رژیم غذایی خود را اصلاح کنند. این ترجیحات می‌تواند بر مجموعه توصیه‌های الگوریتم تأثیر بگذارد.

۵ - درجات اتوماسیون

یک فرآیند بالینی ممکن است به طور کامل یا تا حدی، خودکار باشد. به عنوان مثال، ابزار خودکار مبتنی بر تلفن، کاملاً خودکار است. در مقابل، یک فرآیند بالینی ممکن است فقط تا حدی خودکار باشد، به عنوان مثال، زمانی یک توصیه درمانی مانند دارو در خروجی الگوریتم است، اما بیماران تصمیم می‌گیرند که آن را مصرف کنند یا خیر.

۶ - سیستم یادگیری مراقبت بهداشتی

مراقبت اولیه خودکار به یک جزء حیاتی از یادگیری و سازگاری مداوم سیستم مراقبت بهداشتی تبدیل خواهد شد. از طریق اندازه‌گیری پیش‌بینی‌کننده‌ها و پیامدها، همراه با رویکرد‌های دقیق برای اجرای ساختاریافته، سیستم‌های خودکار می‌توانند تأثیر درمان‌های جدید را بر نتایج بالینی، رضایت بیمار و هزینه‌ها ارزیابی کنند. این ارزیابی‌ها باید با دقت طراحی شوند تا تأثیر سوگیری‌ها را به حداقل برسانند.

بیشتر بخوانید

• نظریه‌های شنیده نشده در مورد آینده فناوری

گزارش از سید حسین موسوی