چرا اغلب پروژههای هوش مصنوعی پزشکی فراتر از فاز پایلوت نمیروند؟
هوش مصنوعی به خاطر ضعف فنی یا ناکارآمدی شکست نمیخورد؛ دلیل اصلی شکست این است که به درستی در جریان کار ادغام نمیشود تا دقیقاً در بزنگاههای تصمیمگیری بالینی، در دسترس و اثرگذار باشد.
حوزه سلامت در پذیرش هوش مصنوعی با مشکل مواجه نیست. در واقع، این صنعت به سرعت از فاز آزمایشهای اولیه عبور کرده و به سمت سرمایهگذاری گسترده روی ابزارهایی حرکت کرده است که با هدف بهبود تصمیمگیریهای بالینی، کاهش بار کاریِ اداری و ارتقای عملکرد مالی طراحی شدهاند. امروزه بسیاری از سیستمهای بهداشتی و نهادهای تامینکننده مالی، استراتژیهای هوش مصنوعی مختص به خود را دارند و ثابت کردهاند که این فناوریها در محیطهای کنترلشده کاملاً کارآمد هستند.
با این وجود، همچنان شاهد تکرار یک الگوی آشنا هستیم: برنامههای آزمایشی (پایلوت) نویدبخش ظاهر میشوند و نتایج اولیه شور و هیجان زیادی به پا میکنند؛ اما وقتی زمانِ توسعه و مقیاسپذیری (Scaling) فرا میرسد، اثرگذاری متوقف میشود. روند پذیرش کُند شده، رشد نتایج درجا میزند و سازمانها در این سردرگمی میمانند که چرا ابزارهایی که در تئوری قدرتمند بودند، در عمل خروجی مطلوبی ندارند.
این چالش صرفاً مختص به حوزه سلامت نیست. تحقیقات مککنزی نشان میدهد که شکافِ بین «فاز آزمایش» تا «اجرای نهایی»، همچنان یک مانع اساسی است.
پاسخ این مسئله، کمتر به پیچیدگیهای فناوری و بیشتر به نحوه تطابق آن با واقعیتهای عملیاتیِ سیستم بهداشت و درمان برمیگردد.
مشکل خودِ هوش مصنوعی نیست؛ مشکل جایگاه و زمانِ ارائه خروجیهای آن است.
هوش مصنوعی در تولید «بینش» (Insight) فوقالعاده عمل میکند. این فناوری میتواند با سرعتی چشمگیر، بیمارانِ در معرض خطر را شناسایی کند، کاستیهای مراقبتی را هشدار دهد و روندهای معنادار را از میان میلیونها پرونده استخراج کند. اما سیستم بهداشت و درمان صرفاً با «بینش» پیش نمیرود؛ محرک اصلی این سیستم «اقدام و عمل» (Action) است.
در بسیاری از موارد، خروجی سیستمهای هوش مصنوعی در فضایی خارج از محیطِ اقداماتِ بالینی ارائه میشود. ابزارهای هوش مصنوعی اغلب در میان داشبوردها دفن شدهاند، از طریق سیستمهای جزیرهای و جدا افتاده (Disconnected Tools) ارائه میشوند، یا اطلاعاتشان زمانی ظاهر میشود که فرصتِ تاثیرگذاری گذشته است. در نهایت، پاشنه آشیلِ بیشتر پروژههای هوش مصنوعی پزشکی، نه عملکردِ مدل (Model Performance)، بلکه عدم ادغامِ آنها در جریان کار (Workflow Integration) است.
در هسته خود، هوش مصنوعی به دو روش خلق ارزش میکند: خودکارسازی وظایف فعلی انسانها و فعالسازی قابلیتهای جدید در مقیاس وسیع. با این حال، امروزه بیشتر کاربردها در جریانهای کاریِ اداری متمرکز ماندهاند (مانند ثبت خودکار اطلاعات بالینی و مدیریت چرخه درآمد). اینها دستاوردهای مهمی هستند، اما وقتی به فرصت بزرگتر، یعنی بهبود «هزینه کل مراقبت» در سطح جامعه نگاه میکنیم، هنوز در ابتدای راهیم.
برای مثال، اگر یک لیست از بیماران پرخطر خارج از پلتفرم اصلی مدیریت مراقبت ارائه شود و نیازمند بررسی دستی باشد، اغلب دستنخورده باقی میماند. این عدم اتصال، اصطکاک ایجاد میکند. در سیستمی تحت فشار، اصطکاک عامل تعیینکنندهای بین «اقدام کردن» و «بیعملی» است. کادر درمان در برابر هوش مصنوعی مقاومت نمیکنند؛ آنها صرفاً به محدودیتهای محیطی واکنش نشان میدهند.
آمارها نشان میدهند که تا ۸۱ درصد از پزشکان، ابزارهایی را که خارج از جریانهای کاریِ اصلیِ «پرونده الکترونیک سلامت» (EHR) قرار دارند، نادیده میگیرند. اگر هوش مصنوعی در جریان کار تعبیه نشود، عملاً نامرئی است.
از ابزارهای هوش مصنوعی تا اثرگذاری عملیاتی
مانع اصلیِ پذیرش موثرِ هوش مصنوعی در نظام سلامت، یک مشکل فنی نیست؛ مانع واقعی، «طراحی» است؛ طراحیِ سیستمی که بازتابدهنده نحوه کارکردِ واقعیِ اکوسیستم درمان باشد.
سازمانها باید تمرکز خود را از «استقرار ابزارها» به «عملیاتی کردن هوشمندی» تغییر دهند. این یعنی تعبیه مستقیمِ بینشها در سیستمهای تصمیمگیری و اطمینان از اینکه اطلاعات در لحظه (Real-time) و همگام با لحظات کلیدیِ درمان ارائه میشوند.
حل موانع موجود در محیط سنتیِ EHR نیازمند تغییر نگرش است. به جای گنجاندنِ به زورِ هوش مصنوعی در جریانهای کاری موجود، باید از EHR به عنوان تنها مرکز ثقل عبور کرد و به سمت طراحیِ «لایههای هماهنگکننده» (Orchestration Layers) رفت که پیچیدگیها را در سراسر اکوسیستم مدیریت میکنند.
وقتی هوش مصنوعی مستقیماً در EHR ادغام میشود، این بینشِ تحلیلی به بخشی یکپارچه از جریانِ کار بالینی تبدیل شده که امکان مداخله فوری را فراهم کرده و فرصتهای از دست رفته برای مراقبت را کاهش میدهد.
این یک پروژه عظیم در حوزه «مدیریت تغییر» (Change Management) است که نیازمند بازنگری در جریانهای کاری و مسئولیتپذیری است. این همان مسیری است که صنعت ما را از مرحله «اتوماسیون» به مرحله «تحول بنیادین» (Transformation) میرساند.
با ورود نظام سلامت به مرحلهای که نیازمند پاسخگوییِ بیشتری است، بحثِ اصلی از اینکه «آیا سازمانها میتوانند هوش مصنوعی را پیادهسازی کنند؟» به این سمت میرود که «آیا میتوانند ثابت کنند این فناوری نتایج قابلاندازهگیری به همراه دارد؟». موفقیتِ نهایی از آنِ کسانی خواهد بود که بتوانند شکاف میان «بینش» و «اقدام» را پر کنند.
زیرا در دنیای پزشکی و سلامت، هوش مصنوعی زمانی که صرفاً یک مشکل را شناسایی میکند، ارزشی خلق نکرده است؛ خلقِ ارزشِ واقعی زمانی اتفاق میافتد که یک نفر بر اساس آن اطلاعات، اقدامی انجام دهد.