بازارسال شده از
Open Evidence: عبور از مرزهای سنتیپلتفرم OpenEvidence یک لایه هوش بالینی و موتور جستجوی پیشرفته پزشکی است که به عنوان پارتنر رسمی ژورنالهای معتبری مثل NEJM و JAMA، انقلابی در دنیای درمان ایجاد کرده است. در روزهایی که ما در ایران با قطع و اختلالات شدید اینترنت روبهرو بودیم، این غول ۱۲ میلیارد دلاری بیصدا چنان پیشرفتی کرد که اکنون بیش از ۶۵ درصد پزشکان آمریکا در اتاق ویزیت از آن استفاده میکنند؛ ابزاری که بر خلاف چتباتهای معمولی، کوچکترین توهمی (Hallucination) ندارد و تمام پاسخهایش را مستقیماً به شواهد علمی و مقالات فولتکست لینک میکند.
جذابیت اصلی OpenEvidence در فیچرهای جدید و هوشمندانه آن است؛ قابلیت اول یعنی DotFlows به پزشکان اجازه میدهد تنها با تایپ یک نقطه (`.`) روی کیبورد، تمام پرامپتها، ساختارهای روتین و سبک نسخهنویسی شخصی خود را فراخوانی کنند. از طرفی، قابلیت صوتی Visits به صورت محیطی به مکالمه پزشک و بیمار گوش میدهد و بدون نیاز به دست زدن به کیبورد، آن را به گزارشهای بالینی استاندارد و متصل به رفرنسهای علمی روز دنیا تبدیل میکند تا تمرکز پزشک فقط روی بیمار باشد.
این ابزار حالا مستقیماً با سیستمهای پرونده الکترونیک بزرگ دنیا مثل Epic ادغام شده تا بدون خارج شدن از چارت بیمار، در دسترس کادر درمان قرار بگیرد.
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۶۳۲۲
مرزبندی قانونی هوش مصنوعی در درمان لایحه جدید House Bill 664 در ایالت آیداهو آمریکا یک نقطه عطف حقوقی در دنیای پزشکی هوشمند است . این قانون برخلاف تمرکز سنتی روی سوگیری الگوریتمها مستقیماً شبیهسازی رواندرمانگری توسط چتباتها را بدون نظارت متخصص ممنوع کرد. نکته کلیدی این مصوبه جرمانگاری عدم افشای هویت غیرانسانی ماشین است طبق این ساختار حقوقی اگر یک هوش مصنوعی بدون معرفی صریح ماهیت خود با بیمار گفتگو کند تحت قانون فریب تجاری تحت پیگرد قانونی و پرداخت غرامت قرار میگیرد این رویکرد فلسفه اصالت رابطه پزشک و بیمار را در عصر دیجیتال بازتعریف میکند. به زبان ساده این قانون جلوی مخفی شدن ماشین پشت نقاب انسان را میگیرد تا بیماران بدانند با یک چتبات صحبت میکنند نه یک رواندرمانگر واقعی و این تغییر آغازگر یک موج جهانی برای نظارت سختگیرانه بر هوش مصنوعی بالینی خواهد بود.جهت مطالعه بیشتر
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۴
🦠 اندیشکده Rand گزارش میدهد:
هوش مصنوعی و تهدیدهای زیستی_امنیتی
گزارش تحلیلی جدیدRAND Corporation تحت عنوان "مدلهای بنیادین هوش مصنوعی ریسک گسترش تسلیحات بیولوژیک را افزایش میدهند" پرده از یک چالش امنیتی بزرگ در حوزه سلامت عمومی و امنیت بینالملل برمیدارد این سند نشان میدهد که ارزیابیهای ایمنی فعلی بر پایه فرضیات غلطی بنا شدهاند که پتانسیل واقعی ماشین در تسهیل ساخت سلاحهای کشتار جمعی را نادیده میگیرند.
رگولاتورها پیش از این تصور میکردند که مدلهای هوش مصنوعی بدون داشتن مهارتهای تجربی آزمایشگاهی خطری ندارند اما هوش مصنوعی مولد اکنون قادر است مسیرهای پیچیده سنتز شیمیایی و تولید پاتوژنهای ویروسی واگیردار را به طور دقیق بازسازی کند و به عنوان یک راهنمای گام به گام عملیاتی در اختیار افراد غیرمتخصص قرار دهد
کارشناسان رَند هشدار میدهند که سیستمهای ارزیابی کنونی احساس امنیت کاذب ایجاد کردهاند و جهان به یک چارچوب سنجش استاندارد جدید برای پایش توانمندیهای پنهان ماشین در ایجاد بحرانهای بیولوژیک نیاز دارد.
متن کامل گزارش
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy
هوش مصنوعی و تهدیدهای زیستی_امنیتی
گزارش تحلیلی جدیدRAND Corporation تحت عنوان "مدلهای بنیادین هوش مصنوعی ریسک گسترش تسلیحات بیولوژیک را افزایش میدهند" پرده از یک چالش امنیتی بزرگ در حوزه سلامت عمومی و امنیت بینالملل برمیدارد این سند نشان میدهد که ارزیابیهای ایمنی فعلی بر پایه فرضیات غلطی بنا شدهاند که پتانسیل واقعی ماشین در تسهیل ساخت سلاحهای کشتار جمعی را نادیده میگیرند.
رگولاتورها پیش از این تصور میکردند که مدلهای هوش مصنوعی بدون داشتن مهارتهای تجربی آزمایشگاهی خطری ندارند اما هوش مصنوعی مولد اکنون قادر است مسیرهای پیچیده سنتز شیمیایی و تولید پاتوژنهای ویروسی واگیردار را به طور دقیق بازسازی کند و به عنوان یک راهنمای گام به گام عملیاتی در اختیار افراد غیرمتخصص قرار دهد
کارشناسان رَند هشدار میدهند که سیستمهای ارزیابی کنونی احساس امنیت کاذب ایجاد کردهاند و جهان به یک چارچوب سنجش استاندارد جدید برای پایش توانمندیهای پنهان ماشین در ایجاد بحرانهای بیولوژیک نیاز دارد.متن کامل گزارش
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۴۱NEJMra2503232.pdf
۳.۵۷ مگابایت
نظارت بالینی بر هوش مصنوعی: پارادایم جدید آموزش پزشکی ورود مدلهای زبانی بزرگ به عرصه درمان فرآیند تفکر انتقادی و یادگیری پزشکان را با چالشهای جدی مواجه کرده است این ابزارها با شبیهسازی استدلال بالینی خطر وابستگی بیش از حد و سوءمهارت را افزایش میدهند. مقاله چارچوبی ساختاریافته به نام DEFT-AI به عنوان یک راهکار آموزشی نوین ابزاری برای ارزیابی مباحثه شواهد و بازخورد در تعامل پزشک با هوش مصنوعی را ارائه میکند. این مدل دو رفتار سایبورگ و سنتور را معرفی میکند که اولی ادغام تنگاتنگ انسان با ابزار و دومی تقسیم استراتژیک وظایف با نظارت انسانی است. رویکرد «راستیآزمایی و سپس اعتماد» نقشی حیاتی در توسعه تفکر بالینی ایفا میکند و مانع از افت مهارتهای استدلال مستقل در عصر هوشمندسازی میشود.در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۱۱آکادمی Med-AI
NEJMra2503232.pdf
نویسندگان این مقاله در مجله پزشکی نیوانگلند (NEJM) دو رویکرد متمایز و استعاری را برای نحوه تعامل و یادگیری بالینی در مواجهه با هوش مصنوعی معرفی کردهاند . الگوی Centaur یا همان موجود اساطیری نیمی انسان و نیمی اسب با مرزهای کاملاً مشخص نمایانگر تفکیک هوشمندانه وظایف است. در این استراتژی کارهای ثانویه مانند خلاصهسازی به ماشین سپرده میشود اما هسته اصلی تصمیمگیری تحت نظارت مستقیم انسانی باقی میماند. در نقطه مقابل الگوی Cyborg یا موجود ترکیبی انسان و ماشین قرار دارد که در آن مرز میان پزشک و ابزار هوشمند کمرنگ میشود. در این روش کار به صورت رفتوبرگشتی و درهمتنیده پیش میرود که سرعت روتینهای پزشکی را به حداکثر میرساند اما در صورت نبود تفکر انتقادی ریسک بزرگ افت مهارتهای استدلال بالینی یا خطای اتوماسیون را به همراه دارد. آینده استدلال بالینی در گرو توانایی انعطافپذیری پزشکان برای جابهجایی هوشمندانه میان رفتارهای Centaur و Cyborg بر اساس میزان مخاطره و حساسیت پروندههای پزشکی خواهد بود.در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۲۱استاندارد MEDS: زیرساخت دادهای نوین برای هوش مصنوعی در پزشکی
چرا استانداردهای دادهای اهمیت دارند؟برای اینکه هوش مصنوعی بتواند از دادههای پزشکی یاد بگیرد، ابتدا باید این دادهها به شکلی یکدست و قابلفهم سازماندهی شوند. اینجاست که «استانداردهای دادهای» وارد میشوند قوانینی که مشخص میکنند اطلاعات بیمار چگونه ذخیره و دستهبندی شوند.
استاندارد OMOP: ابزار قدرتمند پژوهش سنتیمدل دادهای OMOP (Observational Medical Outcomes Partnership) یکی از موفقترین استانداردهای موجود است که توسط شبکه جهانی OHDSI توسعه یافته و در هزاران مطالعه مشاهدهای استفاده شده است. OMOP برای پاسخ به سؤالات پژوهشی پیچیده طراحی شده و ساختاری چندجدولی و بسیار جامع دارد.
مثال ساده: OMOP مانند یک بایگانی بیمارستانی کامل است — اطلاعات دارویی، آزمایشگاهی، تشخیصی، پروسیجرها و هزینهها هرکدام در بخش جداگانهای نگهداری میشوند. برای یافتن پاسخ یک سؤال، باید بین چندین بخش رفتوآمد کرد و اطلاعات را کنار هم گذاشت.
این جامعیت برای پژوهش اپیدمیولوژیک عالی است، اما وقتی هدف آموزش مدلهای یادگیری ماشین باشد، این پیچیدگی میتواند کار را کند و دشوار کند.
استاندارد MEDS: طراحیشده برای هوش مصنوعی
استاندارد MEDS (Medical Event Data Standard) با هدف متفاوتی طراحی شده است: سادهسازی دادههای بالینی به شکلی که مدلهای یادگیری ماشین بتوانند سریع و مؤثر از آنها استفاده کنند.
ساختار MEDS بسیار ساده است: برای هر بیمار، یک خط زمانی (timeline) از رویدادهای پزشکی ایجاد میشود. هر رویداد شامل سه عنصر است:
- زمان: چه وقت اتفاق افتاده؟
- کد: چه اتفاقی افتاده؟ (تشخیص، دارو، آزمایش و...)
- مقدار عددی (در صورت وجود): مثلاً نتیجه آزمایش
مثال ساده: اگر OMOP مانند یک پرونده پزشکی چندصدصفحهای با بخشهای مختلف باشد، MEDS مانند یک جدول زمانی خلاصهشده است.
این سادگی باعث میشود الگوریتمهای AI بدون نیاز به پردازشهای پیچیده، مستقیماً الگوهای بالینی را از دادهها استخراج کنند.
مزایای عملی MEDS- سرعت پردازش: ابزارهای مبتنی بر MEDS (مانند MEDS-Tab) در برخی تسکهای خاص مانند استخراج کوهورت، تا هزاران برابر سریعتر از روشهای سنتی عمل کردهاند. (توجه: این ارقام مربوط به تسکهای خاص هستند و نباید به کل سیستم تعمیم داده شوند.)
- کاهش نیاز به کدنویسی: محققان گزارش کردهاند که حجم کدنویسی لازم برای ساخت مدلهای پیشبینیکننده تا ۷۰ درصد کاهش یافته است.
- قابلیت انتقال: مدلی که روی دادههای یک بیمارستان آموزش دیده، میتواند بدون تغییر ساختاری روی دادههای بیمارستان دیگر اجرا شود — به شرط اینکه هر دو از MEDS استفاده کنند.
آیا MEDS جایگزین OMOP میشود؟خیر. این دو استاندارد مکمل یکدیگرند، نه رقیب:
- OMOP برای پژوهشهای اپیدمیولوژیک، مطالعات مشاهدهای و تحلیلهای آماری سنتی بهینه است.
- MEDS برای آموزش مدلهای یادگیری ماشین و هوش مصنوعی بهینهسازی شده است.
در عمل، بسیاری از مؤسسات دادههای خود را ابتدا در قالب OMOP نگهداری میکنند و سپس برای پروژههای AI آنها را به فرمت MEDS تبدیل میکنند.
چشمانداز آیندههدف نهایی، ساخت مدلهای بنیادین پزشکی (Foundation Models) است — مدلهایی که بتوانند از دادههای میلیونها بیمار یاد بگیرند و در تسکهای مختلف بالینی مانند پیشبینی خطر بستری مجدد، تشخیص زودهنگام سپسیس یا پیشبینی پاسخ به درمان به کار روند. MEDS زیرساخت دادهای لازم برای این هدف را فراهم میکند.
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy
چرا استانداردهای دادهای اهمیت دارند؟برای اینکه هوش مصنوعی بتواند از دادههای پزشکی یاد بگیرد، ابتدا باید این دادهها به شکلی یکدست و قابلفهم سازماندهی شوند. اینجاست که «استانداردهای دادهای» وارد میشوند قوانینی که مشخص میکنند اطلاعات بیمار چگونه ذخیره و دستهبندی شوند.
استاندارد OMOP: ابزار قدرتمند پژوهش سنتیمدل دادهای OMOP (Observational Medical Outcomes Partnership) یکی از موفقترین استانداردهای موجود است که توسط شبکه جهانی OHDSI توسعه یافته و در هزاران مطالعه مشاهدهای استفاده شده است. OMOP برای پاسخ به سؤالات پژوهشی پیچیده طراحی شده و ساختاری چندجدولی و بسیار جامع دارد.
مثال ساده: OMOP مانند یک بایگانی بیمارستانی کامل است — اطلاعات دارویی، آزمایشگاهی، تشخیصی، پروسیجرها و هزینهها هرکدام در بخش جداگانهای نگهداری میشوند. برای یافتن پاسخ یک سؤال، باید بین چندین بخش رفتوآمد کرد و اطلاعات را کنار هم گذاشت.
این جامعیت برای پژوهش اپیدمیولوژیک عالی است، اما وقتی هدف آموزش مدلهای یادگیری ماشین باشد، این پیچیدگی میتواند کار را کند و دشوار کند.
استاندارد MEDS: طراحیشده برای هوش مصنوعی
استاندارد MEDS (Medical Event Data Standard) با هدف متفاوتی طراحی شده است: سادهسازی دادههای بالینی به شکلی که مدلهای یادگیری ماشین بتوانند سریع و مؤثر از آنها استفاده کنند.
ساختار MEDS بسیار ساده است: برای هر بیمار، یک خط زمانی (timeline) از رویدادهای پزشکی ایجاد میشود. هر رویداد شامل سه عنصر است:
- زمان: چه وقت اتفاق افتاده؟
- کد: چه اتفاقی افتاده؟ (تشخیص، دارو، آزمایش و...)
- مقدار عددی (در صورت وجود): مثلاً نتیجه آزمایش
مثال ساده: اگر OMOP مانند یک پرونده پزشکی چندصدصفحهای با بخشهای مختلف باشد، MEDS مانند یک جدول زمانی خلاصهشده است.
این سادگی باعث میشود الگوریتمهای AI بدون نیاز به پردازشهای پیچیده، مستقیماً الگوهای بالینی را از دادهها استخراج کنند.
مزایای عملی MEDS- سرعت پردازش: ابزارهای مبتنی بر MEDS (مانند MEDS-Tab) در برخی تسکهای خاص مانند استخراج کوهورت، تا هزاران برابر سریعتر از روشهای سنتی عمل کردهاند. (توجه: این ارقام مربوط به تسکهای خاص هستند و نباید به کل سیستم تعمیم داده شوند.)
- کاهش نیاز به کدنویسی: محققان گزارش کردهاند که حجم کدنویسی لازم برای ساخت مدلهای پیشبینیکننده تا ۷۰ درصد کاهش یافته است.
- قابلیت انتقال: مدلی که روی دادههای یک بیمارستان آموزش دیده، میتواند بدون تغییر ساختاری روی دادههای بیمارستان دیگر اجرا شود — به شرط اینکه هر دو از MEDS استفاده کنند.
آیا MEDS جایگزین OMOP میشود؟خیر. این دو استاندارد مکمل یکدیگرند، نه رقیب:
- OMOP برای پژوهشهای اپیدمیولوژیک، مطالعات مشاهدهای و تحلیلهای آماری سنتی بهینه است.
- MEDS برای آموزش مدلهای یادگیری ماشین و هوش مصنوعی بهینهسازی شده است.
در عمل، بسیاری از مؤسسات دادههای خود را ابتدا در قالب OMOP نگهداری میکنند و سپس برای پروژههای AI آنها را به فرمت MEDS تبدیل میکنند.
چشمانداز آیندههدف نهایی، ساخت مدلهای بنیادین پزشکی (Foundation Models) است — مدلهایی که بتوانند از دادههای میلیونها بیمار یاد بگیرند و در تسکهای مختلف بالینی مانند پیشبینی خطر بستری مجدد، تشخیص زودهنگام سپسیس یا پیشبینی پاسخ به درمان به کار روند. MEDS زیرساخت دادهای لازم برای این هدف را فراهم میکند.
در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۱
توقف اجباری در رقابت توسعه هوش مصنوعی: هشدار آنتروپیک شرکت آنتروپیک در اقدامی پیشگیرانه اعلام کرد توسعه مدلهای آینده کلاود را به دلیل سرعت سرسامآور رشد آنها محدود میکند. این تصمیم پس از آن اتخاذ شد که مهندسان این شرکت متوجه شدند هوش مصنوعی وارد فاز «خودبهبوددهی بازگشتی» شده است؛ مرحلهای که در آن سیستمها مستقلاً قادر به کدنویسی و بهینهسازی نسل بعدی خود هستند. آنها معتقدند اگر سرعت توسعه به همین منوال باقی بماند کنترل انسانی بر این سیستمها تضعیف میشود. راهکار پیشنهادی آنتروپیک ساخت سیستمهای نظارتی است که به توسعهدهندگان اجازه میدهد از توقف واقعی فعالیت رقبای جهانی اطمینان حاصل کنند. هدف این است که هیچ بازیگری نتواند در خفا به پیشروی خود ادامه دهد و امنیت جهانی را به مخاطره بیندازد. رقابت افسارگسیخته در هوش مصنوعی لبه پرتگاهی است که میتواند توسعه فناوری را از مسیر ایمن خارج کند. تعهد به کندسازی آگاهانه میتواند راه نجات برای حفظ کنترل بر هوش مصنوعی پیش از رسیدن به نقطه بیبازگشت باشد.در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy۳۳ کانال آکادمی Med-AI در بله برای اطلاع از آخرین اخبار، محتوا و دورههای آموزشی در حوزه هوش مصنوعی (در شرایط محدودیت اینترنت بینالملل) به کانال آکادمی در پیامرسان بله بپیوندید. لینک کانال بلهدر آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید
@MedAI_academy Med-AI Academy۱۱