خشایار مریدپور: کمتر کسی سه سال پیش می‌توانست تصور کند شیوع یک بیماری ویروسی، آن هم در دوران اوج شکوفایی دانش بشری، بتواند اقتصاد جهانی را از پا درآورد و سبک زندگی ما را بری همیشه تغییر بدهد. پیشرفت‌های خیره‌کننده به‌دست‌آمده در همه شاخه‌های علوم تجربی، به‌ویژه در حوزه علوم پزشکی و فناوری اطلاعات، ما را آن قدر مغرور و مطمئن کرده بود که به نشانه‌های زودهنگام شروع یک همه‌گیری جدید آن‌طور که باید توجه نکردیم. تا جایی که وقتی هوش مصنوعی شرکت «بلودات» (Blue Dot) بیش از یک هفته قبل از سازمان جهانی بهداشت خبر از شروع یک همه‌گیری ناشناخته را در ووهان چین داد، هیچ یک از نهادهای مرتبط آن را جدی نگرفتند. البته این اعتماد به قدرت انسان چندان بی‌اساس نبود؛ چرا که به‌مدد همین ابزارها در صد سال اخیر موفق به کنترل انواع بیماری‌های مسری، نرخ مرگ‌و‌میر و افزایش امید به زندگی در سراسر جهان شده‌ایم. به‌علاوه، امروزه ما به لطف روش‌های جدید مبتنی بر ترکیب علوم پزشکی با فناوری دیجیتال، به قابلیت کشف زودهنگام و توسعه درمان‌های مؤثر برای بیماری‌های پیچیده و ناشناخته دست پیدا کرده‌ایم. اگرچه همه‌گیری کرونا با نمایش آسیب‌پذیری‌های ما ثابت کرد مقابله با بیماری‌های همه‌گیر ناشناخته بدون اتکا به همه امکانات ما مانند هوش‌مصنوعی و یادگیری ماشینی غیرممکن نیست، اما بسیار چالش‌برانگیز خواهد بود. آنچه در ادامه می‌خوانید نگاهی کلی به این مسئله، وضعیت فعلی و چشم‌انداز پیش روی نقش فناوری اطلاعات و هوش‌مصنوعی در پیشبینی و پیشگیری از همه‌گیری‌های آینده است.
آنچه در همه‌گیری جهانی کووید-۱۹ گذشت نشان داد ترکیب علم داده و هوش مصنوعی با علوم پزشکی نه تنها برای پیشبینی و پایش، بلکه برای اداره و مهار بحران‌های مشابه از جمله برای توسعه سریع و کارآمد درمان‌های دارویی ابزاری کارآمد خواهد بود و نیاز به سرمایه‌گذاری دارد. این موضوع درست به اندازه توسعه زیرساخت‌های فیریکی برای مواجهه با امواج بلند بحران‌های سلامتی آینده ضروری است. در واقع هرچند فناوری اطلاعات و همه هم‌صنفانش ابزارهایی قدرتمند هستند، اما به‌تنهایی قادر به رفع همه مشکلات و تضمین سلامتی ما در آینده نیستند و همزمان با توسعه ابزارهای جدید مبتنی بر فناوری اطلاعات، تحول سیستماتیک نظام سلامتی جهانی و توسعه زیرساخت فیزیکی هم ضروری هستند.
هشداری که شنیده نشد
علم داده، استخراج بزرگ‌داده‌ها و تحلیلشان برای پیدا کردن الگوهای تکرارشونده و داده‌های عمل‌پذیر از آن‌ها مفاهیم جدیدی نیستند. با توجه به عملکرد درخشان این ابزارها در تجزیه و تحلیل و پیشبینی رفتارهای کاربران، جای تعجبی نیست که پیش از همه‌گیری کرونا هم تلاش‌ها برای به‌کارگیری هوش‌مصنوعی در پایش و پیشبینی بیماری‌های همه‌گیر شروع شده بود. در واقع پیش از آغاز همه‌گیری جهانی کووید-۱۹، یک ابزار مبتنی بر هوش مصنوعی پیش از همه زنگ خطر را نواخته بود. هوش مصنوعی شرکت بلودات که با استفاده از فناوری یادگیری ماشینی شروع انتشار بیماری‌های همه‌گیر را پایش می‌کند، در آخرین روز سال ۲۰۱۹ مشتریان خود -از جمله دولتها، بیمارستان‌ها و کسب‌و‌کارهای مرتبط- را از افزایش غیرعادی موارد ابتلا به ذات‌الریه در ووهان چین مطلع کرده بود. برای مقایسه بد نیست بدانید «سازمان جهانی بهداشت» (WHO) نه روز بعد از این تاریخ به‌طور رسمی شیوع بیماری‌ای را که دیگر همه با نام کرونا می‌شناسیم، تأیید کرد. البته بلودات تنها ابزار مبتنی بر هوش‌مصنوعی که توانست به‌خوبی شروع همه‌گیری را پیشبینی کند، نبود. برای مثال سرویسی هوشمند به‌نام «هلث‌مپ» (HealthMap) در بیمارستان کودکان بوستون و مدل پیشبینی «متابیوتا» (Metabiota) هم درباره علائم اولیه شروع یک همه‌گیری جدید هشدار داده بودند. اما شرکت‌هایی مثل بلودات و متابیوتا چطور توانستند پیش از سازمان جهانی بهداشت از شروع یک همه‌گیری ناشناخته در آن سوی کره زمین باخبر شوند؟ پاسخ این سؤال ترکیب الگوریتم‌های پردازش زبان‌های طبیعی (NLP) با یادگیری ماشینی است که به این پلتفرم‌ها امکان می‌دهد خروجی خبرگزاری‌ها و گزارش‌های رسمی بهداشتی به زبان‌های مختلف در سراسر جهان را مستمر پایش کنند و موارد احتمالی ذکرشده از بیماری‌های مسری از جمله کرونا یا بیماری‌های بومی‌تر مانند ایدز یا سل را گزارش کنند. به‌علاوه، این پلتفرم‌ها می‌توانند با ترکیب ابزارهای پیش‌بینی‌کننده خود با اطلاعات خطوط پروازی به ارزیابی میزان خطر ورود یا خروج افراد ناقل به مراکز اصلی جابه‌جایی مسافر در سراسر جهان بپردازند. به‌این‌ترتیب، این پلتفرم‌ها توانستند با حاشیه خطایی قابل‌قبول دست به پیشبینی تعداد میتلایان و کشورهایی که در مسیر گسترش بیماری هستند، بزنند.
شرکت‌هایی مثل بلودات و متابیوتا چطور توانستند پیش از سازمان جهانی بهداشت از شروع یک همه‌گیری ناشناخته در آن سوی کره زمین باخبر شوند؟ پاسخ این سؤال ترکیب الگوریتم‌های پردازش زبان‌های طبیعی (NLP) با یادگیری ماشینی است
بعضی دیگر از این پلتفرم‌ها، پایش هوشمند شبکه‌های اجتماعی را هم به این ترکیب اضافه کرده‌اند. برای مثال شرکت «استارتیفید» (Startifyd) در حال توسعه هوش‌مصنوعی‌ای است که با پایش پست‌های کاربران در شبکه‌های اجتماعی مانند توییتر یا فیس‌بوک درباره احوال فیزیکی خود و تطبیق این اطلاعات با علائم شناخته‌شده بیماری‌ها در پایگاه‌های داده رسمی مانند سازمان جهانی بهداشت دام و پایگاه داده شناسایی میکروبی جهانی درباره شروع همه‌گیری‌های جدید هشدار می‌دهد. دستاوردهای چشمگیر این حوزه به‌خوبی نشان می‌دهند حوزه هوش‌مصنوعی و یادگیری ماشینی در همین چندسال اخیر تا چه حد پیشرفت داشته است؛ به‌ویژه وقتی سوابق عملکرد آن‌ها در همه‌گیری کرونا را با تلاش‌های قبلی مانند «فول‌ترکر» (Flu Tracker) گوگل که در سال ۲۰۱۳ کنار گذاشته شد، مقایسه کنیم. این موفقیت بیشتر مرهون توانایی نرم‌افزارهای جدید برای پایش منابع اطلاعاتی گسترده‌تر و البته قابلیت آموزش بدون حضور انسان الگوریتم‌های یادگیری ماشینی و یادگیری عمیق و قابلیت آن‌ها در شناسایی الگوهای ناشناخته است. در سال‌های اخیر با نمایش توانمندی و قابلیت‌های هوش مصنوعی و بزرگ‌داده‌ها در این دست کاربردها، روند توسعه آن‌ها هم شتاب فزاینده‌ای گرفته است؛ برای مثال تنها در سال اول همه‌گیری کرونا بیش از هفتاد روش جدید برای بررسی و تحلیل داده‌های آماری و استفاده از آن‌ها در گستره وسیعی از تصمیم‌گیری‌ها ارائه شده است. این روند در قیاس با سال‌های قبل و همه‌گیری‌های قبلی از جمله سارس و مرس از رشد انفجاری این حوزه و دامنه حتی وسیع‌تر کاربردهای آن در آینده خبر می‌دهد.
سلاحی برای نبردهای بعدی
یکی دیگر از کاربردهای امیدوارکننده دیگر هوش مصنوعی، یادگیری ماشینی و بزرگ‌داده‌ها در مقابله با بحران‌هایی مانند همه‌گیری‌های جهانی استفاده از آن‌ها برای تشخیص زودهنگام علائم بیماری با روش‌های مختلف است. برای مثال ترکیب فناوری‌های هوشمند پوشیدنی، اینترنت اشیاء (IOT) با سامانه‌های مدیریت شهری می‌تواند به مسئولان امر امکان دهد شروع علائم فیزیکی در بیماران را سریع‌تر شناسایی کنند و به‌نحو مؤثرتری راهبردهایی مانند فاصله‌گذاری اجتماعی، قرنطینه هوشمند و پیگیری روند درمانی موارد مشکوک به ابتلا را در جامعه پیاده کنند. به‌علاوه، همان‌طور که برای مثال در همه‌گیری کرونا شاهد استفاده از یادگیری ماشینی برای تشخیص خودکار علائم بیماری در تصاویر سی‌تی‌اسکن بودیم، می‌توان از هوش‌مصنوعی برای کمک به کادر درمان برای پردازش سریع‌تر داده‌های آزمایشگاهی یا تأیید ابتلا هم استفاده کرد. به این‌ها امکان پیشبینی دقیق‌تر منابع بیمارستانی مورد نیاز برای مقابله با امواج بیماری، مستندسازی خودکار کل روند درمان و قابلیت پیشنهاد ترکیب‌های شیمیایی نوین برای استفاده به‌عنوان داروهای جدید را هم اضافه کنید تا بیشتر به پتانسیل عظیم این فناوری‌ها برای تحول حوزه سلامت عمومی و مقابله با بیماری‌های همه‌گیر پی ببرید. البته که همیشه پیشگیری بهتر از درمان است و جالب اینجاست که این ابزارهای توانمند در این عرصه هم حرف‌های بسیاری برای گفتن دارند.
همچنین باید به استفاده از فناوری‌هایی مانند هوش‌مصنوعی و یادگیری ماشینی برای مقابله پیش‌دستانه با انتشار بیماری‌های مسری اشاره کرد. این موضوع بیشتر شبیه به داستان‌های علمی‌تخیلی به نظر می‌رسد، اما در عمل از آنچه تصور می‌کنید به واقعیت نزدیک‌تر شده است. یکی از مهم‌ترین عوامل شروع همهگیریها، پرش (Spillover) عوامل بیماری‌زا از حیوانات به انسان است. در واقع، تقریباً ۶۰درصد از بیماری‌های مسری شناخته‌شده و ۷۵درصد از بیماری‌های جدید از حیوانات به انسان‌ها انتقال پیدا می‌کنند. به‌علاوه توسعه بیش از حد جوامع انسانی و تجاوز آن‌ها به اکوسیستم‌های طبیعی، گرمایش جهانی و تغییرات اقلیمی در دوران مدرن بسامد و شدت این جهش‌های خطرناک را بیشتر کرده‌اند. هرچند، در بیشتر موارد عامل بیماری‌زای مشترک، شامل ویروس، باکتری، انگل یا قارچ، تنها میزبان اصلی را آلوده می‌کند و تبدیل به یک پاتوژن مسری نمی‌شود. اما با توجه افزایش میزان تماس و خطر انتقال بیماری‌های جدید از حیوانات به انسان، به شدت نیاز به توسعه یک سیستم هشدار زودهنگام جهانی برای پیشبینی موارد احتمالی بعدی احساس می‌شود.
این دقیقاً همان کاری است که پژوهشگران دانشگاه گلسکو اسکاتلند از سال ۲۰۱۵ تا به امروز مشغول آن هستند. دکتر «باربارا هان» و همکارانش در حال ساخت یک ابزار مبتنی بر هوش مصنوعی هستند که این امکان را می‌دهد که خطر پرش یک ویروس از یک گونه حیوانی به انسان را ارزیابی و ما را از نقاط خطر احتمالی آگاه کنند. تیم دکتر هان یک مدل یادگیری ماشینی مبتنی بر تحلیل ژنوم عوامل ویروسی و انسانی ساخته‌اند که نه‌تنها می‌تواند احتمال جهش یک ویروس از حیوان به انسان را به ما نشان دهد، بلکه می‌تواند مناطقی را که در آن‌ها احتمال این انتقال بالاتر است هم برای ما مشخص کند. همچنین مدلی که تیم دکتر هان ارائه کرده، می‌تواند تنها با تحلیل یک ژنوم ویروسی ناشناخته، مشخص کند این عامل بیماری‌زا احتمالاً در چه گروهی از حیوانات بیشتر دیده خواهد شد. ترکیب این قابلیت با توانایی بسیار بهتر ما در شناسایی ویروس‌های جدید به ما امکان خواهد داد در آینده با توسعه هر چه بیشتر داده‌های مرتبط و بهبود مدل‌های پیشبینی، دست به مقابله پیش‌دستانه با شیوع بیماری‌های مشترک بین حیوان و انسان بزنیم. البته هنوز این مدل‌ها تا تولید داده‌های عمل‌پذیر فاصله بسیاری دارند و در حال حاضر تنها می‌توانیم به این نشانه‌های امیدبخش از پیشرفت‌های به‌دست‌آمده دلخوش باشیم.
هوش مصنوعی؛ تیغ دولبه
هوش‌مصنوعی و زیرمجموعه‌های آن از جمله یادگیری ماشینی مانند هر فناوری دیگری می‌توانند مانند یک تیغ دولبه عمل کنند. داده‌های نادرست، تفسیرهای غلط و ترس‌های جمعی می‌توانند بر کیفیت و کارایی این روش‌ها تأثیر قابل‌ملاحظه و گاه مخربی داشته باشند. بنابراین، با وجود همه توانمندی‌های گفته‌شده، هوش مصنوعی و یادگیری ماشینی تنها ابزارهایی در مسیر مبارزه هستند و نمی‌توان آن‌ها را حلال همه مشکلات دانست.
دکتر «باربارا هان» و همکارانش در حال ساخت یک ابزار مبتنی بر هوش مصنوعی هستند که این امکان را می‌دهد که خطر پرش یک ویروس از یک گونه حیوانی به انسان را ارزیابی و ما را از نقاط خطر احتمالی آگاه کنند
در واقع با وجود سابقه نسبتاً طولانی به‌کارگیری ابزارهایی از این دست در حوزه سیاست‌گذاری سلامت عمومی، قابلیت‌های شگرف ارتباطی در عصر فناوری اطلاعات و پیشرفت قابل‌توجه فناوری‌های مرتبط، ما همچنان برای همه‌گیری کرونا آماده نبودیم. زیرا ابزارهای مبتنی بر هوش مصنوعی برای تأثیرگذاری بیش از هر چیز به «داده‌های موثق و معتبر» نیاز دارند، ولی این دست داده‌ها در عمل در سال ۲۰۲۲ و با وجود تجربه ناخوشایند کرونا هنوز در دسترس پژوهشگران و نهادهای مسئول قرار ندارند. برای مثال، می‌توانیم به همه‌گیری آبله میمونی در آمریکا اشاره کنیم؛ فاصله زمانی زیاد مورد نیاز برای اشتراک‌گذاری داده‌های مرتبط با موارد احتمالی ابتلا بین دولت‌های ایالتی و «مراکز کنترل و پیشگیری از بیماری» (CDC) مثال دیگری از نواقص سیستم فعلی تولید و اشتراک‌گذاری داده‌های سلامتی در یکی از پیشرفته‌ترین کشورهای جهان است. این در حالی است که همه‌گیری کرونا ثابت کرده سلامت عمومی و آینده آن به ترکیب داده‌های کلینیکی، آزمایشگاهی، ژنتیک و اپیدمیولوژیک برای هدایت مؤثر تصمیم‌گیری درباره سیاست‌گذاری‌ها و رویه‌های اجرایی بستگی دارد.
البته توسعه چنین شبکه فراگیری برای گردآوری، دسته‌بندی و اشتراک‌گذاری اطلاعات که احتمالاً باید بر بستر فناوری 5G و با کمک اینترنت اشیاء پیاده شود، مشکلات دیگری به همراه خواهد داشت. مسائلی مانند بحث حریم خصوصی افراد و نحوه دسترسی به اطلاعات آن‌ها و بحث تهدیدهای امنیت سایبری ناشی از یکپارچه شدن نظام سلامتی عمومی با بزرگ‌داده‌های جمعیتی می‌تواند خطرات بی‌سابقه‌ای را در مقابل دولتها و نهادهای تصمیم‌گیرنده قرار دهد. به‌کارگیری فناوری‌های در حال ظهور مانند پروتکل‌های جدید رمزنگاری و استفاده از پایگاه‌های داده غیرمتمرکز و بلاک‌چین‌ها و یکپارچه‌سازی آن با شبکه‌های اختصاصی و ایمن استخراج و انتشار بزرگ‌داده‌های سلامتی می‌تواند تا حد زیادی به این نگرانی‌ها پاسخ دهد. همچنین، توافق‌های در حال اجرا و آتی بین دولتها و نهادهای بین‌المللی از جمله سازمان جهانی بهداشت (WHO) و سازمان ملل می‌تواند به ایجاد این شبکه جهانی انتقال اطلاعات کمک چشمگیری کند.
در نهایت باید به این نقل قول معروف در علم داده اشاره کنیم که می‌گوید: «کیفیت داده‌های خروجی تنها به‌خوبی داده‌های ورودی است» و این موضوع به‌ویژه در حوزه سیاست‌گذاری سلامت عمومی اهمیت بیشتری دارد. در نتیجه، تحول نظام اشتراک داده و نحوه ارتباط نهادهای مرتبط با سیاست‌های سلامت عمومی جهانی با سازمان‌های محلی و کشوری در کنار توسعه بسترهای جدید ارتباطی برای کمک به تشکیل جریانی پیوسته و شفاف از اطلاعات فاقد سوگیری و معتبر بین همه کشورهای جهان، مهم‌ترین نیازمندی‌های ما برای کاربرد مؤثر هوش‌مصنوعی برای پیشبینی و پیشگیری از بروز همه‌گیری‌های بعدی هستند.
