مدیر سابق OpenAI: هوش مصنوعی میتواند تمام بیماریها را درمان کند؛ اما یک شرط بزرگ دارد
فیجی سیمو: مدلهای هوش مصنوعی کافی نیستند؛ برای درمان بیماریها به «زیرساخت زیستی» نیاز داریم
AI میتواند تمام بیماریها را درمان کند؟
هوش مصنوعی چگونه میتواند بیماریها را درمان کند؟ مدیر سابق OpenAI پاسخ متفاوتی دارد
فیجی سیمو، مدیر ارشد سابق OpenAI و همبنیانگذار استارتاپ زیستپزشکی ChronicleBio، میگوید هوش مصنوعی در نهایت میتواند به درمان تمام بیماریها کمک کند؛ اما رسیدن به چنین نقطهای فقط با ساخت مدلهای هوشمندتر ممکن نیست و به زیرساخت عظیمی از دادههای زیستی نیاز دارد.
اظهارنظر تازه فیجی سیمو (Fidji Simo) یکی از بلندپروازانهترین پیشبینیهای اخیر درباره آینده هوش مصنوعی و پزشکی است. او معتقد است اگر صنعت فناوری و زیستپزشکی بتوانند زیرساخت لازم برای جمعآوری، سازماندهی و تحلیل دادههای زیستی را همزمان با رشد توانایی مدلهای هوش مصنوعی توسعه دهند، درمان بیماریهایی که امروز بسیار پیچیده یا حتی غیرقابلدرمان به نظر میرسند، میتواند به یک هدف دستیافتنی تبدیل شود.
اما نکته مهم در صحبت سیمو این است که او ادعا نمیکند مدلهای هوش مصنوعی بهتنهایی قادر به درمان بیماریها هستند. برعکس، استدلال اصلی او این است که صنعت AI تاکنون بیش از اندازه روی «هوش مدل» تمرکز کرده و از یک حلقه حیاتی یعنی زیرساخت دادههای زیستشناختی غافل مانده است.
سیمو در واکنش به اظهارات اخیر داریو آمودی، مدیرعامل Anthropic، این دیدگاه را مطرح کرد و تأکید داشت که فاصله میان یک مدل هوشمند و یک درمان واقعی بسیار بیشتر از چیزی است که بسیاری از وعدههای صنعت AI نشان میدهند.
سایبرکست قسمت 124 : AI میتواند تمام بیماریها را درمان کند؟
مدیر سابق OpenAI: هوش مصنوعی میتواند همه بیماریها را درمان کند؛ اما یک مشکل بزرگ وجود دارد
مدلهای هوش مصنوعی کافی نیستند؛ برای درمان بیماریها به «زیرساخت زیستی» نیاز داریم
«هوش مدلها و زیرساخت زیستی باید با هم رشد کنند»
سیمو در مهمترین بخش اظهارات خود درباره آینده پزشکی مبتنی بر AI نوشت:
«من واقعاً باور دارم که هوش مصنوعی میتواند تمام بیماریها را درمان کند، اما فقط در صورتی که زیرساخت لازم برای تبدیل این هوش به درمان را با همان سرعتی که مدلها پیشرفت میکنند، بسازیم.»
او در ادامه بر یک اصل کلیدی تأکید کرد:
«هوش مدلها و زیرساختهای زیستشناختی باید همزمان مقیاس پیدا کنند.»
این نگاه تفاوت مهمی با روایتهای رایج درباره «AI که سرطان را درمان میکند» دارد. در بسیاری از پیشبینیهای مربوط به آینده پزشکی، فرض بر این است که کافی است مدلهای هوش مصنوعی به اندازه کافی قدرتمند شوند تا بتوانند مکانیسم بیماریها را کشف کرده و درمان مناسب را طراحی کنند.
اما سیمو میگوید مدل هوشمند بدون داده مناسب، اساساً نمیداند چه چیزی را باید حل کند.
اگر دادههای مربوط به یک بیماری ناقص، پراکنده، ناسازگار یا کمحجم باشند، افزایش قدرت استدلال مدل لزوماً به کشف درمان منجر نخواهد شد.
آغاز این بحث از اظهارات داریو آمودی
اظهارات سیمو در واکنش به یادداشت اخیر داریو آمودی، مدیرعامل Anthropic مطرح شد.
آمودی اخیراً درباره بحران اعتماد عمومی به صنعت هوش مصنوعی صحبت کرده و استدلال کرده بود که شرکتهای AI برای جلب اعتماد جامعه باید از وعدههای بزرگ فاصله بگیرند و نتایج ملموس و قابلاندازهگیری ارائه کنند.
یکی از نمونههایی که آمودی به آن اشاره کرده بود، وعده درمان بیماریهایی مانند سرطان با هوش مصنوعی است.
سیمو با وجود اختلافنظرهای گستردهای که میگوید با آمودی دارد، در این بخش با او موافق بود و نوشت:
«من در بیشتر مسائل با داریو مخالفم، اما این حرف او کاملاً درست است: در حال حاضر گفتن اینکه هوش مصنوعی سرطان را درمان خواهد کرد، بیشتر یک کلیشه است تا یک حرف الهامبخش و بیشتر مردم آن را فریبکارانه میدانند. چیزی که واقعاً کارساز خواهد بود، درمان واقعی سرطان است.»
این جمله در واقع قلب بحث است.
مشکل صنعت AI این نیست که چشماندازهای بزرگی برای پزشکی ترسیم میکند؛ مشکل این است که بین نمایش توانایی یک مدل در تحلیل داده و ایجاد یک درمان واقعی در دنیای پزشکی، چندین مرحله بسیار پیچیده وجود دارد.
چرا مدل هوش مصنوعی بهتنهایی کافی نیست؟
یک مدل هوش مصنوعی را میتوان با حجم عظیمی از داده آموزش داد، اما پزشکی با یک مسئله متفاوت روبهرو است: باید درباره یک سیستم زیستی پیچیده، واقعی و پویا اطلاعات کافی در اختیار داشته باشیم.
برای درک یک بیماری ممکن است به دادههایی از حوزههای مختلف نیاز باشد؛ از جمله:
ژنومیک، پروتئومیکس، تصویربرداری پزشکی، پاتولوژی، سوابق بالینی، آزمایشهای خون، پاسخ بیمار به دارو، اطلاعات طولی بیمار و دادههای مربوط به سبک زندگی و محیط.
این دادهها معمولاً در سیستمهای مختلف، با استانداردهای متفاوت و در بازههای زمانی گوناگون ذخیره میشوند. گاهی نیز اساساً داده کافی برای یک بیماری خاص وجود ندارد.
در چنین شرایطی، حتی پیشرفتهترین مدل AI نمیتواند چیزی را که در دادههای آموزشی و پژوهشی وجود ندارد، بهسادگی «استدلال» کند.
سیمو درباره همین گلوگاه میگوید:
«گلوگاه بزرگتر، داشتن دادههای زیستی درست است. هوش مصنوعی نمیتواند صرفاً از طریق استدلال خود به درمان بیماریها برسد؛ برای درک یک بیماری مشخص، به دادههای لازم نیاز دارد.»
این نگاه، پزشکی مبتنی بر AI را بیشتر شبیه یک مسئله زیرساختی میکند تا صرفاً یک مسابقه برای ساخت مدلهای بزرگتر.
چرا سیمو به درمان سرطان با AI امیدوارتر است؟
اگرچه سخنان سیمو درباره درمان «تمام بیماریها» بسیار بلندپروازانه است، اما او برای سرطان نسبت به بسیاری از بیماریهای پیچیده دیگر خوشبینتر است.
دلیل این خوشبینی، نه لزوماً ماهیت سادهتر سرطان، بلکه حجم عظیم دادههایی است که طی چند دهه درباره آن جمعآوری شده است.
سیمو میگوید:
«بهطرز عجیبی، دقیقاً به همین دلیل است که من بیشترین خوشبینی را نسبت به پیشرفت چشمگیر هوش مصنوعی در سرطان دارم: دههها سرمایهگذاری باعث شده مجموعهدادههای فوقالعادهای در حوزههای ژنومیک، پاتولوژی، تصویربرداری، پیامدهای بالینی و موارد دیگر ایجاد شود.»
سرطان نیز در واقع یک بیماری واحد نیست؛ مجموعه بزرگی از بیماریها و زیرگونههای مختلف است که ویژگیهای مولکولی و پاسخهای درمانی متفاوتی دارند.
بنابراین دسترسی به دادههای بزرگ و چندلایه میتواند به مدلهای AI اجازه دهد الگوهایی را پیدا کنند که تحلیل آنها با روشهای سنتی بسیار دشوار یا زمانبر است.
در اینجا هوش مصنوعی میتواند در حوزههایی مانند شناسایی الگوهای زیستی، طبقهبندی بیماران، کشف اهداف دارویی، پیشبینی پاسخ به درمان و طراحی مطالعات بالینی نقش مهمی داشته باشد.
اما حتی در این سناریو نیز AI بهتنهایی درمان ایجاد نمیکند؛ یافتههای مدل باید در آزمایشهای آزمایشگاهی، مطالعات پیشبالینی و در نهایت کارآزماییهای بالینی ارزیابی شوند.
مشکل بزرگتر: بیماریهایی که داده کافی ندارند
به باور سیمو، مشکل اصلی در بسیاری از بیماریهای مزمن و پیچیده دقیقاً همینجاست.
برای برخی بیماریها، میلیونها نمونه تصویربرداری، اطلاعات ژنتیکی، سوابق درمان و دادههای بالینی در دسترس است. اما برای بیماریهای مزمن پیچیده و برخی اختلالات کمتر مطالعهشده، دادهها بسیار پراکندهتر هستند.
سیمو میگوید:
«برای بیماریهای مزمن و پیچیدهتر، چنین زیرساختی هنوز وجود ندارد.»
از نگاه او، این خلأ باعث میشود حتی اگر مدلهای AI در آینده به سطح بسیار بالایی از توانایی استدلال برسند، همچنان با محدودیت داده مواجه باشند.
در واقع، ممکن است هوش مصنوعی از نظر محاسباتی آماده حل یک مسئله باشد، اما دادههای لازم برای تعریف دقیق مسئله در اختیارش نباشد.
این موضوع بهخصوص درباره بیماریهایی اهمیت دارد که سالها با تشخیص دشوار، تعداد کم مطالعات و نمونههای محدود بیماران مواجه بودهاند.
ChronicleBio؛ پروژه سیمو برای ساخت «زیرساخت زیستشناسی»
اظهارات سیمو صرفاً یک پیشبینی نظری نیست. او اکنون بخشی از فعالیت خود را به ساخت همان زیرساختی اختصاص داده که درباره کمبود آن هشدار میدهد.
سیمو در سال ۲۰۲۵ به همراه Rohit Gupta و Rishi Reddy استارتاپ زیستفناوری ChronicleBio را بنیانگذاری کرد. هدف این شرکت ساخت یک پلتفرم دادهای آماده برای هوش مصنوعی است که روی بیماریهای مزمن و پیچیده، بهویژه اختلالات نورومناعی، تمرکز دارد.
ChronicleBio از ابتدا اعلام کرده که میخواهد دادههای مختلف از جمله اطلاعات بالینی، دادههای مولکولی، نمونههای زیستی و گزارشهای خود بیماران را در یک اکوسیستم دادهای قابل استفاده برای پژوهش جمعآوری کند.
این موضوع اهمیت زیادی دارد؛ زیرا هدف صرفاً ذخیره کردن اطلاعات بیماران نیست. مسئله این است که بتوان دادههای مختلف را به شکلی استاندارد و قابل تحلیل کنار یکدیگر قرار داد تا پژوهشگران و مدلهای AI بتوانند ارتباط میان آنها را پیدا کنند.
«اینترنت زیستشناسی»؛ ایدهای که ChronicleBio دنبال میکند
سیمو اخیراً مفهوم جالبی را برای توضیح مشکل پزشکی مطرح کرده است: زیستشناسی چیزی شبیه اینترنت ندارد.
او در توضیح رویکرد ChronicleBio میگوید:
«اگر به مدلهای زبانی بزرگ نگاه کنید، آنها تا این اندازه خوب کار میکنند چون اینترنت وجود داشت. ما چیزی معادل اینترنت برای زیستشناسی نداریم.»
منظور از این تشبیه آن است که مدلهای زبانی بزرگ توانستند از حجم عظیمی از اطلاعات دیجیتال موجود در وب، کتابها، مقالات و منابع دیگر استفاده کنند.
اما در زیستشناسی، دادهها بسیار پراکندهتر هستند.
بخشهایی از اطلاعات در پروندههای پزشکی قرار دارند، بخشی در آزمایشگاهها، بخشی در بانکهای زیستی، بخشی در مطالعات دانشگاهی و بخش دیگری نیز در دادههای خود بیماران.
ChronicleBio تلاش میکند این قطعات پراکنده را به یک مجموعه داده منسجمتر تبدیل کند.
ChronicleBio در حال جمعآوری دادههای واقعی بیماران است
اهمیت این پروژه زمانی بیشتر مشخص میشود که به مقیاس دادههای آن نگاه کنیم.
براساس گزارشی که اخیراً درباره ChronicleBio منتشر شده، این شرکت تاکنون بیش از ۳۵۰۰ ویال نمونه خون جمعآوری کرده و از این نمونهها حدود ۱۵۳ ترابایت داده استخراج شده است. این شرکت روی بیماریهایی مانند POTS، ME/CFS و Long COVID تمرکز دارد.
ChronicleBio همچنین اخیراً اعلام کرده است که برای گسترش جمعآوری دادههای زیستی، امکان نمونهگیری خون در منزل را نیز فراهم میکند. هدف این است که حتی بیمارانی که به دلیل شرایط جسمی شدید قادر به مراجعه منظم به مراکز درمانی نیستند، وارد مجموعه دادههای پژوهشی شوند.
این مسئله از نظر پژوهشی اهمیت زیادی دارد؛ زیرا یکی از مشکلات دادههای پزشکی این است که بیماران شدیداً بیمار ممکن است کمتر در مطالعات استاندارد حضور داشته باشند.
در نتیجه، دادههای موجود همیشه تصویر کاملی از جمعیت بیماران ارائه نمیکنند.
یک نمونه جالب: تلاش برای پیدا کردن زیرگروههای بیماری
یکی از اهداف ChronicleBio این است که بیماریهایی را که امروز تحت یک عنوان واحد طبقهبندی میشوند، با دقت بیشتری تفکیک کند.
براساس گزارش The Next Web، این شرکت ادعا کرده است که در دادههای بیماران مبتلا به POTS، پنج زیرگروه متمایز از بیماری را شناسایی کرده است؛ زیرگروههایی که ممکن است مکانیسمهای زیستی متفاوتی داشته باشند. این ادعا هنوز در قالب یک یافته علمی داوریشده منتشر نشده و نباید آن را یک نتیجه قطعی پزشکی تلقی کرد.
اگر چنین رویکردی در مطالعات مستقل تأیید شود، پیامد آن میتواند مهم باشد.
ممکن است دو بیمار با علائم مشابه، در واقع از دو مکانیسم زیستی کاملاً متفاوت رنج ببرند و بنابراین یک داروی واحد برای هر دو نتیجه یکسانی نداشته باشد.
هوش مصنوعی میتواند در چنین شرایطی به جای نگاه کردن به «نام بیماری»، به دنبال الگوهای زیستی و زیرگروههای پنهان درون آن بیماری بگردد.
این همان جایی است که ترکیب دادههای زیستی گسترده + مدلهای هوش مصنوعی میتواند از نظر پزشکی بسیار مهمتر از استفاده ساده از یک چتبات برای پاسخ به پرسشهای پزشکی باشد.
اما آیا واقعاً AI میتواند «تمام بیماریها» را درمان کند؟
اینجا باید میان چشمانداز بلندمدت و واقعیت علمی امروز تفاوت قائل شد.
هیچ مدرک علمی وجود ندارد که نشان دهد هوش مصنوعی در حال حاضر میتواند تمام بیماریها را درمان کند یا حتی تضمینی وجود دارد که در آینده چنین اتفاقی رخ خواهد داد.
آنچه سیمو مطرح میکند، یک باور و چشمانداز درباره ظرفیت بالقوه AI است، نه یک دستاورد پزشکی اثباتشده.
حتی اگر مدلهای AI بتوانند مکانیسمهای جدید بیماری را کشف کنند، مسیر تبدیل یک کشف محاسباتی به دارو یا درمان واقعی بسیار طولانی است.
یک فرضیه باید در آزمایشگاه بررسی شود، سپس مطالعات پیشبالینی انجام شود و در نهایت ایمنی و اثربخشی درمان در انسان مورد ارزیابی قرار گیرد.
بنابراین فاصله میان:
«AI یک الگوی زیستی جالب پیدا کرده است»
و
«این الگو به یک درمان مؤثر برای انسان تبدیل شده است»
میتواند سالها طول بکشد.
چرا صحبتهای سیمو اهمیت دارد؟
اهمیت اظهارات سیمو بیش از آنکه در عبارت «AI میتواند همه بیماریها را درمان کند» باشد، در شرطی است که او برای تحقق این وعده تعیین میکند.
او برخلاف برخی روایتهای اغراقآمیز، نمیگوید کافی است مدلها بزرگتر و هوشمندتر شوند.
پیام او این است:
مدل بهتر بدون داده بهتر، الزاماً پزشکی بهتر ایجاد نمیکند.
این دیدگاه میتواند مسیر سرمایهگذاری در AI پزشکی را نیز تغییر دهد. به جای تمرکز صرف بر مدلهای بزرگ، ممکن است بخش بیشتری از سرمایه و توجه به سمت بانکهای زیستی، دادههای طولی بیماران، استانداردسازی اطلاعات پزشکی، دادههای مولکولی و زیرساختهای پژوهشی برود.
در چنین سناریویی، شرکتهایی مانند ChronicleBio میخواهند همان چیزی را بسازند که مدلهای AI برای رسیدن به مرحله بعدی به آن نیاز دارند: یک لایه دادهای غنی، ساختاریافته و قابل استفاده برای کشف علمی.
خروج سیمو از OpenAI و تمرکز بیشتر بر زیستپزشکی
این پروژه برای سیمو جنبه شخصی نیز دارد.
او در سالهای اخیر درباره تجربه خود با POTS صحبت کرده است؛ بیماریای که میتواند تشخیص و درمان آن دشوار باشد. سیمو در نهایت در ژوئیه ۲۰۲۶ اعلام کرد که از نقش تماموقت خود در OpenAI کنارهگیری میکند تا روی روند بهبودی خود تمرکز کند.
اکنون بخش مهمی از فعالیت او به ChronicleBio و تلاش برای توسعه زیرساخت دادهای بیماریهای پیچیده اختصاص دارد.
این مسیر نشان میدهد که برای سیمو، استفاده از AI در پزشکی صرفاً یک حوزه تجاری جدید نیست؛ بلکه تا حدی به تجربه شخصی او با بیماریهای پیچیده نیز گره خورده است.
آینده AI پزشکی شاید نه در «مدل بزرگتر»، بلکه در «داده بهتر» باشد
در نهایت، صحبتهای فیجی سیمو یک سؤال مهم را پیش روی صنعت هوش مصنوعی قرار میدهد.
طی سالهای گذشته، رقابت شرکتهای AI عمدتاً حول ساخت مدلهای بزرگتر، سریعتر و هوشمندتر شکل گرفته است. اما اگر هدف نهایی استفاده از AI برای حل مسائل علمی و پزشکی باشد، مدل تنها یکی از اجزای این معادله است.
برای درمان بیماریها، باید داده کافی داشته باشیم؛ داده باید باکیفیت باشد؛ اطلاعات مختلف باید به یکدیگر متصل شوند؛ نمونههای زیستی باید به شکل استاندارد جمعآوری شوند؛ و در نهایت نتایج مدل باید در دنیای واقعی آزمایش شوند.
به همین دلیل، شاید آینده پزشکی هوش مصنوعی کمتر شبیه یک مسابقه برای ساخت «باهوشترین مدل جهان» و بیشتر شبیه ساختن یک زیرساخت عظیم برای اتصال هوش مصنوعی به زیستشناسی واقعی باشد.
و این دقیقاً همان نقطهای است که سیمو روی آن دست میگذارد:
«هوش مدلها و زیرساختهای زیستشناختی باید با یکدیگر مقیاس پیدا کنند.»
اگر این اتفاق رخ دهد، وعدههایی مانند کشف درمانهای جدید برای سرطان یا بیماریهای مزمن دیگر ممکن است از سطح شعارهای تبلیغاتی فاصله بگیرند و به پروژههای واقعی علمی تبدیل شوند.
اما تا آن روز، «درمان تمام بیماریها با هوش مصنوعی» همچنان یک چشمانداز بلندمدت است، نه یک واقعیت پزشکی.
جمعبندی :
اظهارات فیجی سیمو به روشنی نشان میدهد که رؤیای درمان تمام بیماریها با هوش مصنوعی، بیش از هر چیز نیازمند یک انقلاب زیرساختی در نحوه جمعآوری و تحلیل دادههای زیستی است. تلاشهای پروژههایی مانند ChronicleBio برای ایجاد یک اکوسیستم یکپارچه از اطلاعات ژنومیک و بالینی، گامی حیاتی برای خروج هوش مصنوعی از فضای تئوری و ورود به دنیای درمانهای واقعی است. پیوند خوردن قدرت پردازشی الگوریتمها با پایگاههای داده غنی، میتواند نویدبخش افقهای تازهای در درک و درمان بیماریهای پیچیده و مزمن در آیندهای نه چندان دور باشد.
———————————————————————————
• نکات کلیدی:
-
درمان تمام بیماریها با هوش مصنوعی تنها در صورت توسعه همزمان و مقیاسپذیر زیرساختهای زیستی امکانپذیر است.
-
صنعت هوش مصنوعی تاکنون بیش از حد روی «هوش مدل» تمرکز کرده و از یکپارچهسازی دادههای زیستشناختی غافل شده است.
-
دسترسی به دههها داده ساختاریافته در حوزه ژنومیک و پاتولوژی، دلیل اصلی خوشبینی به موفقیت هوش مصنوعی در درمان سرطان است.
-
برای بیماریهای مزمن و پیچیده، کمبود شدید دادههای استاندارد مانع از استدلال دقیق مدلهای پیشرفته هوش مصنوعی میشود.
-
استارتاپ ChronicleBio به دنبال ساخت پلتفرمی شبیه به «اینترنت» برای زیستشناسی جهت جمعآوری و تحلیل دادههای بیماران است.
-
ادعای شناسایی پنج زیرگروه متمایز از بیماری POTS توسط ChronicleBio، پتانسیل هوش مصنوعی را در کشف مکانیسمهای پنهان بیماریها نشان میدهد.
• نکات تکمیلی:
-
فیجی سیمو در واکنش به داریو آمودی (مدیرعامل Anthropic) تأیید کرد که وعدههای بزرگ در مورد درمان سرطان بدون ارائه نتایج ملموس، فریبکارانه تلقی میشود.
-
مدلهای زبانی بزرگ (LLMs) به دلیل وجود حجم عظیم دادههای دیجیتال در اینترنت موفق شدند، اما علم زیستشناسی هنوز فاقد چنین پایگاه داده منسجمی است.
-
شرکت ChronicleBio با فراهم کردن امکان نمونهگیری خون در منزل، بیمارانی با شرایط جسمی وخیم را نیز وارد چرخه مطالعات پژوهشی کرده است.
-
تبدیل الگوهای محاسباتی کشفشده توسط هوش مصنوعی به یک داروی واقعی، نیازمند گذراندن مراحل طولانی آزمایشگاهی و کارآزماییهای بالینی است.
• نتیجه گیری:
پیشرفت واقعی هوش مصنوعی در عرصه پزشکی، بیش از آنکه به الگوریتمهای پیچیدهتر وابسته باشد، به توسعه زیرساختهای کلانِ دادههای زیستی گره خورده است. تا زمانی که دادههای پراکنده پزشکی به یک شبکه استاندارد و ساختاریافته تبدیل نشوند، هوشمندترین مدلها نیز نمیتوانند به تنهایی معجزه کنند. در نهایت، آینده پزشکی ترکیبی قدرتمند از هوش مصنوعی پیشرفته و بانکهای زیستی غنی خواهد بود که مسیر را برای کشف درمانهای قطعی هموار میسازد.
• پرسشهای تحقیقاتی بیشتر:
-
آیا ایجاد یک «اینترنت زیستشناسی» یکپارچه در سطح جهانی، با قوانین سختگیرانه حریم خصوصی دادههای درمانی (مانند HIPAA در آمریکا یا GDPR در اروپا) در تضاد نخواهد بود؟
-
چگونه میتوان تضمین کرد که پایگاههای داده عظیم زیستی دچار سوگیریهای نژادی و ژنتیکی نشده و درمانهای کشفشده توسط AI برای تمام اقلیتها اثربخش باشند؟
-
رقابت میان غولهای داروسازی (Big Pharma) و استارتاپهای دادهمحور مانند ChronicleBio بر سر مالکیت دادههای بیماران، چه پیامدهای اقتصادی برای سیستمهای درمانی به همراه خواهد داشت؟
-
نقش سازمان بهداشت جهانی (WHO) و دولتها در الزام آزمایشگاهها و بیمارستانها به استانداردسازی فرمت دادههای پزشکی برای تغذیه مدلهای هوش مصنوعی چیست؟
• سخن پایانی نویسنده :
وقتی صحبتهای فیجی سیمو را در مورد لزوم ایجاد «اینترنت زیستشناسی» میخواندم، بیاختیار یاد وضعیت پروندههای الکترونیک سلامت در ایران افتادم. ما در کشورمان با جزایر پراکندهای از دادهها روبهرو هستیم؛ بیمارستانها، آزمایشگاهها و مطبها هر کدام سیستمهای مجزای خود را دارند و هیچ پل ارتباطی استانداردی بین آنها نیست. هوش مصنوعیِ بدون داده، شبیه یک موتور فرمول یک است که بنزین ندارد. اگر میخواهیم در اکوسیستم سلامت دیجیتال و درمانهای مبتنی بر هوش مصنوعی سهمی داشته باشیم، استارتاپهای ایرانی سلامت و سیاستگذاران باید از همین امروز روی یکپارچهسازی و استانداردسازی دادههای بالینی و ژنتیکی کار کنند. در غیر این صورت، در اختیار داشتن بهترین مدلهای هوش مصنوعی دنیا هم نمیتواند گرهای از مشکلات بیماران ما باز کند، چرا که زبان بیولوژیک ما برای آنها ناشناخته باقی میماند.
منبع : به گزارش Business Insider
منبع : به گزارش ChronicleBio
منبع : به گزارش The Next Web
