شهریور
اخبار
هوش مصنوعی پزشکی زیر ذرهبین؛ تنها ۳ دستگاه از ۱۳۵۷ آزموده شد
پژوهشی تازه از دانشگاه تورنتو نشان میدهد سازمان غذا و داروی آمریکا تا پایان سال ۲۰۲۵ برای ۱۳۵۷ دستگاه پزشکی مبتنی بر هوش مصنوعی مجوز صادر کرده است. اما تنها سه دستگاه از این میان روی چیزی آزموده شدهاند که برای بیمار واقعاً اهمیت دارد: زندهماندن، سکته نکردن و کیفیت زندگی. فاصلهی میان «تأییدشده» و «اثباتشده» در پزشکی هوشمند، بسیار بزرگتر از آن است که تصور میشد.
لیست مطالب
۱) ماجرا از چه قرار است؟
سالهاست که خبرهای هوش مصنوعی پزشکی با لحن پیروزمندانه منتشر میشوند: الگوریتمی که سرطان را زودتر از رادیولوژیست تشخیص میدهد، مدلی که ضربان نامنظم قلب را از روی نوار قلب بیرون میکشد، سامانهای که خونریزی مغزی را در چند ثانیه علامتگذاری میکند. پشت هرکدام از این خبرها یک مجوز رسمی هم وجود دارد؛ مهر تأیید سازمان غذا و داروی آمریکا که در ذهن عموم معنایی روشن دارد: «این وسیله کار میکند».
پژوهش تازهای که روز نوزدهم اوت ۲۰۲۶ در نشریهی PLOS Digital Health منتشر شد، دقیقاً همین برداشت را به چالش میکشد. تیمی به سرپرستی روان ابولبده از دانشگاه تورنتو کانادا، سیاههی کامل دستگاههای پزشکی مبتنی بر هوش مصنوعی را که تا پنجم دسامبر ۲۰۲۵ از FDA مجوز گرفته بودند، جمع کرد و برای هرکدام یک پرسش ساده مطرح کرد: پیش از صدور مجوز، این دستگاه روی بیماران واقعی چگونه آزموده شده است؟
پاسخ، آنطور که خود پژوهشگران میگویند، از انتظارشان هم نگرانکنندهتر بود. به گفتهی تیم پژوهش: «انتظار داشتیم پایهی شواهد نازک باشد، اما نه اینقدر نازک. از ۱۳۵۷ دستگاه هوش مصنوعی که FDA برای مراقبت از بیمار تأیید کرده، تنها سه دستگاه آزموده شدهاند که آیا بیماران واقعاً طولانیتر یا بهتر زندگی میکنند یا نه.»
۲) عددهایی که تصویر را روشن میکنند
ساختار یافتههای این پژوهش را میتوان در چند عدد خلاصه کرد. از مجموع ۱۳۵۷ دستگاه دارای مجوز:
- تنها ۳۴ دستگاه (حدود ۲٫۵ درصد) در کارآزماییهای بالینی ثبتشده حضور داشتهاند.
- از همین ۳۴ مورد، نتایج ۱۲ کارآزمایی در سامانههای عمومی ثبت و منتشر شده است.
- باز هم ۱۲ مورد مقالهی داوریشدهی همتا داشتهاند.
- و در نهایت تنها ۳ دستگاه (کمتر از ۰٫۲ درصد کل) روی پیامدهای بیمارمحور آزمایش شدهاند؛ یعنی مرگومیر، سکته، بستریشدن مجدد یا کیفیت زندگی.
برای درک بهتر این نسبت کافی است تصور کنید از هر هزار دستگاهی که وارد اتاق معاینه، بخش تصویربرداری یا آیسییو میشود، تنها دو مورد نشان دادهاند که حال بیمار را واقعاً بهتر میکنند. بقیه نشان دادهاند که «کاری را که ادعا میکنند انجام میدهند» — مثلاً تصویری را درست دستهبندی میکنند — اما این با اثبات سود بالینی یکی نیست.
۳) تفاوت دقت الگوریتم با سود بیمار
مهمترین مفهومی که این پژوهش روی میز میگذارد، تفاوت میان دو نوع شواهد است. نوع اول، کارایی فنی است: الگوریتم روی مجموعهدادهی آزمون چقدر دقیق است؟ حساسیت و ویژگی آن چند درصد است؟ آیا خروجیاش با نظر متخصص انسانی همخوانی دارد؟ این سنجهها مهماند، اما در آزمایشگاه و روی دادههای بایگانیشده به دست میآیند.
نوع دوم، اثربخشی بالینی است: وقتی این دستگاه وارد جریان واقعی درمان شد، آیا شمار مرگها کم شد؟ آیا بیماران زودتر مرخص شدند؟ آیا تعداد ارجاعهای اشتباه پایین آمد؟ آیا پزشک بهخاطر هشدارهای پیدرپی دچار خستگی هشدار نشد و هشدار درست را نادیده نگرفت؟ سنجش اینها به کارآزمایی روی بیماران واقعی نیاز دارد و پرهزینه و زمانبر است.
نکتهی کلیدی این است که یک الگوریتم میتواند از نظر آماری بسیار دقیق باشد و در عین حال هیچ سودی برای بیمار نداشته باشد؛ مثلاً وقتی چیزی را تشخیص میدهد که درمان مؤثری برایش وجود ندارد، یا وقتی آنقدر هشدار کاذب تولید میکند که کادر درمان عملاً از آن چشم میپوشد. همین شکاف میان توانایی فنی و سود واقعی، موضوعی است که در بحث تواناییها و محدودیتهای واقعی هوش مصنوعی بارها تکرار شده است.
۴) چه کسانی در آزمایشها غایب بودند؟
بخش دیگری از یافتهها به این پرسش میپردازد که آزمایشهای موجود روی چه کسانی انجام شدهاند. طبق این بررسی، بیشتر مطالعات در نظامهای درمانی با منابع بسیار خوب اجرا شدهاند؛ یعنی بیمارستانهای دانشگاهی مجهز با تجهیزات تصویربرداری نو، کادر آموزشدیده و جمعیت بیماران نسبتاً همگن.
در همین مطالعات، سه گروه بهطور مشخص کنار گذاشته شدهاند: زنان باردار، بزرگسالان بالای ۷۵ سال و بیماران غیرانگلیسیزبان. هر سه گروه دقیقاً همانهایی هستند که در عمل بیشترین تماس را با نظام درمان دارند یا بیشترین آسیبپذیری را نشان میدهند.
پیامد این حذف روشن است: اگر مدلی روی جمعیت سالمند آزموده نشده باشد، رفتار آن در بخش سالمندان یک ناشناخته است. اگر روی بیماران غیرانگلیسیزبان آزموده نشده باشد، سامانههایی که با متن یادداشت پزشکی کار میکنند ممکن است در بیمارستانهای چندزبانه عملکرد متفاوتی داشته باشند. این همان مسئلهی تعمیمپذیری است که مدلهای یادگیری ماشین را در محیطهای تازه غافلگیر میکند.
۵) چرا نظام مجوزدهی به این نقطه رسید؟
برای انصاف باید گفت که این وضعیت لزوماً نتیجهی سهلانگاری نیست، بلکه بازتاب طراحی قدیمی مقررات است. بخش بزرگی از دستگاههای پزشکی هوش مصنوعی از مسیری وارد بازار میشوند که بر پایهی «همارزی اساسی» با یک دستگاه پیشتر تأییدشده کار میکند. یعنی سازنده باید نشان دهد محصولش بهقدر کافی شبیه چیزی است که قبلاً مجوز گرفته، نه اینکه از صفر سود بالینیاش را ثابت کند.
این مسیر برای ابزارهای مکانیکی و ساده منطقی بود؛ یک کاتتر تازه که شبیه کاتتر قبلی است، احتمالاً به همان اندازه ایمن است. اما نرمافزاری که با داده آموزش میبیند، با هر بهروزرسانی رفتارش تغییر میکند و عملکردش به توزیع دادههای محیط جدید وابسته است، منطق «شباهت» را زیر پا میگذارد. دو مدل ممکن است معماری مشابهی داشته باشند و در دو بیمارستان نتایج کاملاً متفاوتی بدهند.
به همین دلیل است که نویسندگان این پژوهش میگویند مسئله فقط شمار مطالعات نیست؛ خودِ چارچوب ارزیابی باید بازطراحی شود. اگر میخواهید تصویر گستردهتری از فشار تجاریای که این صنعت را با سرعت به جلو میراند داشته باشید، نگاهی به تحلیل اهمیت هوش مصنوعی در کسبوکار بیندازید.
۶) چارچوب سهمرحلهای پیشنهادی
پیشنهاد اصلی تیم تورنتو یک چارچوب سهمرحلهای تازه برای ارزیابی دستگاههای پزشکی هوش مصنوعی است. بر پایهی آنچه منتشر شده، هستهی این چارچوب بر یک اصل استوار است: دستگاه باید اثربخشی خود را در زیرگروههای متنوع بیماران و در محیطهای درمانی گوناگون نشان دهد، نه فقط در یک بیمارستان مرجع.
به بیان ساده، مسیر پیشنهادی از سنجش دقت فنی آغاز میشود، سپس به بررسی رفتار دستگاه در جریان واقعی کار بالینی میرسد و در نهایت باید نشان دهد که پیامدهای بیمار — نه فقط خروجی الگوریتم — بهبود یافتهاند. طبق گزارشها، این ساختار قرار است جای مدل کنونی را بگیرد که در آن بخش عمدهی شواهد پیش از ورود به بازار جمع میشود و پس از آن پایش منظمی در کار نیست.
۷) این خبر برای بیمار ایرانی چه معنایی دارد؟
ممکن است بپرسید وقتی سخن از FDA است، این ماجرا چه ربطی به بیمار و پزشک در ایران دارد. پاسخ در زنجیرهی واردات فناوری نهفته است: بسیاری از دستگاههای تصویربرداری، نرمافزارهای تحلیل تصویر و ماژولهای هوشمند که در کشورهای دیگر به کار گرفته میشوند، اعتبار خود را از همین مجوزهای آمریکایی میگیرند. وقتی در تبلیغ یک محصول نوشته میشود «دارای تأییدیهی FDA»، عملاً دارد به همان زنجیرهی شواهدی ارجاع میدهد که این پژوهش نازکبودنش را نشان داده است.
نتیجهی عملی این نیست که باید از هوش مصنوعی پزشکی ترسید. نتیجه این است که پرسش درست باید عوض شود. بهجای «آیا این دستگاه تأییدیه دارد؟» باید پرسید «این دستگاه روی چه جمعیتی، در چه محیطی و با چه پیامدی آزموده شده است؟» همین یک تغییر پرسش، تفاوت میان خرید آگاهانه و خرید تبلیغاتی را میسازد.
۸) نگاه متعادل: طرف دیگر ماجرا
انصاف حکم میکند که یک نکته را هم اضافه کنیم. نبودِ کارآزمایی پیامدمحور به معنای بیفایدهبودن این دستگاهها نیست؛ به معنای نامشخصبودن اندازهی فایده است. بسیاری از این ابزارها کار کمارزش و تکراری را از دوش کادر درمان برمیدارند: مرتبکردن نوبت گزارشها، اولویتبندی تصاویر اورژانسی، یا پیشپردازش داده. سود چنین ابزارهایی بیشتر در بهرهوری است تا در بقای بیمار، و سنجیدنشان با معیار مرگومیر از اساس بیمعناست.
از سوی دیگر، کارآزمایی بالینی کلاسیک برای نرمافزاری که هر چند ماه بهروزرسانی میشود، مشکل خودش را دارد: تا مطالعه تمام شود، نسخهی آزمودهشده منسوخ شده است. برخی کارشناسان به همین دلیل بهجای کارآزماییهای سنگین پیش از ورود به بازار، بر پایش مستمر پس از استقرار تأکید میکنند؛ یعنی سنجش پیوستهی عملکرد دستگاه در همان بیمارستانی که به کار گرفته شده. تعادل میان این دو رویکرد، بحث اصلی سالهای پیشروی مقرراتگذاری خواهد بود.
۹) آنچه باید زیر نظر داشت
در ماههای آینده چند نشانه ارزش دنبالکردن دارند: واکنش رسمی FDA به این پژوهش، اینکه آیا سازندگان بزرگ به سمت انتشار داوطلبانهی دادههای پیامدی میروند، و اینکه بیمهگرها چه موضعی میگیرند. تجربه نشان داده وقتی پرداختکنندهی هزینه شواهد پیامدی بخواهد، بازار سریعتر از مقرراتگذار حرکت میکند. برای پیگیری این خط خبری میتوانید بخش اخبار هوش مصنوعی را دنبال کنید.
پرسشهای پرتکرار دربارهی هوش مصنوعی پزشکی و مجوز FDA
یعنی دستگاههای تأییدشده خطرناکاند؟
خیر. تأییدیه معمولاً به معنای بررسی ایمنی پایه و کارایی فنی است. آنچه این پژوهش نشان میدهد نبودِ شواهدی دربارهی اندازهی سود بالینی است، نه اثبات زیان.
چرا فقط سه دستگاه روی پیامد بیمار آزموده شدهاند؟
چون مسیر رایج مجوزدهی چنین آزمونی را الزامی نمیکند و اجرای کارآزمایی پیامدمحور بسیار پرهزینه و طولانی است. تا وقتی الزام قانونی نباشد، انگیزهی تجاری برای انجام آن کم است.
پژوهش دقیقاً چه چیزی را شمرد؟
تیم پژوهش تمام ۱۳۵۷ دستگاه دارای مجوز FDA تا پنجم دسامبر ۲۰۲۵ را بررسی کرد و برای هرکدام دنبال کارآزمایی ثبتشده، نتایج منتشرشده و مقالهی داوریشده گشت.
آیا این یافته دربارهی چتباتهای پزشکی هم صدق میکند؟
این پژوهش به دستگاههای دارای مجوز پزشکی میپردازد، نه دستیارهای گفتوگومحور عمومی. برای آشنایی با شرکتهای پیشرو در این حوزه میتوانید مقالهی اوپنایآی چیست را بخوانید.
بهعنوان کاربر عادی چه کنم؟
هنگام مواجهه با هر ادعای «هوش مصنوعی پزشکی»، بپرسید شواهدش چیست و روی چه جمعیتی آزموده شده. مهارت پرسیدن درست، همان چیزی است که در آموزشهای کاربردی هوش مصنوعی هم بر آن تأکید میشود؛ و اگر میخواهید بدانید چرا نباید خروجی مدلها را بیچونوچرا پذیرفت، این تحلیل نقطهی شروع خوبی است.
