هوش مصنوعی تأثیر داروهای ضدپیری را دقیق‌تر ارزیابی میکند

مطالعه‌ای مشترک بین پژوهشگران دانشکده پزشکی یونگ لو لین در دانشگاه ملی سنگاپور (NUS Medicine) و مؤسسه آمار زیستی و انفورماتیک در پزشکی و پژوهش‌های سالمندی در مرکز پزشکی دانشگاه روستوک آلمان، به بررسی این موضوع پرداخته است که چگونه ابزارهای پیشرفته هوش مصنوعی، از جمله مدل‌های زبانی بزرگ (LLMs)، می‌توانند ارزیابی مداخلات مرتبط با سالمندی را تسهیل کرده و توصیه‌های شخصی‌سازی‌شده ارائه دهند.

به گزارش رسانه اخبار پزشکی مدنا، پژوهش‌های مرتبط با سالمندی حجم وسیعی از داده‌ها را تولید می‌کنند که تشخیص مؤثرترین و ایمن‌ترین مداخلات، مانند داروهای جدید، تغییرات تغذیه‌ای یا برنامه‌های ورزشی را دشوار می‌سازد. این مطالعه بررسی کرده است که چگونه هوش مصنوعی می‌تواند داده‌ها را با دقت و کارایی بیشتری تحلیل کند و مجموعه‌ای جامع از استانداردها را برای سیستم‌های هوش مصنوعی پیشنهاد داده است تا اطمینان حاصل شود که این ابزارها ارزیابی‌هایی دقیق، قابل اعتماد و قابل فهم ارائه می‌دهند.

پژوهشگران هشت نیاز اساسی را برای ارزیابی‌های کارآمد هوش مصنوعی شناسایی کرده‌اند:

1. درستی نتایج ارزیابی: دقت داده‌ها باید مورد بررسی قرار گیرد.
2. مفید بودن و جامعیت: تحلیل‌ها باید به طور فراگیر اطلاعات مفیدی ارائه دهند.
3. قابلیت تفسیر و توضیح‌پذیری نتایج ارزیابی: شفافیت و اختصار در توضیحات ارائه‌شده اهمیت دارد.
4. بررسی مکانیسم‌های علیتی تحت تأثیر مداخله: باید مشخص شود که چگونه یک مداخله خاص بر فرآیندهای زیستی تأثیر می‌گذارد.
5. در نظر گرفتن داده‌ها در یک چارچوب کلی: شامل بررسی کارایی، سمیت و شواهدی درباره وجود یک محدوده درمانی گسترده.
6. تحلیل در یک بستر میان‌رشته‌ای: استفاده از روش‌های چندوجهی برای بررسی داده‌ها.
7. امکان بازتولید، استانداردسازی و هماهنگ‌سازی تحلیل‌ها و گزارش‌ها: ضروری است که ارزیابی‌های هوش مصنوعی قابلیت بازبینی و اعتبارسنجی داشته باشند.
8. تأکید ویژه بر داده‌های طولی گسترده و نتایج مرتبط با مکانیسم‌های شناخته‌شده سالمندی: استفاده از مجموعه داده‌های بزرگ و معتبر برای ارائه نتایج معنادار.

آموزش مدل‌های زبانی بزرگ (LLMs) بر اساس این الزامات، کیفیت توصیه‌هایی را که این مدل‌ها ارائه می‌دهند، بهبود بخشیده است. ما روش‌های هوش مصنوعی را با مثال‌های واقعی از جمله داروها و مکمل‌های غذایی آزمایش کردیم. نتایج نشان داد که پیروی از دستورالعمل‌های خاص، دقت و جزئیات تحلیل‌های هوش مصنوعی را افزایش می‌دهد. به عنوان مثال، در بررسی داروی رپامایسین که به عنوان یک گزینه بالقوه برای بهبود سالمندی مورد مطالعه قرار گرفته است، هوش مصنوعی نه تنها اثربخشی آن را ارزیابی کرد، بلکه توضیحات مرتبط با زمینه و ملاحظات جانبی، از جمله عوارض احتمالی را نیز ارائه داد.

پروفسور برایان کندی، یکی از رهبران این مطالعه و استاد گروه بیوشیمی و فیزیولوژی در برنامه پژوهشی سلامت و طول عمر دانشکده پزشکی NUS، در این باره گفت: «یافته‌های این مطالعه می‌تواند تأثیرات گسترده‌ای داشته باشد.» پروفسور جورج فولن، مدیر مؤسسه آمار زیستی و انفورماتیک در پزشکی و پژوهش‌های سالمندی در مرکز پزشکی دانشگاه روستوک و یکی از سرپرستان این پژوهش نیز افزود: «برای حوزه سلامت، ارائه الزامات کلیدی به هوش مصنوعی می‌تواند به یافتن درمان‌های مؤثرتر و ایمن‌تر کمک کند. به طور کلی، ابزارهای هوش مصنوعی قادرند آزمایش‌های بالینی بهتری طراحی کرده و توصیه‌های سلامت را متناسب با نیازهای هر فرد تنظیم کنند. این پژوهش گامی مهم به سوی استفاده از هوش مصنوعی برای بهبود نتایج سلامت همگانی، به ویژه در دوران سالمندی، محسوب می‌شود.»

در ادامه، این تیم تحقیقاتی بر یک مطالعه گسترده‌تر تمرکز دارد تا نحوه بهترین راهنمایی مدل‌های هوش مصنوعی برای ارائه توصیه‌های مرتبط با مداخلات سالمندی را بررسی کند. هدف آن‌ها ارزیابی دقت و قابلیت اطمینان این مدل‌ها در طیف وسیعی از معیارهای دقیق و داده‌های باکیفیت است. اعتبارسنجی این سیستم‌های هوش مصنوعی از اهمیت ویژه‌ای برخوردار است، زیرا مداخلات مرتبط با طول عمر ممکن است توسط افراد سالم بسیاری به کار گرفته شوند. مطالعات آینده باید نشان دهند که ارزیابی‌های مبتنی بر هوش مصنوعی می‌توانند نتایج موفقیت‌آمیزی را در آزمایش‌های انسانی پیش‌بینی کنند و راه را برای مداخلات بهداشتی ایمن‌تر و مؤثرتر هموار سازند.

تیم پژوهشی امیدوار است که با استفاده از یافته‌های این مطالعه، مداخلات سلامت و طول عمر را دقیق‌تر و در دسترس‌تر کند و در نهایت کیفیت و مدت زندگی افراد را بهبود بخشد. همکاری میان پژوهشگران، پزشکان و سیاست‌گذاران برای ایجاد چارچوب‌های نظارتی قوی ضروری خواهد بود تا از استفاده ایمن و مؤثر از ارزیابی‌های مبتنی بر هوش مصنوعی اطمینان حاصل شود.