آیا هوش مصنوعی می‌تواند از پزشک شما دقیق‌تر باشد؟

اگر روزی با دلدرد شدید یا تنگی نفس ناگهانی راهی اورژانس شوید، احتمالاً آخرین چیزی که به ذهنتان می‌رسد این است که «ممکن است پزشک تشخیص را اشتباه بدهد». اما واقعیت این است که پزشکان اورژانس، در اوج فشار کاری و با اطلاعات ناقص، در معرض خطاهای تشخیصی قرار دارند. حالا تصور کنید در چنین شرایطی، یک دستیار هوشمند بتواند در کسری از ثانیه پروندۀ شما را تحلیل کند و تشخیصی ارائه دهد که حتی از پزشکان متخصص هم دقیق‌تر باشد. این دیگر یک رؤیای علمی-تخیلی نیست؛ یک مطالعۀ تازه نشان داده که هوش مصنوعی می‌تواند به چنین توانایی چشمگیری دست یابد.

نگاهی به اصل پژوهش

محققان دانشکدۀ پزشکی هاروارد و مرکز پزشکی «بث اسرائیل دیکونس» در بوستون، در یکی از بزرگترین پژوهش‌هایی که تاکنون هوش مصنوعی و پزشکان را در مجموعۀ گسترده‌ای از وظایف استدلال بالینی مقایسه کرده، عملکرد مدل زبانی بزرگ o1 شرکت OpenAI را در برابر صدها پزشک متخصص سنجیدند. نتیجۀ این پژوهش که در آوریل ۲۰۲۶ در مجلۀ معتبر Science منتشر شد، فراتر از انتظار حتی خود محققان بود: مدل هوش مصنوعی در بسیاری از وظایف تشخیصی و مدیریتی، پزشکان را پشت سر گذاشت.

برای درک بهتر نقش «طبیب هوشمند» در آینده، ضروری است بدانیم این مطالعۀ برجسته دقیقاً چه چیزی را آزمایش کرد، به چه نتایجی رسید و این نتایج چه معنایی برای پزشکان، بیماران و سیستم سلامت دارند.

آزمایش‌های پژوهش

تیم تحقیق شش آزمایش مختلف طراحی کرد که همگی بر پایۀ مقایسۀ عملکرد o1-preview با پزشکان متخصص و همچنین با مدل‌های نسل قبل هوش مصنوعی (مانند GPT-4) بودند. برخلاف بسیاری از پژوهش‌های پیشین که صرفاً بر آزمون‌های چندگزینه‌ای تکیه داشتند، این مطالعه از استانداردهایی استفاده کرد که از دهۀ ۱۹۵۰ برای آموزش و ارزیابی پزشکان به کار می‌روند. آزمایش‌ها متنوع بودند: از تحلیل کیس‌های تشخیصیِ پیچیدۀ منتشرشده در New England Journal of Medicine گرفته تا پیش‌بینی تغییرات وضعیت بیماران.

اما مهمترین و سخت‌ترین مرحلۀ پژوهش، آزمایش بر روی داده‌های واقعی بخش اورژانس بود. محققان پرونده‌های الکترونیک ۷۶ بیمار واقعی را، دقیقاً همان‌طور که در سیستم ثبت شده بود، بدون هیچ‌گونه پیش‌پردازش، در اختیار مدل قرار دادند. این داده‌ها در سه مقطع حساس پذیرش بیمار تحلیل شدند: تریاژ اولیه (زمانی که اطلاعات بسیار محدود است)، ویزیت پزشک و تصمیم‌گیری نهایی برای اقدامات درمانی. در هر مرحله، مدل و پزشکان فقط به اطلاعاتی دسترسی داشتند که در آن لحظه در دسترس بود؛ نه بیشتر.

آدام رادمن، یکی از پژوهشگران اصلی، می‌گوید: «ما داده‌ها را به هیچ‌وجه پیش‌پردازش نکردیم. مدل به معنای واقعی کلمه، داده‌ها را همان‌طور که در پروندۀ سلامت وجود دارند پردازش کرد».

هوش مصنوعی در برابر پزشکان: نتایج

در بخش اورژانس: ۶۷٪ در برابر ۵۰ تا ۵۵٪

در آزمایش داده‌های واقعی اورژانس، مدل هوش مصنوعی در حدود ۶۷٪ از موارد، تشخیص درست یا بسیار نزدیک به درست ارائه داد. این در حالی بود که نرخ موفقیت دو پزشک متخصص حاضر در آزمایش، به‌ترتیب ۵۵.۳٪ و ۵۰٪ بود. به بیان ساده‌تر: در شرایطی که پزشکان با فشار کاری بالا و اطلاعات ناقص بیماران مواجه بودند، هوش مصنوعی تقریباً ۱۰ تا ۱۷ درصد دقیق‌تر عمل کرد.

نکتۀ جالب توجه این است که وقتی اطلاعات بیشتری در اختیار هر دو طرف قرار گرفت، دقت هوش مصنوعی به حدود ۸۲٪ و دقت پزشکان به ۷۰ تا ۷۹٪ افزایش یافت؛ هرچند این اختلاف از نظر آماری معنی‌دار نبود. این نشان می‌دهد که برتری هوش مصنوعی به‌ویژه در مراحل اولیه و پرتنش اورژانس که اطلاعات محدود است، بیشتر خود را نشان می‌دهد.

یک نمونه از دنیای واقعی: وقتی هوش مصنوعی الگویی پنهان را کشف کرد

برای درک بهتر این برتری، بد نیست به یک مورد واقعی از آزمایش اشاره کنیم. بیماری با آمبولی ریه وارد اورژانس شد. وضعیت بیمار ابتدا با درمان بهبود یافت، اما سپس ناگهان وخیم‌تر شد. پزشکان تصور کردند دارو اثربخشی خود را از دست داده است. اما هوش مصنوعی با تحلیل همان پروندۀ الکترونیک، سابقۀ احتمالی لوپوس (یک بیماری خودایمنی که می‌تواند منجر به التهاب قلب شود) را شناسایی کرد. بررسی‌های بعدی نشان داد که تشخیص هوش مصنوعی درست بوده است. این نمونۀ خوبی است از توانایی مدل در شناسایی الگوهای پنهان و در نظر گرفتن تشخیص‌های افتراقی که شاید در هیاهوی اورژانس از چشم پزشک دور بماند.

عملکرد فراتر از تشخیص

نکته اینجاست که موفقیت هوش مصنوعی تنها به تشخیص بیماری محدود نشد. در یک آزمون استدلال بالینی که بر اساس یک مقیاس ۱۰ امتیازی معتبر ارزیابی می‌شد، مدل o1-preview در ۹۸٪ موارد نمرۀ کامل را دریافت کرد. برای مقایسه، پزشکان متخصص تنها در ۳۵٪ موارد و دستیاران پزشکی در ۲۲٪ موارد به این سطح از دقت دست یافتند.

همچنین در زمینۀ برنامه‌ریزی درمانی نیز مدل عالی ظاهر شد. در تحلیل مطالعات موردی، مدل به طور میانگین ۸۹٪ امتیاز کسب کرد که بسیار بالاتر از پزشکانی بود که حتی به نسخۀ دیگری از هوش مصنوعی (GPT-4) دسترسی داشتند (۴۱٪) یا پزشکانی که از منابع متعارف استفاده می‌کردند (۳۴٪). در حوزۀ انتخاب تست‌های تشخیصی نیز عملکرد مدل چشمگیر بود: در ۸۷.۵٪ موارد، تست انتخابی مدل کاملاً صحیح ارزیابی شد، در ۱۱٪ موارد مفید بود و تنها در ۱.۵٪ موارد تست نامناسبی پیشنهاد داد.

به طور کلی، محققان اذعان داشتند که مدل هوش مصنوعی در تمامی پنج آزمایش اولیه، مشابه یا برتر از پزشکان عمل کرد و شکاف عملکردی به حدی چشمگیر بود که نویسندگان نگران بودند کسی نتایج را باور نکند.

چرا هوش مصنوعی در این شرایط بهتر عمل کرد؟

پژوهشگران این مطالعه، برتری هوش مصنوعی را به عوامل متعددی نسبت می‌دهند:

• پردازش حجم عظیمی از داده‌ها در زمان کوتاه: مدل‌های زبانی بزرگ می‌توانند انبوهی از اطلاعات پرونده‌های پزشکی را تنها در چند ثانیه تحلیل کنند.

• ارزیابی هم‌زمان چندین احتمال تشخیصی: برخلاف ذهن انسان که ممکن است در دام «سوگیری لنگر» (چسبیدن به اولین تشخیص) بیفتد، هوش مصنوعی می‌تواند همۀ احتمالات را به موازات هم بررسی کند.

• کاهش تأثیر سوگیری‌های شناختی: پزشکان در محیط‌های پراسترسِ اورژانس، به‌طور طبیعی در معرض انواع سوگیری‌های شناختی هستند که می‌تواند منجر به خطاهای تشخیصی شود. مدل هوش مصنوعی عاری از این محدودیت‌های ذهنی است.

• مدل‌های استدلالی نسل جدید: برخلاف مدل‌های قدیمی‌تر که عمدتاً بر بازیابی الگوهای آماری متکی بودند، مدل‌های استدلالی (reasoning models) مانند o1 با رویکرد گام‌به‌گام مسائل را تحلیل می‌کنند که به تفکر ساختاریافتۀ پزشکان شباهت بیشتری دارد.

اما این پایان ماجرا نیست: محدودیت‌های مهم پژوهش

با وجود این نتایج درخشان، متخصصان هشدار می‌دهند که هنوز برای جایگزینی کامل پزشکان با هوش مصنوعی زود است. محدودیت‌های متعددی وجود دارد که باید جدی گرفته شوند:

۱. محدودیت به داده‌های متنی: این مطالعه صرفاً بر روی متون نوشتاری متمرکز بود. مدل نمی‌توانست تصاویر رادیولوژی، MRI، صداها، یا نشانه‌های غیرکلامی بیمار (مانند ظاهر، حالت چهره، یا تن صدا) را تحلیل کند. این در حالی است که یک پزشک واقعی برای تشخیص، همۀ این ورودی‌ها را هم‌زمان پردازش می‌کند.

۲. ناتوانی در تحلیل روندهای بلندمدت بیماران بستری: مدل هوش مصنوعی عملکرد خوبی در لحظات اولیۀ اورژانس داشت، اما در شرایطی که بیمار برای مدت طولانی بستری می‌شود و وضعیتش به تدریج تغییر می‌کند، عملکرد مدل قابل ارزیابی نبود.

۳. محدودیت حجم نمونه و تنوع: این تحقیق بر روی ۷۶ بیمار از یک بیمارستان انجام شد و سؤالاتی در مورد عملکرد مدل در جمعیت‌های گسترده‌تر و متنوع‌تر باقی می‌گذارد.

۴. نسخۀ آزمایشی مدل: این مطالعه بر روی نسخۀ پیش‌نمایش o1-preview انجام شده و مدل‌های جدیدتری از آن زمان تاکنون عرضه شده‌اند که نیازمند ارزیابی‌های جداگانه هستند.

۵. شکاف میان آزمون و عمل: یک نکتۀ مهم که بسیاری از کارشناسان بر آن تأکید دارند این است که موفقیت در آزمون لزوماً به معنای موفقیت در محیط واقعی نیست. نتایج این پژوهش باید در کارآزمایی‌های بالینی کنترل‌شده در محیط‌های واقعی تأیید شود تا بتوان از اثربخشی و ایمنی آن در عمل اطمینان حاصل کرد.

نگاه کارشناسان: ابزاری کمکی، نه جایگزین

جامعۀ پزشکی در تفسیر این نتایج محتاط است. پروفسور آرجون مانرای، از نویسندگان ارشد این مطالعه، با اشاره به عملکرد خیره‌کنندۀ مدل می‌گوید: «اما این بدان معنا نیست که هوش مصنوعی لزوماً مراقبت‌های سلامت را بهبود خواهد بخشید. این‌که چگونه و در کجا باید از این فناوری استفاده کرد، هنوز به‌خوبی مطالعه نشده است».

نویسندگان مقاله در مجلۀ Science نیز تصریح کرده‌اند که هوش مصنوعی در حوزۀ سلامت قرار است نقشی همکارانه ایفا کند؛ به این صورت که «پزشکان نظارت، قضاوت زمینه‌ای و مسئولیت‌پذیری را بر عهده داشته باشند» و هوش مصنوعی در کنار آن‌ها به عنوان یک ابزار کمکی عمل کند، نه یک جایگزین.

دیوید رایش، مدیر ارشد بالینی سیستم سلامت «مانت ساینای» در نیویورک که در این پژوهش نقشی نداشت، پیشرفت‌ها را واقعی اما مسیر پیاده‌سازی را نامشخص می‌داند: «این مقاله خلاصۀ زیبایی است از این‌که چقدر پیشرفت کرده‌ایم. شما اکنون چیزی دارید که کاملاً دقیق است و احتمالاً آمادۀ استفاده. اما سؤال اساسی این است که چطور باید آن را در جریان‌های کاری بالینی وارد کرد، به‌نحوی که واقعاً مراقبت از بیمار را بهبود بخشد؟».

چشم‌انداز آینده: پزشکیِ همکار با هوش مصنوعی

پژوهش‌های مشابه دیگری نیز این روند را تأیید می‌کنند. یک مطالعه در سال ۲۰۲۵ نشان داد که ChatGPT-4o در تشخیص موارد اورژانسی به دقت ۹۹٪ دست یافت، در حالی که پزشک متخصص در همین مطالعه دقت ۹۲٪ داشت. همچنین پژوهشی دیگر با ۴۶۸ بیمار، ChatGPT و Copilot را با پزشکان اورژانس مقایسه کرد و دریافت که هر دو مدل هوش مصنوعی در بیش از ۹۰٪ موارد، تشخیص صحیح را در میان سه تشخیص برتر خود قرار دادند؛ عملکردی بسیار نزدیک به پزشکان متخصص.

با این حال، سوی دیگر سکه را نیز نباید فراموش کرد. یک پژوهش در دانشگاه ویرجینیای غربی نشان داد که ChatGPT در مواجهه با موارد «آتیپیک» (غیرمعمول) دچار مشکل می‌شود. برای نمونه، این مدل نتوانست سه مورد پنومونی را که بیماران در آن‌ها تب نداشتند، تشخیص دهد، زیرا در داده‌های آموزشی، اکثر موارد پنومونی «با تب» ثبت شده‌اند.

همین مسئلۀ «شکاف دانش-عمل» (Knowledge-Practice Gap) موضوع یک مرور نظام‌مند بر ۳۹ معیار ارزیابی پزشکی برای مدل‌های زبانی بزرگ بود. این مطالعه دریافت که در حالی‌که مدل‌ها در آزمون‌های دانشی (مانند USMLE) به دقت ۸۴ تا ۹۰٪ می‌رسند، در ارزیابی‌های مبتنی بر عملکرد بالینی این رقم به ۴۵ تا ۶۹٪ کاهش می‌یابد و در ارزیابی‌های ایمنی به ۴۰ تا ۵۰٪ سقوط می‌کند.

این یافته‌ها همگی یک پیام روشن دارند: هوش مصنوعی مسیری طولانی را پیموده، اما هنوز به مقصد نرسیده است.

انقلابی نیازمند احتیاط

مطالعۀ هاروارد یک نقطۀ عطف در حوزۀ کاربرد هوش مصنوعی در پزشکی محسوب می‌شود. برای نخستین بار، یک مدل زبانی بزرگ نه‌تنها در آزمون‌های تئوریک، بلکه در شرایط آشفته و پرابهام بخش اورژانس و با داده‌های واقعی بیماران، توانست از پزشکان متخصص پیشی بگیرد. این دستاورد نشان می‌دهد که هوش مصنوعی می‌تواند به‌ویژه در مراحل اولیۀ پذیرش بیمار که اطلاعات محدود و خطاهای تشخیصی محتمل‌تر هستند، یک «دستیار هوشمند» ارزشمند برای پزشکان باشد.

اما مسیر پیش رو همچنان نیازمند احتیاط است. محدودیت‌های مدل در تحلیل داده‌های غیرمتنی (تصاویر، صداها و نشانه‌های بالینی)، ناتوانی در ردیابی روندهای بلندمدت بیماران بستری، و نبود کارآزمایی‌های بالینی کنترل‌شده، همگی دلایلی هستند که نشان می‌دهند هوش مصنوعی امروز یک «همکار» قدرتمند است، نه یک «جایگزین» کامل برای پزشک.

نکتۀ اساسی و پایانی این است: در دنیایی که هر روز مدل‌های جدیدتری با قابلیت‌های فراتر عرضه می‌شوند، آنچه بیش از همه اهمیت دارد، نه سرعت پیشرفت فناوری، بلکه شیوۀ ادغام ایمن، مسئولانه و مبتنی بر شواهد آن در نظام سلامت است. پزشکی آینده، پزشکیِ همکار با هوش مصنوعی خواهد بود؛ پزشکی که در آن قضاوت بالینی انسان و قدرت پردازش ماشین، دست‌در‌دست هم، به نفع بیمار به کار گرفته می‌شوند.