دانلود ترجمه مقاله یادگیری ماشین و آموزش پیش پزشکی (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

یادگیری ماشین و آموزش پیش پزشکی

Machine learning and pre-medical education

چکیده
۱٫ مقدمه
۲٫ اهمیت آموزش یادگیری ماشین
۳٫ مسیر پری مدیکال پنجره ای مناسب را برای آموزش یادگیری ماشینی فراهم می کند
۴٫ توصیه های درسی
۵٫ نتیجه گیری
منابع

چکیده
     فن آوریهای مبتنی بر یادگیری ماشین و هوش مصنوعی (AI) به طور قابل توجهی به رویه های مختلف مدیریت پزشکی و مراقبت کمک می کنند. این احتمال وجود دارد که نسل بعدی متخصصان مراقبت های بهداشتی با مجموعه ای از نوآوری های تحت پشتیبانی هوش مصنوعی مواجه شوند و ممکن است در طی مدت تصدی حرفه ای خود وقت کافی برای یادگیری در مورد چارچوب های یادگیری ماشین که هدایت این سیستم ها را بر عهده دارند نداشته باشند. آموزش پزشکان و ارائه دهندگان مراقبت علاقمند با دوره های پایه مناسب در خصوص یادگیری ماشین به عنوان بخشی از تحصیلات دانشگاهی، احتمالاً آنها را در آینده به پزشکان و ارائه دهندگان مراقبت پیشرفته ای تبدیل خواهد کرد.

اهمیت آموزش یادگیری ماشین
     در آوریل ۲۰۱۸، سازمان غذا و داروی ایالات متحده (FDA)، بازاریابی اولین دستگاه سلامت دیجیتال را که از AI برای تشخیص دیابت چشمی (DR) در بزرگسالان استفاده می‌کرد، تایید کرد (۲). نرم افزار هدایت شده توسط یک الگوریتم AI ، می تواند تصاویر دیجیتالی شبکیه چشم بیمار را پردازش کند و احتمال DR خفیف یا شدیدتر را مشخص کند. FDA داده های حاصل از مطالعه تصاویر شبکیه را که از ۹۰۰ بیمار مبتلا به دیابت در ۱۰ مرکز مراقبت های اولیه به دست آمده بود، ارزیابی کرد. در این مطالعه، الگوریتم AI در ۸۷٫۴ % از مواقع DR فراتر از خفیف را به درستی شناسایی کرد و توانست به درستی بیمارانی را که در ۸۹٫۵ % مواقع DR فراتر از خفیف نداشتند شناسایی کند. این نرم‌افزار را می‌توان در یک محیط مراقبت اولیه نصب کرد تا پزشکان بتوانند غربالگری اپورتونیستی DR را در طول معاینات عادی بیمار انجام دهند. از زمان این تایید، چندین دستگاه و الگوریتم پزشکی مبتنی بر هوش مصنوعی دیگر نیز مورد تایید قانونی قرار گرفته اند (۳) و بسیاری از آنها در دست اقدام هستند تا مورد بررسی قرار گیرند و به طور بالقوه تأییدیه FDA را دریافت کنند. بدیهی است که “کاربران نهایی” بیشتر این دستگاه ها پزشکان یا سایر ارائه دهندگان مراقبت هستند. سوالی که مطرح می شود این است که آیا باید انتظار داشت که پزشکان همچنان کاربران نهایی ساده ای باشند یا اینکه آیا باید در مورد الگوریتم های یادگیری ماشینی که می تواند به طور بالقوه ای تصمیم گیری تشخیصی در عمل بالینی را تسهیل کند، آموزش ببینند. اگر ارائه دهندگان مراقبت لزوماً با علوم محاسباتی و داده ها آشنا نباشند، در این صورت احتمال زیادی وجود دارد که این فن اوری ها ارزش خود را از دست بدهند.

     پزشکان و سایر ارائه دهندگان مراقبت نیز نقش مهمی در محافظت از بیماران و سایر ذینفعان خود در برابر مشکلات و کاربرد نامناسب فن اوری های یادگیری ماشین دارند. مهم است که ارزش واقعی یادگیری ماشین را از تبلیغات مبالغه آمیز فیلتر کنید، زیرا ارائه دهندگان مراقبت باید از اشتباهات یادگیری ماشینی، استفاده غیراخلاقی و ناخواسته و همچنین گزینه های پرهزینه تر آگاه باشند تا بتوانند بیماران را مدیریت کنند. به عنوان مثال، یک مطالعه اخیر نشان داد که سیستم های هوش مصنوعی برای تشخیص کووید-۱۹ با استفاده از رادیوگرافی قفسه سینه می توانند از میانبرهای جعلی حتی در صورت آزمایش روی مجموعه داده های خارجی اطلاع پیدا کنند، بنابراین لازم است از پروتکل‌های اعتبارسنجی قوی‌تر و تکنیک‌های قابل تفسیری برای ارزیابی سیستم‌های هوش مصنوعی پزشکی استفاده شود (۴). از سوی دیگر، این مطالعات، مشکلات رایج مربوط به توسعه مدل‌های هوش مصنوعی پزشکی (۵)، و مسائل بالقوه اجباری بودن توضیح مدل به عنوان یک نیاز برای استقرار بالینی (۶) را نشان داده اند. در مورد موضوعات مختلف دیگر، از جمله اهمیت و اعتبار مدل، اخلاق و اعتماد (۷)، حریم خصوصی و امنیت (۸) و همچنین هزینه و کارایی بحثهای مختلفی انجام شده است (۹). شواهد بدست آمده از همه این مطالعات، باید جامعه بالینی را ترغیب کند تا به درک خوبی در یادگیری ماشین دست یابد (۱۰) و بدین ترتیب آنها را قادر سازد تا با استفاده روزافزون از این فن اوری ها در مراقبت های بهداشتی به راحتی برسند.