هوش مصنوعی گوگل(تعریف و ادامه ی پست قبلش)

در ابتدا پیش از بیان کاربرد های هوش مصنوعی به بررسی مقدمه ای کامل درباره تاثیرات آن می پردازیم . « بسیاری از صنایع با ورود فناوری‌های جدید در عصر اطلاعات دگرگون شده اند. صنعت بهداشت و درمان هم از این قاعده مستثنی نیست. عملکرد پزشک‌ها، بیمارستان‌ها، شرکت‌های بیمه و صنایعی که به طریقی با بهداشت و درمان سر و کار دارند تحت تأثیر اتوماسیون (خودکارسازی)، یادگیری ماشین و به ویژه هوش مصنوعی متحول شده اند. تأثیر هوش مصنوعی بر صنایع بهداشت و درمان در بسیاری موارد و در مقایسه با صنایع دیگر مثبت تر بوده است.طبق گزارش‌ها، حدود ۸۶ درصد از سازمان‌های تأمین کننده خدمات بهداشت و درمان، شرکت‌های فعال در زمینه علوم زیستی و شرکت‌های فروشنده فناوری به حوزه بهداشت و درمان از هوش مصنوعی استفاده می‌کنند. تا سال ۲۰۲۰، این سازمان‌ها مبلغی معادل ۵۴ میلیون دلار را صرف پروژه‌های هوش مصنوعی خواهند کرد.یکی از کانال‌هایی که هوش مصنوعی از طریق آن در بهداشت و درمان تغییر ایجاد می‌کند مدیریت سوابق پزشکی بیماران و داده‌هایی از این دست است. با توجه به این که نخستین گام در بهداشت و درمان گردآوری و تجزیه و تحلیل اطلاعات است (مانند سوابق و گزارش‌های پزشکی)، مدیریت داده عمده ترین کاربرد هوش مصنوعی و اتوماسیون دیجیتالی است. روبات‌ها داده‌ها را جمع آوری، ذخیره، قالب بندی مجدد و پیگیری می‌کنند تا با سرعت، نظم و تداوم بیشتری بتوان به آن‌ها دسترسی پیدا کرد.انجام اموری که در بیمارستان‌ها و دیگر مراکز بهداشتی و درمانی روزانه مرتب تکرار می‌شوند با کمک روبات‌ها سریع‌تر و دقیق‌تر خواهد شد. از جمله می‌توان به بررسی آزمایش‌ها، پرتونگاری، سی‌تی‌اسکن، ثبت داده و دیگر کارهای تکراری و معمولی اشاره کرد. کاردیولوژی و رادیولوژی دو تخصص هستند که در آن‌ها همیشه حجم بالایی از داده برای بررسی و آنالیز کردن وجود دارد، علاوه بر این که این کار بسیار زمان بر است. به زودی زمانی فرا می‌رسد که کاردیولوژیست‌ها و رادیولوژیست‌ها لازم است فقط پیچیده‌ترین پرونده‌های پزشکی را که مستلزم نظارت نیروی انسانی هستند تحت نظر بگیرند. هوش مصنوعی همچنین کمک می‌کند تا روش‌های درمانی جداگانه ای، مناسب با شرایط هر بیمار طراحی شوند. سیستم‌هایی مجهز به هوش مصنوعی ساخته شده اند تا داده‌ها را که شامل یادداشت‌ها و گزارش‌های پرونده پزشکی یک بیمار است، به علاوه مطالعات بیرونی انجام شده روی بیمار و نیز مهارت کلینیکی مورد بررسی قرار دهند. بدین ترتیب روش درمانی مناسبی، متناسب با وضعیت هر بیمار انتخاب می‌شود.مشاوره پزشکی دیجیتالی یکی از دیگر کاربردهای هوش مصنوعی در زمینه بهداشت و درمان است. در کشور انگلستان، اپلیکیشن‌هایی مانند «بابیلون» با به کارگیری هوش مصنوعی به طور مجازی به بیماران مشاوره می‌دهند. کاربرها علائم بیماری را به اپلیکیشن گزارش می‌کنند و اپلیکیشن هم با بازشناسی گفتار کاربر، مورد بیماری را بر اساس سوابق پزشکی و اطلاعات پزشکی او با پایگاه داده همه بیماری‌ها مقایسه می‌کند. سپس اقدام لازم را با توجه به سوابق پزشکی او توصیه می‌کند.از دیگر تحولاتی که هوش مصنوعی در حوزه بهداشت و درمان ایجاد کرده است به خدمت گرفتن پرستارهای مجازی، نظارت بر مصرف درست داروها، داروسازی، تشخیص بیماری، نظارت بر وضعیت سلامتی و علائم حیاتی و بالاخره تشخیص اشتباهات پزشکی و جلوگیری از بستری شدن غیر ضروری هستند.سالانه تا ۴۴۰هزار شهروند در ایالات متحده به دلیل بروز اشتباهات پزشکی قابل پیشگیری جان خود را از دست می‌دهند، اما هوش مصنوعی با تشخیص اشتباهات پزشکی به نجات انسان‌ها آمده است. در سال ۲۰۱۶، ۴۰هزارنفر جان خود را در اثر سوانح جاده ای از دست دادند. مقایسه این دو رقم نشان می‌دهد در این کشور، میزان مرگ‌های قابل پیشگیری که در اثر اشتباهات پزشکی رخ می‌دهند ۱۱ برابر بیشتر از تلفات ناشی از حوادث جاده‌ای است. کاربرد هوش مصنوعی در کاردیولوژی به طور خاص بسیار تأثیرگذار بوده و کمک شایانی به پزشک‌ها کرده است. کاردیولوژی که تخصص تشخیص و درمان مشکلات قلبی است، بیماری‌های زیادی را در بر می‌گیرد؛ به ویژه ناراحتی‌های مربوط به دستگاه گردش خون و عملکردهای آن. با این وصف، ممکن است علائم مشابه و راه‌های تشخیص مشابهی وجود داشته باشند و این، کار پزشک‌ها را در تشخیص و تفکیک مشکل دقیق سخت می‌کند. خوشبختانه هوش مصنوعی به یاری آن‌ها آمده و کمک می‌کند که درمان بهتری روی بیمار اعمال شود.تا کنون با ورود سیستم‌های اسکنی نظیر اکوکاردیوگراف، دستگاه ام آر آی و سی تی اسکن، تکنیک‌های پیشرفته تری برای مواجهه با بیماری‌ها به کار گرفته شده اند. اما استفاده از هوش مصنوعی هنوز به آن اندازه در امور پزشکی و درمانی گسترده نشده است. با این حال، گفته می‌شود که به زودی صنعت بهداشت و درمان در دستان هوش مصنوعی قرار خواهد گرفت. در حال حاضر به مطالعه نظر بنیان گذار یکی از بزرگ ترین شرکت های داروسازی جهان می پردازیم:هوش مصنوعی، حوزه بهداشت و درمان را متحول خواهد کرد در این مطلب، هم‌بنیان‌گذار یکی از مطرح‌ترین شرکت‌های فناوری داروسازی جهان، در مصاحبه‌ای توضیح می‌دهد که تکنولوژی، چگونه به‌زودی صنعت مراقبت‌های درمانی را متحول می‌کند.افزایش کاربردهای هوش مصنوعی و یادگیری ماشینی، الگوهای تحقیقات و درمان پزشکی را نیز تغییر داده است. این فناوری‌های پیشرفته، دسترسی محققان را در هر لحظه، به هر مقاله‌ سفید و مطالعه‌ موردی بالینی که روی اختلالات ژنتیکی انجام می‌شود، امکان‌پذیر می‌سازد.توسعه‌ چنین دیتابیس دقیقی از اطلاعات، به محققان اجازه می‌دهد نه‌تنها همه‌ ابعاد یک بیماری را درک کنند، بلکه در زمان کوتاه‌تری درمان مناسب را بیابند. شرکت Innoplexus که در سال ۲۰۱۱ توسط گانجان بهاردواج و گواراف تیرپاتی تاسیس‌ شد، یک شرکت فناوری توسعه‌ محصولات است که روی راه‌حل چالش‌های پیچیده صنایع دارویی و علوم زیستی متمرکز شده است. پلتفرم سراسری علوم زیستی آن‌ها، با استفاده از هوش مصنوعی داده‌های هوشمندی برای کمک به کشف، توسعه‌ بالینی و تطابق داروهای پزشکی فراهم می‌کند.Innoplexus علاوه بر تقویت راهکارهای پژوهشی، به سازمان‌های مراقبت‌های پزشکی هم کمک می‌کند از این فناوری‌ها برای بهبود سطح درمان استفاده کنند. زمانی که یک داروساز روی نتایج تحقیقات فعلی کار می‌کند، یا یک پژوهشگر پزشکی در جست‌وجوی درمان‌های جایگزین است، یا یک متخصص برای یافتن داده‌های یک بیماری خاص تلاش می‌کند، این پلتفرم با در دسترس قرار دادن اطلاعات مرتبط، موانع اکتشافات را رفع می‌کند و باعث می‌شود پروسه‌ها سریع‌تر پیش برود. اخیرا جولیان میشل از نشریه فوربز، با گانجان بهاردواج، هم‌بنیان‌گذار این شرکت مصاحبه کرده و در مورد این فن‌آوری‌های نوظهور و همچنین روند بهداشت و درمان سال ۲۰۱۸ از او سوالاتی پرسیده است. بخش‌هایی از این مصاحبه را می‌خوانیم:جولیان میشل: وضعیت فعلی صنعت بهداشت و درمان را چطور می‌بینید و فکر می‌کنید چرا زمان تحول این صنعت فرارسیده است؟گانجان بهاردواج: سازمان USFDA (اداره‌ی غذا و داروی آمریکا) اخیراً راهنمایی‌هایی در مورد فناوری‌های دیجیتال ارائه کرده است. طبیعتا این راهنما باعث می‌شود پشتیبانی تشخیصی، راحت‌تر از اپلیکیشن‌های دیجیتال استفاده کند. انتظار می‌رود بازیگران بزرگ تجارت الکترونیک نظیر آمازون، توزیع داروهای پزشکی را به عهده بگیرند. برخی از بازیگران حوزه‌ هوش مصنوعی نظیر بنولنت؛ از این فناوری برای کشف داروها استفاده می‌کنند. شرکت‌های بزرگ داروسازی در راستای تشخیص‌های هوشمند، با شرکت‌های تکنولوژی وارد تعامل شده‌اند.مثلا شرکت نوارتیس و گوگل برای توسعه‌ لنز هوشمند فو اتوماتیک، با یکدیگر همکاری می‌کنند. در حال حاضر اکثر مراکز درمانی، از روش‌های تشخیصی مبتنی بر هوش مصنوعی برای درمان اولین مراحل بیماری استفاده می‌کنند. شرکت‌هایی مانند روبومد، با به‌کارگیری رویکرد غیر متمرکز، ارائه‌دهندگان سرویس‌های درمانی و بیماران را به هم متصل می‌کنند؛ آن‌هم درحالی‌که همه‌ طرفین می‌توانند داده‌ها را به اشتراک بگذارند.جولیان میشل: فکر می‌کنید در حال حاضر و البته سال آینده، تکنولوژی چگونه صنعت بهداشت و درمان را تغییر می‌دهد؟گانجان بهاردواج: تکنولوژی، داده‌ها را دموکراتیزه می‌کند و با تجزیه‌وتحلیل مستمر موضوعات مختلف، داده‌های دقیقی به دانشمندان ارائه می‌دهد. ترکیب بلاک چین و هوش مصنوعی، داده‌هایی را آنالیز می‌کند که در حال حاضر به علت مقررات دولتی یا قوانین حفظ حریم خصوصی، در دسترس ما قرار ندارند.از طرف دیگر در آینده بسیاری از پروسه‌های درمانی پرهزینه، برای شرکت‌های متوسط و کوچک بیوتکنولوژی، مراکز درمانی و حتی خود بیماران، قابل‌ اجرا خواهند بود. تکنولوژی، هم اطلاعات و راهکارهای مورد نیاز را فراهم می‌کند و هم با تطبیق داده‌های سازمانی و داده‌های خارجی، به ما فرصت می‌دهد تصمیم‌گیری نهایی بهتری داشته باشیم. جولیان میشل: بحث‌های زیادی حواشی بیت کوین و بلاک چین صورت گرفته است. شما فکر می‌کنید بلاک چین به‌عنوان یک ابزار، چگونه به پیشرفت بهداشت و درمان کمک می‌کند؟گانجان بهاردواج: بلاک چین برای حفظ و نگه‌داری داده‌های غیر متمرکز مورد استفاده قرار می‌گیرد. دنیایی را تصور کنید که در آن بیماران دیگر نگران این موضوع نیستند که باید اطلاعات رفتاری و داده‌های پزشکی مهم خود را با شرکت‌های داروسازی به اشتراک بگذارند؛ چراکه این داده‌ها روی بلوک‌ها ذخیره می‌شوند نه در آرشیو شرکت‌ها.اگر آن‌ها در تست‌های پزشکی شرکت کنند و موثر بودن داروها اثبات شود، به کمک قراردادهای هوشمند می‌توانند بلافاصله سهم خود را از مزایای حاصله دریافت کنند.بلاک چین و هوش مصنوعی با یک تغییر ساختاری، کمک می‌کنند همه‌ طرفین اطلاعاتشان را به‌صورت غیر متمرکز به اشتراک بگذارند؛ درحالی‌که سیستم هنوز می‌تواند از داده‌های موثق برای تصمیم‌گیری‌های هوشمند استفاده کند.این امر موانع بسیاری را از سر راه صنعت بهداشت و درمان برمی‌دارد، مشکلاتی نظیر پراکندگی اطلاعات، قوانین محدودکننده، نظارت‌های سخت روی به اشتراک‌گذاری و آنالیز این داده‌ها و همچنین عدم انگیزه برای انتشار نتایج آخرین تحقیقات.جولیان میشل: هوش مصنوعی چطور بازار بهداشت و سلامت را باز-تعریف می‌کند؟گانجان بهاردواج: هوش مصنوعی بازار را از زوایای مختلف تحت تاثیر قرار می‌دهد. برای شرکت‌های داروسازی، مدل کسب‌وکار جدیدی معرفی می‌کند که در آن همه‌ مراحل، از کشف تا تجاری‌سازی، در یک محیط دیجیتال پیگیری می‌شوند.به‌علاوه ما شاهد ظهور سیستم‌های جدید کشف دارو مبتنی بر هوش مصنوعی هستیم. از طرف دیگر به کمک درمان هدفمند، بیماران از روی خصوصیات شخصی و بالینی شناسایی می‌شوند و به مراکز درمانی مناسب هدایت می‌شوند. در حال حاضر داده‌های دنیای واقعی سعی در کنار زدن نظارت‌های شدید و بی‌منطق قانونی دارند و ما شاهد بوده‌ایم که شرکت‌های بزرگ تجارت الکترونیک برای ورود به دنیای کسب‌وکار توزیع داروها، چه حرکات موثری را شروع کرده‌اند.البته رگولاتورها هم به استقبال هوش مصنوعی رفته‌اند؛ چراکه به کمک هوش مصنوعی می‌توانند مجوز پخش داروها را تعیین و ایمنی بیماران را تضمین کنند. ببینید، بحث‌های متنوعی در مورد هوش مصنوعی و یادگیری ماشینی مطرح‌ شده است؛ به‌طوری‌که گاهی تشخیص واقعیت و رویا سخت می‌شود. بااین‌حال یادگیری ماشینی فقط یکی از رویکردهای هوش مصنوعی است. هوش مصنوعی زوایای دیگری هم دارد که به محققان، بازاریابان، رگولاتورها و درمانگران کمک می‌کند.جولیان میشل: پیش‌بینی شخصی خود شما در مورد مراقبت‌های بهداشتی و صنایع مرتبط با آن، در سال ۲۰۱۸ چیست؟گانجان بهاردواج: من معتقدم هوش مصنوعی روش‌های تجاری‌سازی داروها را بهبود می‌دهد. همچنین تاثیرات مهم و عمده‌ای در فرایندهای کشف، پیشرفت بالینی و مقررات دارویی خواهد داشت؛ اما این تغییرات آهسته‌تر رخ می‌دهند. پیش‌بینی من این است که مراکز درمان با همین نرخ فعلی، به استفاده از هوش مصنوعی ادامه می‌دهند.جولیان میشل: با توجه به این پیشرفت‌هایی که به‌سرعت در حال وقوع‌اند، صنعت مراقبت‌های بهداشتی را در سه تا پنج سال آینده چگونه می‌بینید؟گانجان بهاردواج: نوآوری در سطح وسیع‌تری تجاری‌سازی می‌شود؛ زیرا شرکت‌های کوچک‌تر بیوتکنولوژی و داروسازی هم به ابزارها و فرصت‌های مشابه دست پیدا می‌کنند. رگولاتورها نیز به روش‌های جدیدتر توسعه بالینی دست می‌یابند و در کل زمینه برای ورود و فعالیت بازیگران متعددی فراهم می‌شود.دسترسی به خدمات و مراقبت‌های بهداشتی، به‌صورت اتومات درمی‌آید. درنهایت برنده‌ اصلی این روند، بیماران هستند که از درمان‌های موثرتر و مراقبت‌های بهتری بهره‌مند می‌شوند. هرچند ممکن است بهبود بهره‌وری مبتنی بر هوش مصنوعی، مستلزم هزینه‌های بالایی باشد. جایگزینی هوش مصنوعی با پزشکان و پرستاران بیمارستانی در لندن یکی ازبزرگترین و پیشرفته ترین بیمارستان های لندن با افزایش هوش مصنوعی و یادگیری عمیق در بخش های مختلف توانسته تعداد پزشکان و پرستاران را کاهش دهد. در این بیمارستان برای تشخیص بیماری هایی چون سرطان نیز از هوش مصنوعی استفاده شده است. هدف از تاسیس این بیمارستان بهره گیری از هوش مصنوعی و یادگیری ماشین است و انقلابی جدید و بی سابقه را ایجاد می کند. به گفته ی پروفسور برین ویلیامز، مدیر تحقیقاتی این بیمارستان، پیش بینی می شود که این مرکز تاثیر مهمی بر روی تشخیص و درمان بیماری های مختلف داشته باشد. در تاسیس این بیمارستان شاهد همکاری کمپانی های بزرگی چون آمازون و گوگل نیز هستیم که خدمات گسترده ای را در زمینه هوش مصنوعی و یادگیری ماشین ارائه کرده اند. در بخشی از این مرکز شاهد الگوریتم های یادگیری ماشین هستیم که روش های جدیدی برای تشخیص بیماری ها و شناسایی افرادی که در معرض خطر هستند را ارائه می کند. تمرکز اصلی این پروژه برای شروع بر روی بهبود بخش تصادفات و اورژانس بیمارستان است. با سیستم های هوش مصنوعی سرعت ویزیت و تشخیص بیماری ها افزایش خواهد یافت و شاهد عملکردی بهتر در این بیمارستان خواهیم بود. البته مدیران این مرکز اشاره کرده اند که هوش مصنوعی هرگز جای پزشکان را نخواهد گرفت و همچنان به تخصص پزشکان نیاز خواهد بود. به طور کلی روش های سنتی در این بیمارستان حذف شده است و روش های نوین عملکرد فوق العاده ای را از این مرکز ارائه کرده است. تحقیقات پزشکی نیز در این بیمارستان به طور گسترده صورت می گیرد و تحولی عظیمی در بخش درمانی مشاهده می شود. با به عهده گرفتن بخش هایی از مسئولیت پزشکان و پرستاران، کارها سبک تر خواهد شد، پزشکان زمان بیشتری را با بیماران خود سپری خواهند کرد و شاهد نتایج بهتری در بخش درمانی خواهیم بود. کاربرد ها تعریف: هوش مصنوعی، هوش صناعی یا هوشماشینی )به انگلیسی: )Artificial Intelligenceبه هوشی که یک ماشین در شرایط مختلف از خودنشان می دهد، گفته می شود. به عبارت دیگر هوشمصنوعی به سیستم هایی گفته می شود که می توانندواکنش هایی مشابه رفتارهای هوشمند انسانی ازجمله درک شرایط پیچیده، شبیه سازی فرایندهایتفکری و شیوه های استدلالی انسانی و پاسخ موفقبه آنها، یادگیری و توانایی کسب دانش و استدلالبرای حل مسایل را داشته باشند. بیشتر نوشته ها ومقاله های مربوط به هوش مصنوعی، آن را به عنوانتعریفکرده اند. هوش مصنوعی در علم پزشکی: امروزه به دلیلگسترش دانش و پیچیده تر شدن فرایند تصمیم گیری،استفاده از سیست مهای اطلاعاتی به خصوصسیستم های هوش مصنوعی در تصمیم گیری، اهمیتبیشتری یافته است. هوش مصنوعی گسترش دانشدر حوزه پزشکی و پیچیدگی تصمیمات مرتبط باتشخیص و درمان - به عبارتی حیات انسان - توجهمتخصصین را به استفاده از سیستم های پشتیبانتصمیم گیری در امور پزشکی جلب نمود هاست. بههمین دلیل، استفاده از انواع مختلف سیستم هایهوشمند در پزشکی رو به افزایش است، به گونه ایکه امروزه تأثیر انواع سیستم های هوشمند در پزشکیمورد مطالعه قرار گرفته است. هوش مصنوعی گوگل خطر بیماری قلبی را با اسکن چشم تشخیص می دهد هر روز خبرهای جدیدی درباره ی هوش مصنوعی و کاربرد های آن در علوم مختلف منتشر می شود. گوگل به عنوان یکی از پیشروهای هوش مصنوعی، در حال تلاش برای استفاده از آن برای تشخیص بیماری بدون نیاز به نظارت انسان است. دانشمندان گوگل و شرکت تابعه ی آن در زمینه ی فناوری های مرتبط با سلامت با نام وریلی ، به تازگی روشی برای ارزیابی ریسک ابتلای افراد به بیماری قلبی با استفاده از یادگیری ماشین پیدا کرده اند. در این روش اسکن لایه های پشتی چشم بیماران توسط یک نرم افزار تحلیل می شود و اطلاعات دقیق درباره ی سن، فشار خون و اینکه آیا فرد سیگار می کشد یا خیر به دست می آید. با داشتن این اطلاعات می توان پیش بینی نمود که آیا فرد در خطر سکته ی قلبی یا اتفاق های مشابه قرار دارد یا خیر. دقت این روش تقریبا برابر با روش های کنونی مورد استفاده در پزشکی عنوان شده است. این الگوریتم می تواند جایگزینی سریع و آسان برای روش های موجود باشد که برای تشخیص بیماری های قلبی عروقی به کار می رود چرا که نیازی به گرفتن خون و انجام آزمایش روی آن وجود ندارد و تنها از طریق اسکن چشم قابل انجام است. روش ذکر شده باید مراحل کامل آزمایشی را قبل از ورود به مرحله ی نهایی استفاده در مراکز درمانی بگذراند. مقاله ای که این کار را توصیف می کند، امروز درمجله ی مهندسی پزشکی ژورنال نیچر منتشر شده است . اگر چه تحقیق های قبلی آن قبلا به اشتراک گذاشته شده است. لوکا وکادن-راینر، یکیا ز محققین دارویی در دانشگاه آدلاید که در زمینه ی یادگیری ماشین تخصص دارد، به وبسایت ورج گفته است این تحقیق نشان می دهد که هوش مصنوعی می تواند حرکت مؤثری در بهبود روش های تشخیص بیماری ایجاد کند. آن ها اطلاعات مربوط به یک آزمایش را برداشته اند و اطلاعاتی به مراتب بیشتر از آنچه پزشکان به دست آورده اند استخراج کرده اند. این کار به جای جایگزین کردن پزشکان، تلاش می کند توانایی آن ها را گسترش دهد. برای اموزش الگوریتم یادگیری ماشین، محققین گوگل و وریلی از تحلیل داده های بیش از 300 هزار بیمار استفاده کردند. این داده ها شامل اسکن چشم به عنوان یک داده عمومی پزشکی بود.سپس با استفاده از یادگیری عمیق، شبکه های عصبی برای استخراج اطلاعات مرتبط با الگوهای به کار گرفته شدند تا علایم مرتبط موجود در اسکن چشم را بر اساس پارامترهای تشخیص بیماری های قلبی عروقی )مانند سن، فشار خون و.( آموزش ببینند. ایده ی نگاه کردن به چشمان شما برای قضاوت در مورد سلامتی قلبتان غیر عادی به نظر می رسد؛ اما این روش از یک تحقیق ثابت شده ی علمی به دست آمده است .دیواره داخلی چشم )فوندوس( پر از عروق خونی و منعکس کننده سلامت کلی بدن است. پزشکان با مطالعه ظاهر آن با دوربین و میکروسکوپ می توانند چیزهایی مانندفشارخون فرد، سن و اینکه آیا فرد سیگار می کشد یا خیر را استخراج کنند که همگی پیش بینی کننده های مهم سلامت قلب و عروق هستند. هنگامی که تصاویر شبکیه ی دو بیمار که یکی از آن ها پنج سال بعد دچار مشکلات قلبی و عروقی شده بود در اختیار الگوریتم گوگل قرارگرفت، این الگوریتم توانست در 70 درصد موارد به درستی بیماری فرد را رایج برای پیش بینی خطر ابتلا به بیماری قلبی score تشخیص دهد. این فقط اندکی بدتر از روش عروقی است که نیاز به آزمایش خون دارد. روش مرسوم دقتی در حدود 72 درصد دارد. آلون هیوز، استاد فیزیولوژی و فارماکولوژی قلب و عروق در لندن، می گوید با توجه به تاریخچه طولانی نگاه کردن به شبکیه برای پیش بینی خطر ابتلا به بیماری قلبی و عروقی، روش گوگل معتبر به نظر می رسد. وی اضافه می کند که هوش مصنوعی توانایی بهبود روش های موجود تجزیه و تحلیل پزشکی را دارد؛ اما همچنان الگوریتم باید قبل ازاعتماد کامل بارها مورد آزمایش قرار گیرد. کمک بزرگ هوش مصنوعی به اورژانس دانمارک هوش مصنوعی به تکنسین های اورژانس دردانمارک در تشخیص حمله قلبی کمک می کند.تکنسین های اورژانس کار سختی دارند، چرا کهباید ضمن اطمینان خاطر دادن و حفظ آرامش بیمار،سوالاتی بپرسند که ی تواند زندگی بیمار را نجاتدهد. اما به زودی می توانند از هوش مصنوعی کمکبگیرند. تکنسین ها در کپنهاگ دانمارک کمک گرفتنخود را از هوش مصنوعی به نام تی>((cortiشروع می کنند که کلمات و صداها را هنگام تماسبیماران برای تشخیص حمله قلبی آنالیز می کند وسپس تکنسین اورژانس را با سوالات مناسب برایتشخیص دیق تر راهنمایی می کند.از را ههای دیگر نیز مانند یادآوری پرسیدنآدرس دقیق حادثه و اطمینان از حرکت آمبولانس در کاربردهای هوش مصنوعی چنان گسترده و فراگیرشده اند که بسیاری از این کاربردها دیگر با نام هوش مصنوعی شناخته نمی شوند و نام تخصصی خود رادارند. تأثیر هوش مصنوعی را اکنون می توان در همه جهات و نقاط زندگی مردم دید. آیفونی که قادر بهتشخیص اعضای خانه است یا تلویزیونی که نورصفحه نمایش دلخواه را با تعداد افراد تنظیم می کند،همه و همه کاربردهای هوش مصنوعی هستند.کاربردهای عملی آن دسته از کاربردهای هوش مصنوعی هستند که عملیات خاصی را انجام داده و عمل یا تأثیر آن به وضوح توسط کاربر احساس خواهد شد. برای مثال جستجوی خودکار گوگل که از الگوریتم ها و متدهای پیچیده هوش مصنوعی استفاده می کند، پس از انجام یک عملیات پرهزینه والبته سریع نتایج مرتبط را به شما نشان خواهد داد.ماشین هایی که قادر هستند خودشان را کنترل کنند.ربا تهای پرنده یا قایق های هوشمند نمونه ای بارز وموفق از این نوع کاربردها هستند. هوش مصنوعی گوگل خطر بیماری قلبی را با اسکن چشم تشخیص میدهد هر روز خبرهای جدیدی درباره ی هوش مصنوعی و کاربرد های آن در علوم مختلف منتشر می شود.گوگل به عنوان یکی از پیشروهای هوش مصنوعی،در حال تلاش برای استفاده از آن برای تشخیص بیماری بدون نیاز به نظارت انسان است. دانشمندان گوگل و شرکت تابعه ی آن در زمینه ی فناوری های مرتبط با سلامت با نام وریلی ، به تازگی روشی برایارزیابی ریسک ابتلای افراد به بیماری قلبی با استفاده از یادگیری ماشین پیدا کرده اند. در این روش اسکنلایه های پشتی چشم بیماران توسط یک نرم افزارتحلیل می شود و اطلاعات دقیق درباره ی سن،فشار خون و اینکه آیا فرد سیگار می کشد یا خیر به دست می آید. با داشتن این اطلاعات می توان پیش بینی نمود که آیا فرد در خطر سکته ی قلبی یا اتفاقهای مشابه قرار دارد یا خیر. دقت این روش تقریبابرابر با روش های کنونی مورد استفاده در پزشکی عنوان شده است. این الگوریتم می تواند جایگزینی سریع و آسان برای روش های موجود باشد که برای تشخیص بیماری های قلبی عروقی به کار می رودچرا که نیازی به گرفتن خون و انجام آزمایش روی آن وجود ندارد و تنها از طریق اسکن چشم قابل انجام است. روش ذکر شده باید مراحل کامل آزمایشی را قبل از ورود به مرحله ی نهایی استفاده در مراکز درمانی بگذراند. مقاله ای که این کار راتوصیف می کند، امروز درمجله ی مهندسی پزشکی ژورنال نیچر منتشر شده است . اگر چه تحقیق های قبلی آن قبلا به اشتراک گذاشته شده است.لوکا وکادن-راینر، یکیا ز محققین دارویی در دانشگاه آدلاید که در زمینه ی یادگیری ماشین تخصص دارد،به وبسایت ورج گفته است این تحقیق نشان میدهد که هوش مصنوعی می تواند حرکت مؤثری در بهبود روش های تشخیص بیماری ایجاد کند.آن ها اطلاعات مربوط به یک آزمایش را برداشته اند و اطلاعاتی به مراتب بیشتر از آنچه پزشکان بهدست آورده اند استخراج کرده اند. این کار به جای جایگزین کردن پزشکان، تلاش می کند توانایی آنها را گسترش دهد.برای اموزش الگوریتم یادگیری ماشین، محققین گوگل و وریلی از تحلیل داده های بیش از 300هزار بیمار استفاده کردند. این داده ها شامل اسکن چشم به عنوان یک داده عمومی پزشکی بود.سپس با استفاده از یادگیری عمیق، شبکه های عصبی برای استخراج اطلاعات مرتبط با الگوهای به کار گرفته شدند تا علایم مرتبط موجود در اسکن چشم رابر اساس پارامترهای تشخیص بیماری های قلبی عروقی )مانند سن، فشار خون و.( آموزش ببینند.ایده ی نگاه کردن به چشمان شما برای قضاوت در مورد سلامتی قلبتان غیر عادی به نظر می رسد؛اما این روش از یک تحقیق ثابت شده ی علمی بهدست آمده است .دیواره داخلی چشم )فوندوس(پر از عروق خونی و منعکس کننده سلامت کلیبدن است. پزشکان با مطالعه ظاهر آن با دوربین ومیکروسکوپ می توانند چیزهایی مانندفشارخون فرد، سن و اینکه آیا فرد سیگار می کشد یا خیر رااستخراج کنند که همگی پیش بینی کننده های مهم سلامت قلب و عروق هستند. هنگامی که تصاویرشبکیه ی دو بیمار که یکی از آن ها پنج سال بعددچار مشکلات قلبی و عروقی شده بود در اختیارالگوریتم گوگل قرارگرفت، این الگوریتم توانست در 70 درصد موارد به درستی بیماری فرد را رایج برای پیش بینی خطر ابتلا به بیماری قلبی scoreتشخیص دهد. این فقط اندکی بدتر از روش عروقی است که نیاز به آزمایش خون دارد. روش مرسوم دقتی در حدود 72 درصد دارد.آلون هیوز، استاد فیزیولوژی و فارماکولوژی قلب وعروق در لندن، می گوید با توجه به تاریخچه طولانی نگاه کردن به شبکیه برای پیش بینی خطر ابتلا به بیماری قلبی و عروقی، روش گوگل معتبر به نظر میرسد. وی اضافه می کند که هوش مصنوعی توانایی بهبود روش های موجود تجزیه و تحلیل پزشکی رادارد؛ اما همچنان الگوریتم باید قبل ازاعتماد کامل بارها مورد آزمایش قرار گیرد. ارائه روشی بهینه در اعزام آمبولانس مبتنی برشبکه های پیچیده و هوش مصنوعی هدف سرویس های اورژانس پزشکی کاهش مرگ ومیر و عوارض ناشی از بیماری ها و صدمات می باشد.اعزام سریع سرویس های اورژانس و کاهش زمان پاسخ، منجر به افزایش نرخ بقاء می شود. زمان پاسخ یکی از معیارهای مهم سنجش کارایی سرویس های اورژانس پزشکی می باشد. روش معمول در اعزام آمبولانس ها، فرستادن نزدیک ترین واحد در دسترس می باشد که این روش به کارایی در کوتاه مدت توجه می کند. یکی از رو شهایی که اخیرا در زمینه اعزام آمبولانس بیان شده است، مبتنی بر تحلیل شبکه های پیچیده است. هدف این روش، اعزام آمبولانس مدنظر به تماسی می باشد که مرکزیت بیشتری نسبت به دیگر تماسها دارد، که منجر به کارایی بهتر در دراز مدت می شود. دیگر رو شها در اعزام آمبولانس مبتنی بر پیدا کردن بهترین مسیر مناسب برای ماشین های سرویس دهنده می باشد که پیچیدگی زمانی این رو شها بسیار بالا می باشد. در این مقاله با استفاده ازرویکردی ترکیبی و به کارگیری معیا رهای مرکزیت از تحلیل شبکه های پیچیده و رو شهای جستجو مبتنی بر هوش مصنوعی، روشی بهینه و نوین رابرای کاهش زمان پاسخ سرویس های اورژانسی ارائه شده است. علاوه بر این در روش پیشنهادی،اولویت اورژانسی تما سها نیز درنظر گرفته شده است، که متغیری مهم در تصمیم گیری ها می باشد. روش پیشنهادی نسبت به رو شهای قبلی ازمحدودیت های کمتری برخوردار بوده و نتایج شبیه سازی گسترده نیز بهبود معنی دار این روش را در مقایسه با روش های قبلی مانند روش مرکزیت و نزدیک ترین همسایه، مورد تایید قرار می دهد.اما بخش قابل توجهی از ارزش آن در تشخیص سرنخ های بیماری ها وآسب ها نهفته است. تکنسین اورژانس در یک حادثه به این نتیجه رسید که کمر مردی که از سقف سقوط کرده بود، شکسته است. «کورتی » صدای ضربان ضعیف را شنید که متناسب با الگوی صوتی یک بیمار در تلاش برای نفس کشیدن با وجود حمله قلبی بود. در حالی که هوش مصنوعی هنوز در حالت آموزش بود و نمی توانست توصیه مناسبی به تکنسین ارائه دهد، در آینده می تواند یک دستورالعمل مناسب برای تکنسین ها ارائه دهد تا برای تماس گیرندگان بخوانند.> که توسط یک استارتاپ هلندی با همین نام ساخته شده، هنوز هم در حال توسعه فناوری خود است. این سیستم همانند سایر سیستم های یادگیری ماشین، توانایی های تشخیص خود را بهبودمی بخشد، زیرا اطلاعات بیشتری را دریافت می کند. مقایسه با روش های قبلی مانند روش مرکزیت و نزدیک ترین همسایه، مورد تایید قرار می دهد. جایگزینی هوش مصنوعی با پزشکان و پرستاران بیمارستانی در لندن یکی بزرگترین و پیشرفته ترین بیمارستان های لندن با افزایش هوش مصنوعی و یادگیری عمیق در بخش های مختلف توانسته تعداد پزشکان وپرستاران را کاهش دهد. در این بیمارستان برای تشخیص بیماری هایی چون سرطان نیز از هوش مصنوعی استفاده شده است. هدف از تاسیس این بیمارستان بهره گیری از هوش مصنوعی و یادگیری ماشین است و انقلابی جدید و بی سابقه را ایجادمی کند. به گفته ی پروفسور برین ویلیامز، مدیرتحقیقاتی این بیمارستان، پیش بینی می شود که این مرکز تاثیر مهمی بر روی تشخیص و درمان بیماریهای مختلف داشته باشد. در تاسیس این بیمارستان شاهد همکاری کمپانی های بزرگی چون آمازون وگوگل نیز هستیم که خدمات گسترده ای را در زمینه هوش مصنوعی و یادگیری ماشین ارائه کرده اند.در بخشی از این مرکز شاهد الگوریتم های یادگیری ماشین هستیم که روش های جدیدی برای تشخیص بیماری ها و شناسایی افرادی که در معرض خطرهستند را ارائه می کند. تمرکز اصلی این پروژه برای شروع بر روی بهبود بخش تصادفات و اورژانس بیمارستان است. با سیستم های هوش مصنوعی سرعت ویزیت و تشخیص بیماری ها افزایش خواهدیافت و شاهد عملکردی بهتر در این بیمارستان خواهیم بود. البته مدیران این مرکز اشاره کرده اندکه هوش مصنوعی هرگز جای پزشکان را نخواهدگرفت و همچنان به تخصص پزشکان نیاز خواهدبود. به طور کلی روش های سنتی در این بیمارستان حذف شده است و روش های نوین عملکرد فوق العاده ای را از این مرکز ارائه کرده است. تحقیقات پزشکی نیز در این بیمارستان به طور گسترده صورت می گیرد و تحولی عظیمی در بخش درمانی مشاهده می شود.با به عهده گرفتن بخش هایی از مسئولیت پزشکانو پرستاران، کارها سبک تر خواهد شد، پزشکان زمان بیشتری را با بیماران خود سپری خواهند کردو شاهد نتایج بهتری در بخش درمانی خواهیم بود. تشخیص بهتر آپاندیسیت حاد بااستفاده از هوش مصنوعی آپانديسيت حاد، شايعترين علت مراجعۀ بيماران بادردهای شكمي به اورژانس بيمارستانها و آپاندکتومي شايعترين عمل جراحي اورژانس است. با وجودابداع روشهای گوناگون تشخيصي، ميزان آپاندکتومي غيرضروری قابل توجه است. استفاده از روشهای هوش مصنوعي و يادگيری ماشيني ميتواند فرآيندتشخيص و درمان را بهبود بخشد.یکی از بالاترین احتمالهای تشخیصی برای بیمارانی که با دردهای شکمی به بخشهای اورژانس مراجعه میکنند آپاندیسیت حاد و به دنبال آن یکی از شایعترین اعمال جراحی اورژانس در جراحی عمومی،آپاندکتومی است. احتمال ابتلا به آپاندیسیت حاد درطول عمر، هفت درصد گزارش شده که در سنین10 تا 30 سال بیشتر محتمل است. این احتمال برای آقایان 6.7 درصد بوده و و برای خانمها 8.6 درصدبوده و شیوع آن در دهۀ دوم زندگی بالاتر است.تشخیص بالینی آپاندیسیت حاد تخمینی ذهنی ازاحتمال التهاب آپاندیس بر اساس متغیرهایی استکه به تنهایی قدرت تمیزدهندگی بالایی ندارند امازمانی که به صورت ترکیبی استفاده میشوند، ارزش تشخیصی بالایی خواهند داشت. فرآیند تشخیصی یادشده را میتوان با استفاده از سیستمهای نمره گذاری بالینی که از متغیرهای مؤثر در تشخیص آپاندیسیت حاد استفاده میکنند علمی تر و عملی تر کرد. سیستم نمره گذاری مانترلس ( Mantrels ) توسط آقای آلوراد (Alvarado ) پیشنهاد شد. این روش نمره گذاری بر روی یافته های بالینی خاص استوار است.همچنین مطالعات مختلف دقت تشخیصی آلورادورا تا 78 - 84 درصد گزارش کرده اند. روش نمره گذاری آلورادو از پرکاربردترین روشهای نمره گذاری در این زمینه است.روش نمره گذاری واکنش التهابی آپاندیسیت نیزشبیه به روش آلورادو است با این تفاوت که درآن متغیرها سطوح بیشتری دارند و پروتئین واکنشی سی را نیز به عنوان متغیر در نظر گرفته است. با این وجود روشهای نمره گذاری بالینی مقبولیت زیادی در تشخیص آپاندیسیت حاد به دست نیاورده اند.روش نمره دهی آلورادو و روش نمره دهی اصلاح شده آلورادو زمانی که به جمعیتهای آسیا و خاورمیانه عرضه میشوند حساسیت و اختصاصی بودن ضعیفی دارند. میزان حساسیت و اختصاصی بودن روش آلورادو در مطالعات مختلف به ترتیب بین 53 تا 88درصد و 75 تا 80 درصد بوده است.در میان روشهای تصویربرداری، سونوگرافی یک روش غیرتهاجمی، ایمن، ارزان و در دسترس است که در بیشتر مراکز درمانی کشور وجود داشته و به عنوان روش تصویربرداری انتخابی در تشخیص آپاندیسیت به کار میرود و نیز از دقت نسبتاً خوبی96-87 درصد برخوردار است.سی تی اسکن روشی دقیق برای تشخیص فرآیندهای التهابی است. طی مطالعات متعدد انجام شده، استفاده از سی تی اسکن در تشخیص آپاندیسیت حاد،آپاندکتومی منفی را به میزان قابل توجهی کاهش دادهاست. با اینکه سی تی اسکن مزایای قابل توجهی در زمینۀ تشخیصی عرضه کرده است؛ از معایب آن به این موارد میتوان اشاره کرد: این روش بیمار رادر معرض تشعشعات رادیواکتیو قرار میدهد، هزینۀانجام این روش بسیار است، در مورد خانمهای باردار قابل استفاده نیست، آلرژی به مادۀ حاجب چه در نوع تزریق وریدی چه در نوع خوراکی در بعضی افراد وجود دارد، در همۀ مراکز بهداشتی درمانی در دسترس نیست و انجام آن نسبت به روشهای عکسبرداری زمان بیشتری لازم دارد.با اینکه از دو روش تصویربرداری مذکور برای تشخیص آپاندیسیت حاد استفادۀ فراوانی میشود ولی میزان تشخیص غلط آپاندیسیت حاد ثابت ماندهاست. درصد تشخیص اشتباه آپاندیسیت حاد درخانمها مخصوصاً در سنین باروری بیشتر از آقایاناست.ممکن است بعضی اوقات بین روشهای تشخیصی مختلف و مشاهدات بالینی تناقض هایی دیده شود.همیشه علائم و نشانه های کلاسیک آپاندیسیت حاد وجود ندارد و علائم متفاوت میتواند تشخیص آپاندیسیت حاد را مشکل کند.با توجه به حجم بالای پذیرش بیماران در بخش اورژانس مخصوصا در مراکز دولتی و دانشگاهی،زمانبر بودن انجام روشهای تصویربرداری ومحدودیت زمانی جهت تشخیص آپاندیسیت حاد؛استفاده از تکنولوژیهای یادگیری ماشینی و هوش مصنوعی جهت کمک به تشخیص آپاندیسیت،متناسب ویژگیهای تشخیصی جامعۀ کشورمان که باعث تسریع در فرآیند تشخیص بیماری، کاهش هزینه ها و مدت اقامت بیمار در بخش اورژانس وجلوگیری از انجام آپاندکتومی منفی گردد، سودمندخواهد بود.به دلیل ماهیت اثربخشی و سودمندی روشهای هوش مصنوعی در کشف و دسته بندی بیماریها استفاده ازآن به منظور تحلیل و بررسی مسائل حوزه پزشکی و سلامت، در حال افزایش است. روشهای هوش مصنوعی و یادگیری ماشینی کاربردهای متفاوت و گسترده ای در علوم پزشکی دارند. امروزه درپزشکی از سیستم های خبره به منظور پیش بینی،تشخیص، تخمین ریسک، کمک به تصمیم گیری دردرمان و سایر موارد استفاده میشود. برای طراحی این سیستمها از ابزارهای گوناگونی مانند: شبکه عصبی مصنوعی، سیستم ماشین بردار پشتیبان، منطق فازی،درخت تصمیم، الگوریتم ژنتیک و غیره استفاده میشود.برای طراحی سیستم بنا به نوع و موضوع پژوهش،داده های ورودی، خروجی و هدف، روش استفاده ازابزارهای مذکور متفاوت است. در ادامه چند مورد ازاستفادۀ هوش مصنوعی و یادگیری ماشینی در کمک به تشخیص بیماریها ذکر شده است.طبق نتایج مطالعۀ دیگری که توسط زایلوک واوستروسکی ( Zyluk & Ostrowski ) برایبررسی عوامل مؤثر بر صحت تشخیصی آپاندیسیت حاد انجام شد، مشخص گردید که تأثیری بین سن، جنس، مدت زمان ایجاد علائم و پارامترهای بیوشیمیایی با یافته های بالینی پژوهش و نتایج تشخیصی ، وجود ندارد. ویژگیهای استخراج شده تشخیصی، با استفاده از انجام روشهای آماری برروی شرح حال بیماران و نتایج تستهای آزمایشگاهی آنها صورت گرفته است.رابطۀ بین سن و جنس با وجود آپاندیسیت حاد، هم در نظرسنجی از پزشکان و هم در پایگاه داده مشهوداست. علاوه بر این اکثر پارامترهای آزمایشگاهی که در ابتدا به عنوان ویژگیهای مذکور در منابع گوناگون ثبت گردیدند، در اولویت بندی پزشکان بعد ازنظرسنجی نیز وجود دارند. این بدین معنی است که پارامترهای تشخیصی آزمایشگاهی در تشخیص این بیماری از اهمیت بالایی برخوردارند.در مطالعۀ دیگری که توسط قادرزاده و همکاران با جامعه آماری متشکل از 360 بیمار مبتلا به ناهنجاریهای پروستات بودند انجام گرفت؛ درطراحی هستۀ محاسباتی سیستم تصمیم یار بالینی درکشف اولیۀ سرطان پروستات از بزرگی خوشخیم آن، از الگوریتم شبکه عصبی گرادیان توام مدرج استفاده شد.شاخص های عملکردی این سیستم، ویژگی وحساسیت بودند و عملکرد سیستم تصمیمیار بالینی پیشنهاد شده بر اساس این شاخصها به ترتیب عبارتاز 97.06 و 92.11 درصد بود. نتایج سیستم تصمیم یاردر تشخیص و طبقه بندی بیماریهای نئوپلازی پروستات، حاکی از پتانسیل بالای سیستمهای مبتنی بر شبکه های عصبی به عنوان ابزاری قوی در طبقه بندی ناهنجاریهای پروستات بود. در این پژوهش یک سیستم تصمیم یار پزشکی با هدفیاری رساندن به متخصصان در تشخیص و طبقه بندی بیماریهای نئوپلازی پروستات طراحی گردید.در پژوهشی که تحت عنوان «استفاده از روش هوش مصنوعی » در تشخیص آپاندیسیت حاد توسط سونگ یون پارک ) Park SY ( و همکاران در کره انجام گرفت که در آن سه روش سیستم نمرهگذاری آلورادو، شبکه های عصبی مصنوعی چندلایه وماشین بردار پشتیبان در تشخیص آپاندیسیت حادمقایسه شدند. 760 بیمار و هر بیمار با 18 ویژگیتشخیصی پایگاه دادۀ این پژوهش را تشکیل دادند.صحت تشخیصی روش سیستم نمره گذاری آلورادو، شبکه های عصبی مصنوعی چندلایه وماشین بردار پشتیبان به ترتیب 54.87 درصد، 92.89درصد و 99.61 درصد محاسبه گردید. پژوهش انجام شده گواه بر قدرت تشخیصی بالای سیستم های ماشینبردار پشتیبان در تشخیص بیماریها بخصوص آپاندیسیت حاد میباشد که میتواند افزایش صحت وسرعت تشخیص را به همراه داشته باشد. از جمله موارد یاد شده در اهمیت این پژوهش، دقت پایین روش نمره گذاری آلورادو در جمعیت آسیای شرقی است و خصوصیت بارز این پژوهش بومی سازی پایگاه داده و ویژگیهای دخیل تشخیصی میباشد.نتيجه گيری:با توجه به این مسئله که میزان صحت تشخیص قبل از عمل جراحی باید بالای 85 درصد باشد، عملکردسیستم ماشین بردار پشتیبان طراحی شده جهت تشخیص آپاندیسیت حاد مطلوب است و میتواندبه پزشکان در تشخیص سریعتر و صحیحتر بیماری آپاندیسیت حاد یاری رساند و به میزان قابل توجهی عوارض تشخیص دیرهنگام بیماری، آپاندکتومی غیرضروری، مدت اقامت بیمار در بیمارستان و هزینه های آن را کاهش دهد. ساخت دستکشی برای جراحی از راه دور دستکشی انقلابی که به جراحان اجازه می دهد ازراه دور عمل جراحی را انجام دهند. این دستکش با همکاری شرکت اریکسون و گروه BT توسعه یافته است.شرکت اریکسون ( Ericsson ) از دستکشی بافناوری بالا رونمایی کرده است که برای جراحی لمسی ربات ها مورد استفاده قرار می گیرد. این دستکش حس لامسه را برای جراحان فراهم میآورد و به آنها اجازه می دهد عمل جراحی روی بیماران را از راه دور انجام دهند. شرکت اریکسون با همکاری گروه BT )هر دو در زمینه خدمات وتجهیزات مخابراتی فعالیت دارند( این محصول راتوسعه داد ه اند.با کمک این فناوری جراح میتواند یک دستکش ویژه بپوشد. دستکش به حسگرهایی مجهز است که لمس کردن را شبیه سازی می کنند. زمانی که جراح دست خود را حرکت می دهد، اطلاعات به یک بازوی رباتیک ارسال می شود. دست رباتیک می تواندعکس العمل نشان داده و به جراح اجازه دهد که عملیات را از راه دور کنترل کند. برای حمل و ارسال داده ها از فناوری ۵G استفاده می شود. CristianNorlin از بخش طراحی پژوهش های استراتژیک شرکت اریکسون می گوید این فناوری می تواند برای انجام معاینات نیز به کار برده شود. «اگر شما یک پزشک متخصص باشید که برای نمونه در زمینه بیماری های کلیوی مهارت دارید. چگونه می توانیدمهارت ها و تخصص خود را فراتر از بیمارستان ها و از یک شهر تا مناطق روستایی به مردم عرضه کنید؟ » استفاده از قابلیت های هوش مصنوعی در تشخیص عفونت های قلبی تهدید کننده با کمک دو برنامه جدید هوش مصنوعی، امکان تشخیص عفونت های قلبی تهدید کننده حیات بیماران و همچنین درمان زخم های باز بدون نیاز به فرآیند های معمول و زمان بر درمانی برای پزشکان فراهم شده است.پیشرفت حاضر در زمینه ی تشخیص عوارض مهلک در حالی صورت میگیرد که به اعتقاد جامعه ی پزشکی، جدا از نتایج چشم گیر آن در نجات جان انسان ها و اجتناب از اعمال جراحی تهاجمی و رنج آور، این پژوهش می تواند بدون نیاز به انجام آزمایش های متعدد به صرفه جویی میلیونی هزینه های بیمارستانی در سال کمک کند.این نرم افزار برای شناسایی بیماران دارای عفونتهای قلبی توسعه یافنه بوده و این در صورتی استکه چنین عفونت هایی با نرخ مرگ و میر بین 30تا 50 درصد، از عفونت های بسیار وخیم به شمارمی رود. تشخیص دادن التهابات غشای درونی قلب)اندوکاردیتیک( یک عمل جراحی تهاجمی محسوبمی شود و قصد از طراحی این نرم افزار تشخیصاین عفونت بدون روانه کردن لوله ی کاوشی به درون مری فرد بیمار است.تصویری که با استفادها ز داخل کردن ابزار آندوسکوپی به درون نای شخص بیمار که با کمک داروی تسکین دهنده، گرفته می شود. اصطلاحا قلب نگاری فرامری) ترانسوفاژل آندوکاردیوگرام( است که در نوع خودفرآیندی تهاجمی و گران به حساب می آید. در واقعیک عمل 30 دقیقه ای با این روش بالغ بر 2000 دلارهزینه در بر دارد و از طرفی انجام این عمل تجهیزات فنی خاصی نیاز دارد که بسیاری از بیمارستان ها فاقدآن هستند. این در حالی است که پزشکان می توانندبه جای وارد کردن لوله های پزشکی ، به وارد کردن داده های لازم به رایانه و تحلیل آن ها بپردازند. دراین شیوه ی عمل ، پزشکان ابتدا با ثبت داده هایی از جمله ضربان قلب، فشار خون، شمارش گلبولهای سفید خون، حضور ادواتی نظیر ضربان سازهای قلبی یا سایر دستگاه های تعبیه شده، دمای بدن دریافتی بیماران در رایانه، نرم افزار دستیار عمل خودرا آماده سازی میکنند. در این میان، تشخیص نهایی این بیماران نیز شامل اطلاعات داده شده به رایانه خواهد بود. در مرحله ی بعدی این الگوریتم رایانهای به تحلیل داده های موجود برای ارتباط دادن علائم بیماری با تشخیص بیماری می پردازد. در 50درصد موارد این نرم افزار می تواند ظرف کمتر از4 ثانیه یک پیش بینی محاسبه ای را با دقت 99.99درصد انجام دهد، در باقی موارد نیز این نرم افزار،بیش از 80 درصد صحت عمل داشته است. البته محققان به این مرحله بسنده نکرده و قصد دارند،گام بعدی پروژه ی هوش مصنوعی خود را روی200 مورد از پرونده ی پزشکی بیمارانی اجرا کنندکه رایانه، اطلاعی از تشخیص نهایی آن ها ندارد.تشخیص عفونت های قلبی مشکل است اما اغلب می توان آن ها را با تجویز و مصرف حدود یک هفته ای آنتی بیوتیک معالجه کرد