پژوهش اسرائیلی: هوش مصنوعی معمولا آزمایش غیرضروری پیشنهاد نمی‌کند، اما در دو تصمیم پزشکی مشکل دارد

یک پژوهش اسرائیلی که 20 اکتبر در مجله Annals of Internal Medicine منتشر شد، نشان می‌دهد شش مدل تجاری هوش مصنوعی معمولا تشخیص می‌دهند چه زمانی آزمایش یا درمان لازم نیست. اشتباه‌ها بیشتر در دو تصمیم دیده شد: درخواست سونوگرافی برای گره‌های کوچک تیروئید که اتفاقی پیدا شده‌اند و نوار قلب معمول برای بزرگسالان کم‌خطر. مطالعه پاسخ به موقعیت‌های بالینی مکتوب را سنجید و هیچ بیماری در آن ثبت‌نام یا درمان نشد.

سنجش هم‌زمان اقدام و خودداری

دین آریل از خدمات درمانی کلالیت و دانشگاه تل‌آویو، گای لابان از دانشگاه بن‌گوریون در نقب و استاو اندلمن از بیمارستان بیلینسون در مرکز پزشکی رابین و دانشگاه تل‌آویو این پژوهش را انجام دادند. پرسش اصلی کاربردی بود: آیا هوش مصنوعی می‌تواند مداخله کم‌فایده را تشخیص دهد و در عین حال، وقتی مراقبت لازم است آن را توصیه کند؟

این توازن در طراحی آزمایش لحاظ شد. سامانه‌ای که همه آزمایش‌ها را رد کند، در بعضی پرسش‌ها موفق می‌شود و در بعضی دیگر می‌تواند خطرناک باشد. پژوهشگران بنابراین دو نتیجه را جداگانه سنجیدند: توصیه مداخله غیرضروری و خودداری نادرست از اقدام مناسب. مواردی در یک حوزه پزشکی به مدل‌ها داده شد که تصمیم‌های متفاوتی می‌طلبیدند.

از 225 سناریو تا 4,050 پاسخ

گروه، 15 توصیه را از طرح Choosing Wisely انتخاب کرد؛ ابتکاری از بنیاد هیئت آمریکایی طب داخلی برای گفت‌وگو درباره مراقبت غیرضروری. برای هر توصیه، 10 سناریو نوشته شد که خودداری در آنها درست بود و پنج سناریو که به اقدام نیاز داشت. در مجموع 225 موقعیت شکل گرفت.

شش مدل متعلق به OpenAI، آنتروپیک و گوگل در فوریه و مارس 2026 از طریق رابط‌های برنامه‌نویسی تجاری خود، هر سناریو را سه بار پاسخ دادند. حاصل، 4,050 پاسخ بود که از نظر هر دو نوع خطا بررسی شد. درخواست‌ها از دید پزشک نوشته شده بود. دسته‌بندی پاسخ‌ها با یک مدل داور و داوری پزشکان انجام شد؛ روشی که بخشی از چارچوب ارزیابی نتایج است.

تمرکز بیشتر خطاها در دو توصیه

نرخ کلی توصیه به مداخله اضافی 5.4% بود. در هشت گروه از 15 گروه توصیه‌ها، مدل‌ها هیچ اقدام غیرضروری پیشنهاد نکردند. خودداری اشتباه از اقدام لازم در 0.6% پاسخ‌ها دیده شد و در 11 گروه اصلا رخ نداد. بالاترین میزان این خطا، 3.3%، مربوط به غربالگری آنتی‌ژن اختصاصی پروستات بود.

ضعف بزرگ‌تر در درخواست آزمایش اضافی ظاهر شد. مدل‌ها در 42.8% پاسخ‌های مربوط، سونوگرافی غیرضروری تیروئید و در 28.3% موارد، نوار قلب معمول توصیه کردند. این تمرکز اهمیت بالینی دارد: میانگین کلی امیدوارکننده می‌تواند با توصیه‌های کم‌اعتماد درباره یک پرسش مشخص در مطب همراه باشد.

دشواری‌هایی که از اختلاف پزشکی می‌آیند

دانشگاه بن‌گوریون گفت نتایج تیروئید، تفاوت رویکرد انجمن تیروئید آمریکا و کالج رادیولوژی آمریکا درباره گره‌های کوچک و اتفاقی را بازتاب می‌دهد. در سناریوهای نوار قلب نیز اشاره به تپش قلب تصمیم را پیچیده‌تر می‌کرد، زیرا این علامت در موقعیت بالینی مناسب می‌تواند بررسی بیشتر را توجیه کند.

لابان از اختلاف زیاد بین مدل‌ها در پاسخ به موارد یکسان نیز خبر داد. در بعضی موقعیت‌های محل بحث، یک مدل در کمتر از 10% موارد آزمایش اضافی توصیه کرد، در حالی که این رقم برای مدلی دیگر 80% بود. دانشگاه این تفاوت را نشانه‌ای دانست که پاسخ روان یک چت‌بات ممکن است اختلاف چشمگیر میان سامانه‌های آموزش‌دیده با اطلاعات پزشکی را پنهان کند.

چرا Choosing Wisely مبنای آزمون شد

بنیاد ABIM این طرح را در 2012 با توصیه‌های انجمن‌های تخصصی پزشکی آغاز کرد. هدف اصلی، کمک به پزشک و بیمار برای بررسی این بود که مداخله پیشنهادی در شرایط همان فرد فایده کافی دارد یا نه. طرح، آزمایش اضافی را مسئله‌ای در کیفیت مراقبت می‌دانست؛ از جمله به دلیل آسیبی که اقدامات بعدی ناشی از یافته‌های اتفاقی می‌توانند ایجاد کنند.

این پیشینه، منطق موارد جفت‌شده در پژوهش را روشن می‌کند. با تغییر سابقه پزشکی، همان تصویربرداری، دارو یا غربالگری ممکن است مناسب شود. سنجش این تغییر تصمیم، از درخواست بازگویی یک توصیه مستقل دشوارتر است و نقاطی را هم نشان می‌دهد که راهنماهای بالینی در آنها امکان قضاوت‌های متفاوت می‌دهند.

آزمون بعدی، گفت‌وگوی واقعی است

آریل در مصاحبه 31 اکتبر با جروزالم پست گفت مدل‌ها فقط به زبان انگلیسی آزموده شدند و اعتبارسنجی کاربرد بالینی آنها به پژوهش بیشتری نیاز دارد. مطالعه از یک درخواست بدون پرسش‌های پیگیرانه استفاده کرد. بنابراین روشن نکرد که دستیار در برابر بیماری نگران که بر آزمایش دیگر اصرار دارد، بر توصیه درست خود می‌ماند یا نه.

پژوهشگران این تعامل را پرسش مهم بعدی دانستند. تحقیقات بالینی آینده‌نگر باید پیامدها برای بیماران و تدابیر حفاظتی عملی را هم بسنجند و موفقیت را صرفا با تعداد آزمایش‌های حذف‌شده اندازه نگیرند. سهم کنونی این پژوهش، شرح دقیق موقعیت‌هایی است که مدل‌ها در آنها درست خودداری کردند، مراقبت لازم را کنار گذاشتند یا همچنان با تصمیمی دشوار روبه‌رو ماندند.