خلاصه مدیریتی

بیان/ شرح مسئله

پزشکی خانواده و نظام ارجاع به‌عنوان موضوعات اصلی نظام سلامت، نقش کلیدی را در تضمین دسترسی به مراقبت‌های بهداشتی باکیفیت و بهینه‌سازی استفاده از منابع محدود سلامت ایفا می‌کنند. در فرایندهای سنتی این حوزه چالش‌های مهمی مانند وقت‌گیر بودن فرایندهای اداری، نبود امکان پیگیری مناسب، دسترسی نداشتن به داده‌های سلامت بیمار به‌طور یکپارچه و... وجود دارد. این چالش‌ها کارایی و کیفیت نظام ارجاع و مراقبت‌های اولیه را تحت تأثیر قرار می‌دهد و زمینه‌ساز خطاها، هدررفت منابع و نارضایتی بیماران می‌شوند.

فناوری هوش مصنوعی در حوزه سلامت امکان پاسخ‌گویی به بسیاری از مشکلات و بهبود بسیاری از فرایندها، ازجمله پزشکی خانواده و نظام ارجاع، را فراهم می‌آورد و در خودکارسازی فرایندهای مستندسازی، تحلیل و یکپارچه‌سازی داده‌های بالینی، افزایش دقت و تسریع در تصمیم‌گیری‌های بالینی، بهینه‌سازی مسیرهای ارجاع و تسهیل تعامل و ارتباط مؤثر میان بیماران و ارائه‌دهندگان خدمات، ظرفیت ایجاد تحول و ارتقای ساختاری در نظام پزشکی خانواده و نظام ارجاع را دارد. بااین‌حال، به‌کارگیری بهینه این فناوری در نظام ارجاع و پزشکی خانواده مستلزم شناسایی دقیق ملاحظات و مسائل کلیدی، تدوین سیاست‌های کارآمد و ایجاد سازوکارهای فنی و انسانی در راستای بهره‌برداری بهینه از آن است.

گزارش پیش‌رو با رویکردی تطبیقی، به ‌مرور و تحلیل تجربیات کشورهای دنیا در زمینه به‌کارگیری هوش مصنوعی در نظام ارجاع و پزشکی خانواده می‌پردازد. هدف این مطالعه، استخراج تجارب کشورها و ارائه پیشنهادهای کاربردی برای نظام سلامت ایران است.

نقطه‌نظرات/ یافته‌های کلیدی

کشورهای مختلف با تمرکز بر تدوین استانداردهای عملکردی و اخلاقی بومی، سرمایه‌گذاری در زیرساخت دیجیتال، آموزش نظام‌مند کادر درمان و وضع مقررات حمایتی، توانسته‌اند فناوری‌های هوش مصنوعی را در پزشکی خانواده و نظام ارجاع به ‌کار گیرند و استفاده از ابزارهای پشتیبان تصمیم‌گیری بالینی مانند سامانه‌های هشدار دارویی، پیش‌بینی ریسک و خودکارسازی نوبت‌دهی برای بهبود کیفیت ارجاع و افزایش مشارکت بیمار، مدیریت بیماری‌های مزمن، بهینه‌سازی مسیرهای ارجاع و تسهیل تبادل اطلاعات میان ارائه‌دهندگان خدمات بهداشتی، استفاده هم‌زمان از پلتفرم‌های تلفن همراه برای تعامل مستمر با بیماران، تحلیل پیش‌بینی ریسک و یادآوری‌های خودکار ازجمله مزایای این فناوری در حوزه نظام ارجاع و پزشکی خانواده ذکر شده است. برای مثال، سامانه «پزشک خوب پینگ آن» در چین با ادغام خدمات آنلاین و حضوری، ارجاعات هوشمند را تسهیل می‌کند و با همکاری بیمارستان‌ها و داروخانه‌ها، مراقبت جامع ارائه می‌دهد. در آمریکا، «سامانه هوش مصنوعی ارجاع پزشکی» و «شاخص راثمن» ارجاعات و مراقبت پیشگیرانه را بهینه کرده‌اند. مصر نیز با مدل «لاما۳-اوپن‌بیوال‌ال‌ال‌ام-۷۰بی + وی‌آی‌تی» تحلیل داده‌های بالینی را بهبود بخشیده است و دانمارک و هلند با توسعه زیرساخت‌های دیجیتال پیشرفته، ارجاعات را کارآمدتر کرده‌اند.

در ایران نیز طی دهه‌های گذشته با پافشاری بر هوشمندسازی نظام سلامت، این مهم در قوانین سال‌های اخیر، به‌ویژه قانون برنامه هفتم پیشرفت، قوت گرفته و بر آن تأکید شده است که پزشک خانواده و نظام ارجاع هم در همین بستر پیاده‌سازی شود. اگرچه باوجود چالش‌هایی پیش‌روی اجرای قوانین در این خصوص، مواردی چون فقدان چارچوب‌ها و استانداردهای کافی برای ارزیابی، نظارت و مسئولیت‌پذیری؛ ابهام در نقش بازیگران و نهادهای متولی و فقدان هماهنگی کافی بین آنها؛ نظام‌های جزیره‌ای اطلاعات که گاهی هم داده‌های باکیفیتی ندارند؛ انحصار دسترسی به داده‌های سلامت و نبود سازوکار مؤثر اشتراک‌گذاری؛ ضعف سیاستگذاری حمایتی و نبود ‌توجه کافی به ابعاد کسب‌وکاری سلامت دیجیتال؛ نگرانی‌های مربوط به امنیت داده‌ها و بحران‌های سایبری و... دیده می‌شوند که به‌عنوان مانعی برای بهره‌برداری مؤثر، ایمن و پایدار از هوش مصنوعی در پزشکی خانواده و نظام ارجاع به آنها اشاره می‌شود.

پیشنهاد راهکار تقنینی، نظارتی یا سیاستی

به‌منظور زمینه‌سازی برای بهره‌برداری مؤثر از هوش مصنوعی در استقرار و پیشبرد برنامه پزشکی خانواده و نظام ارجاع پیشنهاد می‌شود موارد مندرج در جدول ذیل در دستور کار سیاستگذاران قرار گیرد:

راهکارها و توصیه‏ های سیاستی در بهره‏ گیری از هوش مصنوعی در برنامه پزشکی خانواده و نظام ارجاع

مآخذ: یافته های پژوهش.

1. مقدمه

ظهور هوش مصنوعی در حوزه مراقبت‌های بهداشتی، تحولی در پزشکی خانواده و شبکه‌های ارجاع ایجاد کرده که امکان بهبود دقت تشخیص، تسهیل فرایندهای کاری و شخصی‌سازی مراقبت از بیماران را فراهم کرده است. بهره‌مندی از قابلیت‌های هوش مصنوعی در پزشکی خانواده، به‌عنوان حرفه‌ای که بر مراقبت جامع، پیوسته و متمرکز بر بیمار تأکید دارد، تأثیر بسزایی در بهبود نتایج سلامت خواهد داشت [1-3].

نبود ادغام هوش مصنوعی در ساختارهای مراقبت اولیه، به‌ویژه در پزشکی خانواده و نظام ارجاع، به تشدید ناکارآمدی‌های تشخیصی، تأخیرهای ساختاری در فرایندهای ارجاعی و نابرابری‌های دسترسی به خدمات سلامت منجر می‌شود. نظام‌های ارجاع سنتی، که اغلب بر پایه مستندسازی دستی و ارتباطات ناهماهنگ بین سطوح مراقبت (مانند مراقبت‌های اولیه و ثانویه) استوارند، با پدیده‌هایی نظیر نشت ارجاعی و تکه‌تکه ‌شدن مراقبت مواجه‌اند که منجر به کاهش کیفیت کلی خروجی‌های بالینی می‌شوند و بار کاری پزشکان را افزایش می‌دهند.

هوش مصنوعی قادر به تحلیل حجم عظیمی از داده‌ها، ازجمله اطلاعات ژنتیکی، سبک زندگی و بالینی‌اند که امکان شناسایی زودهنگام افرادِ در معرضِ خطر ابتلا به بیماری‌هایی مانند بیماری‌های قلبی - عروقی را فراهم می‌کند و از این طریق، مداخلات پیشگیرانه به‌موقعی را میسر می‌سازد [4، 5]. این فناوری زمان بررسی نتایج آزمایش‌ها، تصویربرداری‌ها و داده‌های مربوط به مراجعات یا بستری‌های قبلی بیمار را تا ۱۸ درصد کاهش می‌دهد، بدون آنکه دقت را به خطر اندازد [6، 7]. سامانه‌های هوش مصنوعی همچنین خطرهای مربوط به استفاده از داروها را با تشخیص تداخلات دارویی، حساسیت‌ها و مشکلات پیروی از درمان توسط بیمار بهینه می‌کنند و بدین ترتیب ایمنی بیمار را ارتقا می‌دهند [8]. خودکارسازی برنامه‌ریزی مراجعات افراد تحت پوشش پزشک خانواده، شامل یادآوری وقت ملاقات و پیگیری غربالگری، حجم کارهای اداری را کاهش می‌دهد و از فرسودگی شغلی پزشکان، که مسئله مهمی در مراقبت‌های اولیه است، جلوگیری می‌کند [9]. در طول معاینه و تشخیص، هوش مصنوعی حساسیت و ویژگی تشخیص را با ارائه تفسیرهای لحظه‌ای و کاهش سوگیری ارتقا می‌بخشد [10]. فناوری‌های پایش مداوم، پیروی بیمار از درمان را تقویت، و مراقبت پیشگیرانه را به‌موقع یادآوری می‌کنند که برای مدیریت بیماری‌های مزمن و بهبود نتایج بلندمدت حیاتی محسوب می‌شوند [11].

سامانه‌های ارجاع مدرن مجهز به هوش مصنوعی با قابلیت‌هایی مانند خودکارسازی فرایندهای ارجاع، سازوکارهای مرتبط با بیمه، تعیین زمان ملاقات برای بیمار ارجاع شده، پیگیری نتیجه ارجاع باعث افزایش بهره‌وری نظام ارجاع می‌شوند. این نوآوری‌ها زمان پردازش ارجاعات را از هفته‌ها به روزها کاهش، و حجم ارجاعات موفق را افزایش داده‌اند [8، 11]. شبکه‌های ارجاع بهبودیافته با هوش مصنوعی همچنین دسترسی به مراقبت‌های بهداشتی را برای جمعیت‌های محروم و عدالت در نظام سلامت افزایش داده‌اند [10، 12]. پرونده‌های الکترونیکی سلامت اساس توسعه و کاربرد مؤثر هوش مصنوعی در پزشکی خانواده و شبکه‌های ارجاع‌ هستند. پرونده‌های الکترونیکی سلامت داده‌های جامع بیماران را فراهم می‌کنند [13].

هوش مصنوعی به‌عنوان فناوری تحول‌آفرین، قابلیت ارتقای دقت تشخیص، کارایی عملیاتی و ارائه خدمات بیمارمحور در نظام پزشکی خانواده و شبکه‌های ارجاع را داراست. بااین‌حال، بهره‌مندی از این ظرفیت مستلزم تدوین چارچوب‌های سیاستی جامع و منسجم برای مواجهه با چالش‌های آن، ازجمله حفظ ارزش‌های انسانی در مراقبت‌های پزشکی، رعایت اصول اخلاقی و حقوقی، تضمین شفافیت فرایندها و تحقق عدالت در دسترسی به خدمات سلامت است. اتخاذ رویکرد چندرشته‌ای با مشارکت متخصصان پزشکی، توسعه‌دهندگان فناوری هوش مصنوعی، کارشناسان اخلاق و سیاستگذاران نظام سلامت برای بهره‌برداری مسئولانه از قابلیت‌های این فناوری ضروری است [3، 4، 12، 14].

در مواد (69) و (70) قانون برنامه پنج‌‌ساله هفتم پیشرفت جمهوری اسلامی ایران (۱۴۰7ـ ۱۴۰3) بر لزوم اجرای طرح پزشکی خانواده و نظام ارجاع تأکید شده است [15]. ابزارهای هوش مصنوعی به ارتقای پزشکی خانواده و نظام ارجاع کمک کرده، دستیابی به اهداف تعیین شده در ماده (68) قانون مذکور را تسهیل می‌کنند. 

باتوجه‌به این نکات بهره‌گیری از تجربیات کشورهای پیشرو در این زمینه بسیار کمک‌کننده خواهد بود. هدف مطالعه فعلی بررسی تجارب بین‌المللی در به‌کارگیری هوش مصنوعی و ابزارهای مرتبط با آن در پزشکی خانواده و شبکه ارجاع بین سطوح مختلف نظام سلامت است. همچنین این گزارش به شناخت چالش‌ها و ملاحظات پیاده‌سازی هوش مصنوعی در این حوزه پرداخته است تا درس‌آموخته‌هایی برای ارتقای ساختاری نظام سلامت ایران ارائه شود. بدین منظور، در بخش‌های بعدی گزارش به تفصیل به بررسی هریک از کشورها و ابزار هوش مصنوعی مربوطه پرداخته می‌شود. معیار انتخاب این کشورها برای بررسی، میزان پیشرفت آنها در زمینه توسعه هوش مصنوعی با هدف کاربرد در نظام سلامت و به‌خصوص پزشکی خانواده براساس اطلاعات منتشر شده تا زمان تدوین گزارش بوده است.

2. پیشینه پژوهش

در دهه‌های اخیر، مرکز پژوهش‌های مجلس در قالب پژوهش‌ها و گزارش‌های تحلیلی مختلف با رویکردی چندرشته‌ای، ابعاد بنیادین پزشک خانواده، هوش مصنوعی و پرونده الکترونیک سلامت را از منظرهای علمی، حقوقی و سیاستگذاری بررسی کرده است. از میان این گزارش‌ها، در گزارشی با عنوان «اظهارنظر کارشناسی درباره طرح: الزام اجرای نظام ارجاع مبتنی‌بر پزشک خانواده» تلاش شده است تا چالش‌ها و موانع استقرار جامع نظام ارجاع با تمرکز بر نقش تعیین‌کننده پزشک خانواده در بهبود مدیریت خدمات سلامت، ارتقای کیفیت خدمات، کاهش هزینه‌ها و تحقق عدالت در دسترسی به مراقبت‌های اولیه و تخصصی بررسی شود. به‌علاوه این گزارش به تحلیل سیاست‌ها، زیرساخت‌ها و راهکارهای بهینه‌سازی اجرای نظام ارجاع به‌منظور تضمین عملکرد اثربخش و پایدار طرح نیز پرداخته است [16]. همچنین در گزارش دیگری با عنوان «بررسی برنامه پزشکی خانواده در اسناد و قوانین بالادستی و پیش‌آزمایی شهری برنامه در ایران»، به بررسی چالش‌های مدیریتی، زیرساختی و مشارکتی برنامه پزشکی خانواده در ایران می‌پردازد و راهکارهایی برای تقویت و توسعه آن ارائه می‌دهد [17]. علاوه‌براین، در زمینه پرونده الکترونیک سلامت گزارشی تحت عنوان «بررسی پرونده الکترونیک سلامت در ایران: الزامات قانونی و چالش‌های اجرا» به تحلیل موانع قانونی و اجرایی استقرار یکپارچه و امن پرونده الکترونیک سلامت در کشور و ارائه راهکارهای اصلاحی ساختاری، مدیریتی و حفظ حریم خصوصی داده‌ها به‌منظور بهبود نظام سلامت پرداخته است [18]. در حوزه هوش مصنوعی نیز چندین گزارش تحت عناوین مختلف منتشر شده‌اند که ازجمله آنها می‌توان به «توسعه هوش مصنوعی (۳): ارائه تصویری از توسعه هوش مصنوعی در سطح جهان و ایران»، «اظهارنظر کارشناسی درباره: «طرح ملی توسعه هوش مصنوعی»»، «حکمرانی داده و نقش آن در توسعه هوش مصنوعی در ایران» و «فرصت‌ها و ملاحظات هوش مصنوعی در نظام سلامت (1): مروری بر مستندات و مطالعات ایران و جهان» اشاره کرد. این گزارش‌ها به تحلیل جامع وضعیت و روند توسعه هوش مصنوعی در سطح جهانی و ایران می‌پردازند و ارزیابی علمی و انتقادی با تمرکز بر جنبه‌های سیاستگذاری و برنامه‌ریزی راهبردی از «طرح ملی توسعه هوش مصنوعی» ارائه می‌دهند. همچنین اهمیت حکمرانی داده به‌عنوان زیربنای توسعه مستقل، امن و پایدار فناوری هوش مصنوعی به‌دقت بررسی شده است. افزون‌بر این، فرصت‌ها و چالش‌های فنی، اخلاقی و مدیریتی کاربرد هوش مصنوعی در نظام سلامت با رویکردی مبتنی‌بر مستندات و مطالعات بین‌المللی و ملی، واکاوی شده و چارچوب‌هایی برای ارتقای سیاست‌ها، ساختارهای نهادی و کلان مدیریتی در این حوزه ارائه شده است [19-22]. شواهد به‌دست‌آمده از مطالعات انجام شده در داخل و خارج از ایران، به بررسی نقش هوش مصنوعی در نظام سلامت، به‌ویژه در حوزه پزشک خانواده و نظام ارجاع پرداخته‌اند که عمدتاً بر فرصت‌ها و چالش‌های فنی، مدیریتی و قانونی این فناوری تأکید دارد؛ این پژوهش‌ها اهمیت توسعه حکمرانی داده، حفظ حریم خصوصی و اصلاح چارچوب‌های قانونی را برای بهره‌برداری ایمن و مؤثر از هوش مصنوعی در بهبود کیفیت و عدالت دسترسی به خدمات سلامت برجسته می‌کنند [23-31].

3. بررسی تجربیات کشورها در به‌کارگیری هوش مصنوعی در پزشکی خانواده و نظام ارجاع

باتوجه‌به اهمیت استفاده از فناوری‌های نوین در بهبود نظام‌های سلامت، در این بخش به مرور تجربیات برخی کشورهای پیشرو در زمینه به‌کارگیری هوش مصنوعی در پزشکی خانواده و نظام ارجاع پرداخته می‌شود. انتخاب این کشورها براساس معیارهایی مانند سطح توسعه فناوری، پیشرو بودن نظام سلامت و دسترسی به داده‌های مربوط صورت گرفته است.

3-1. چین

در سال‌های اخیر، نظام بهداشت و درمان چین دچار اصلاحات قابل‌ توجهی شده است که هدف آن بهبود دسترسی، افزایش کیفیت و کارایی به‌ویژه در مراقبت‌های اولیه و شبکه‌های ارجاع است. هوش مصنوعی به‌عنوان فناوری ‌محوری در این تحول، به چالش‌هایی مانند توزیع نابرابر منابع، ازدحام بیماران در بیمارستان‌ها و تداوم ناکافی مراقبت‌ها پاسخ می‌دهد. یکی از ابتکارات پیشرو، هوش مصنوعی «پزشک خوب پینگ آن» است که با بهره‌گیری از هوش مصنوعی، خدمات پزشکی خانواده را با شبکه ارجاع هوشمند ادغام می‌کند تا مراقبت جامع و متمرکز بر بیمار ارائه دهد.

سیستم بهداشت و درمان چین از دیرباز مبتنی‌بر مدل بیمارستان‌محور بوده است است که بیماران اغلب بدون مراجعه به سطوح اولیه نظام ارجاع، به‌طور مستقیم به متخصصان یا بیمارستان‌ها مراجعه می‌کنند. این رفتار منجر به ازدحام در بیمارستان‌ها و استفاده ناکارآمد از منابع بهداشتی می‌شود (۳۲،۳۳). توزیع نابرابر منابع بهداشتی با تمرکز در بیمارستان‌های تخصصی شهری، نابرابری‌های دسترسی به مراقبت باکیفیت را تشدید می‌کند [32]. باوجود برنامه اجرای سیستم پزشک خانواده در سال 2011 توسط کمیسیون ملی بهداشت چین، چالش‌هایی جدی مانند کمبود پزشکان خانواده واجد شرایط، بی‌اعتمادی بیماران به کیفیت مراقبت‌های اولیه و نبود انسجام پرونده‌های پزشکی بر سر تحقق اهداف این طرح وجود داشته است [25، 27، 28]. تمایل کم بیماران به استفاده از مراقبت‌های اولیه و نبود فرایندهای مؤثر ارجاع، به ناکارآمدی‌های نظام ارجاع منجر می‌شود [33، 34]. همچنین یکپارچه نبودن پرونده‌های پزشکی در میان مؤسسات، هماهنگی مراقبت و فرایندهای ارجاع را پیچیده‌تر می‌کند [28]. با ‌توجه به این چالش‌ها، دولت چین ادغام هوش مصنوعی در بهداشت و درمان را به‌عنوان بخشی از استراتژی‌های ملی گسترده‌تر در اولویت قرار داده است.

سامانه پزشک خانواده پینگ آن، نمونه‌ای برجسته از تحول مبتنی‌بر هوش مصنوعی در پزشکی خانواده و شبکه‌های ارجاع در چین است که تا انتهای سال 2023، بیش از ۱۳ میلیون کاربر ثبت‌نام شده داشته است [35، 36].

براساس تحلیل مؤسسه ARK Invest (2021)، با بهره‌گیری از این پلتفرم، هر پزشک قادر است روزانه تا ۱۵۹ بیمار را ویزیت و مدیریت کند، درحالی‌که میانگین ویزیت پزشک سنتی در بیمارستان‌های چین فقط ۹ بیمار در روز است. این امر به‌معنای افزایش ۱۷.۷ برابری ظرفیت خدمات‌رسانی فردی است. چنین ارتقای چشمگیری، بخش قابل توجهی از تقاضای مراقبت‌های اولیه را از محیط‌های آفلاین به بستر آنلاین منتقل کرده و درنتیجه، ارجاعات غیرضروری به بیمارستان‌های درجه‌ یک، که غالباً با صف‌های طولانی و ازدحام شدید مواجه‌اند، به‌طور معناداری کاهش یافته است [37].

این رویکرد نه‌فقط تقاضای غیرضروری را کاهش می‌دهد، بلکه با هدایت هوشمند بیماران به سطوح مناسب مراقبت، ازدحام بیش از حد در بیمارستان‌ها را تسکین می‌بخشد و منابع محدود را بهینه‌سازی می‌کند. علاوه‌بر این، برنامه «پزشک خانواده» سامانه، که تا سال ۲۰۲۴ بیش از ۱۴ میلیون عضو را جذب کرده و میانگین پنج استفاده به‌ازای هر نفر را ثبت کرده، با ارائه خدمات مدیریت پیوسته بیماری‌های مزمن از طریق پلتفرم یکپارچه، پایبندی بیماران به درمان را افزایش داده است. این بهبود پایبندی، شمار بستری‌های غیرضروری را به‌طور چشمگیری کاهش داده و چرخه مراقبت را به‌صورت یکپارچه و پیوسته کامل کرده است [38]. برآورد مشترک اداره ملی بیمه سلامت چین، مک‌کنزی و پلتفرم «پینگ ‌آن» حاکی از آن است که تا پایان سال ۲۰۲۵، ۵۰ درصد کل خدمات مراقبتی کشور به‌صورت آنلاین ارائه خواهد شد. این تحول، ضمن کاهش فشار بر بیمارستان‌های درجه‌یک، بازاری به ارزش ۳۲۰ میلیارد یوان (معادل ۵۰ میلیارد دلار) ایجاد می‌کند که بزرگ‌ترین فرصت صرفه‌جویی ساختاریافته در تاریخ نظام سلامت چین به شمار می‌رود [37]. این آمار نشان‌دهنده مقبولیت و نفوذ گسترده این سامانه در چین است که توانسته است مراقبت‌های پزشکی خانواده را با ایجاد یک مدل ترکیبی از خدمات برخط و حضوری در دسترس بیماران قرار دهد [38، 39].

این سامانه در ارزیابی‌های انجام شده توسط سازمان جهانی پزشکان خانواده در سال ۲۰۲۴ امتیازهای بالایی در زمینه مقیاس‌پذیری، جامعیت و اعتبار خدمات دیجیتال پزشکی خانواده به دست آورده که نشان می‌دهد این سامانه توانسته است خدمات چندرشته‌ای، پیشگیری، مراقبت حضوری و دسترسی ویژه به بیماران سالمند و دارای بیماری‌های مزمن را به‌طور مؤثر ارائه دهد [39]. از دیگر امکانات این سامانه فراهم‌ کردن امکان تشخیص بیش از 5000 بیماری با کمک ابزار هوش مصنوعی است. این فناوری‌ها به پزشکان خانواده کمک می‌کند تا بیماران را به‌صورت بهینه غربالگری کنند و ارجاع دهند و از مراجعه غیرضروری به بیمارستان‌های بزرگ جلوگیری کنند [38، 39]. همچنین مدل مدیریت مراقبت «پینگ آن»، که بر پایه همکاری بین بیمه، پزشک خانواده و خدمات آنلاین-آفلاین استوار است، به ایجاد چرخه بسته‌ای از خدمات «بیمه + خدمات سلامت» کمک می‌کند که ضمن کنترل هزینه‌ها، کیفیت خدمات را نیز تضمین می‌کند [40]. این مدل باعث می‌شود که بیماران بتوانند بیماری‌های مهم را در مرکز استان خود، بیماری‌های متوسط را در سطح شهرستان یا شهر و بیماری‌های ساده‌تر را در مراکز نزدیک به محل زندگی خود مدیریت کنند که منطبق با اهداف برنامه سلامت چین ۲۰۳۰ است [41، 42].

3-2. ایالات متحده آمریکا

برنامه استراتژیک وزارت بهداشت و خدمات انسانی آمریکا، که در سال 2025 منتشر شده است، به لزوم تسریع به‌کارگیری هوش مصنوعی در حوزه سلامت می‌پردازد و فرصت‌ها و ریسک‌های آن را تشریح می‌کند. ازجمله فرصت‌ها می‌توان امکان چت کردن بیماران با هوش مصنوعی، پشتیبانی از تصمیم‌گیری‌های بالینی پزشکان، استفاده از ابزارهای ارزیابی خطر برای مراقبت پیشگیرانه، افزایش کارایی عملیاتی و توسعه پزشکی از راه دور اشاره کرد. این برنامه به خطرهای مهمی مانند حفظ حریم خصوصی داده‌ها، سوگیری الگوریتمی، نبود شفافیت و ابهام در مقررات موجود، نیاز به آموزش نیروی کار و مسائل مربوط به رضایت بیمار نیز اشاره می‌کند. هرچند این برنامه الزام‌آور نیست، از ارائه‌دهندگان خدمات سلامت می‌خواهد سیاست‌هایی شفاف برای استفاده از هوش مصنوعی تدوین کنند، در آموزش کارکنان سرمایه‌گذاری و امنیت داده‌ها را تقویت کنند، ذی‌نفعان را مشارکت دهند و مقررات درحال تحول را به‌دقت دنبال کنند؛ این برنامه بر احتیاط و پایبندی به قوانین به هنگام گسترش نقش هوش مصنوعی در حوزه سلامت تأکید دارد [43].

بدین منظور توسط شرکت‌های مختلف ابزارهای گوناگونی طراحی و به‌کارگیری شده‌اند که در ادامه چند نمونه از آنها معرفی می‌شوند.

سامانه هوش مصنوعی ارجاع پزشکی توسط شرکتی از سال ۲۰۱۴ برای بهبود مدیریت شبکه ارجاع توسعه یافت و از سال ۲۰۲۱ با ابزارهای هوش مصنوعی، خدماتی چون مدیریت ارجاع، مشاوره الکترونیکی، پذیرش و زمان‌بندی ویزیت را خودکار کرده است؛ این سامانه با داشبورد مرکزی، درصورت مراجعه نکردن بیمار، پایش فرایند ارجاع و هشدار را امکان‌پذیر کرده و موجب افزایش دقت، کاهش زمان و صرفه‌جویی اداری قابل توجه شده است [44]. این سامانه توانسته است تأثیر بسزایی بر ارائه خدمات بهداشتی در ایالات متحده داشته باشد. مطالعات نشان می‌دهند که سیستم‌های ارجاع مبتنی‌بر هوش مصنوعی مستندات ارجاع را با دقت ۹۸ درصد بررسی می‌کنند و زمان پردازش را از میانگین ۲۳ روز به فقط ۱.۵ روز کاهش می‌دهند. براساس آمار اعلام شده توسط شرکت توسعه‌دهنده، کاربران این سامانه در بازه زمانی پنج‌ساله ۱۵ درصد افزایش در حجم ارجاع، ۱۲۰۰ ساعت صرفه‌جویی در کارهای اداری و ۴۵۱ درصد بازگشت سرمایه را کسب کرده‌اند [7، 45]

سامانه سلامت واتسون نیز یک پلتفرم هوش مصنوعی پیشرفته است که با بهره‌گیری از داده‌های بالینی و یادداشت‌های پزشکی، پزشکان را در تشخیص و درمان یاری می‌دهد و مشاوره ۲۴ ساعته ارائه می‌کند [46]. باوجود کارایی بالا، این سامانه نیز با چالش‌هایی مواجه بوده است که می‌توان به نداشتن مهارت کافی افراد در استفاده از آن و پیچیدگی‌های داده‌های پزشکی اشاره کرد. برای فائق آمدن به این چالش‌ها لازم است توسعه نرم‌افزار ضمن تعامل نزدیک با کارکنان نظام سلامت ادامه یابد [47]. این سامانه همچنان درحال تکامل است و هدف آن بهبود دقت تشخیص، شخصی‌سازی درمان و افزایش هماهنگی مراقبت است. توسعه مداوم آن بر گسترش پوشش بیماری، بهبود قابلیت تفسیر هوش مصنوعی و پشتیبانی از مدل‌های مراقبت مبتنی‌بر ارزش برای دستیابی به نتایج بهتر سلامت در سطح جهانی متمرکز است [46، 48].

همچنین ابزار شاخص راثمن یک مدل تحلیلی پیش‌بینی است که با تلفیق داده‌های بالینی از پرونده الکترونیک سلامت، وخامت بیمار را به‌صورت عددی نشان می‌دهد [49]. این ابزار در پزشکی خانواده به شناسایی بیماران پرخطر، نظارت بر روند بیماری و تسهیل ارجاع کمک می‌کند و با به‌روزرسانی پویا، مراقبت پیشگیرانه و کاهش بستری‌های غیرضروری را بهبود می‌بخشد [50، 51]؛ اما محدودیت‌هایی مانند شفافیت الگوریتم و نیاز به زیرساخت‌های مناسب دارد [52]. بااین‌حال، ادغام هوش مصنوعی در این حوزه چالش‌های اخلاقی جدی ازجمله نقض حریم خصوصی و تضعیف رابطه پزشک - بیمار را به همراه دارد. در ایالات متحده آمریکا، سازوکار حفاظت از حریم خصوصی در حوزه هوش مصنوعی مراقبت‌های بهداشتی عمدتاً بر پایه قانون حمل‌پذیری و پاسخ‌گویی بیمه سلامت HIPAA)) استوار است که الزامات سخت‌گیرانه‌ای برای حفاظت از اطلاعات سلامت محافظت ‌شده PHI)) تعیین می‌کند. این چارچوب با تکنیک‌های پیشرفته حریم خصوصی مانند ناشناس‌سازی و شبه‌نام‌سازی تقویت می‌شود تا شناسه‌های شخصی از مجموعه داده‌ها حذف یا جایگزین شوند و خطر شناسایی مجدد به‌طور قابل توجهی کاهش یابد. علاوه‌بر این، سیستم‌های مدیریت داده قوی، بیماران را قادر می‌سازد تا رضایت خود را برای استفاده از داده‌هایشان به‌طور شفاف اعطا، رد یا لغو کنند که این امر اعتماد بیماران را افزایش می‌دهد و انطباق با مقررات جهانی مانند مقررات عمومی حفاظت از داده را تضمین می‌کند. اصل حداقل‌سازی داده نیز الزامی است؛ به‌طوری‌که فقط داده‌های ضروری برای هدف مورد نظر جمع‌آوری شود تا ریسک نقض داده و سوءاستفاده کاهش یابد [53].

3-3. مصر

بااینکه استفاده از سامانه‌های پرونده الکترونیک سلامت در مصر در مقایسه با روندهای جهانی کُند بوده است، نوآوری‌های اخیر در زمینه ادغام هوش مصنوعی در این سامانه‌ها درحال بازتعریف پزشکی خانواده و شبکه ارجاع‌اند و آمادگی دارند تا چالش‌های دیرینه در مدیریت داده‌ها، هماهنگی مراقبت و تصمیم‌گیری بالینی را برطرف کنند [54].

یکی از این نوآوری‌ها مدل «لاما۳- اوپن‌بیوال‌ال‌ال‌ام -۷۰بی + وی‌آی‌تی» است که توسط «دانشگاه علوم و فناوری مصر-ژاپن توسعه‌یافته» است. این مدل که از حدود ۷۰ میلیارد پارامتر تشکیل شده است، تحلیل پیچیده‌ای از متن‌های بالینی و تصاویر پزشکی را در راستای بهبود فرایندهای تشخیص و تصمیم‌گیری بالینی ارائه می‌دهد. در واقع جزء اول این مدل، خلاصه‌های کاربردی از سوابق پزشکی بیماران تولید می‌کند، از امکان چت و تعامل برای پرسش‌های بالینی پشتیبانی می‌کند و گزارش‌های پزشکی را در طول مشاوره‌ها به‌صورت خودکار به وجود می‌آورد. از طرفی جزء دیگر نیز تصاویر پزشکی مانند رادیوگرافی قفسه سینه را تحلیل می‌کند تا بیماری‌هایی مانند ذات‌الریه را تشخیص دهد و به رادیولوژیست‌ها در طبقه‌بندی کمک می‌کند [54]. ارزیابی‌های کمّی نشان‌دهنده دقت بالای این سیستم در ثبت جزئیات پزشکی حیاتی است؛ هرچند همچنان تلاش‌ها برای بهبود کارایی و دقت تشخیصی آن ادامه دارد [54-56]. این سامانه روی سوابق پزشکی بیماران تمرکز می‌کند و دسترسی بی‌درنگ و ارتباط یکپارچه بین ارائه‌دهندگان مراقبت‌های سلامت را ممکن می‌سازد. این ویژگی‌ها برای تداوم مراقبت در پزشکی خانواده و ارجاع کارآمد ضروری‌اند [54]. در نظرسنجی انجام شده بر پزشکان خانواده و بیماران مشاهده شده است که بیش از ۹۱ درصد پزشکان تمایل به جایگزینی سیستم‌های کاغذی با سیستم‌های پرونده الکترونیک سلامت دارند. بخش قابل توجهی از پزشکان به نقش هوش مصنوعی در تسهیل دسترسی به داده‌ها و خلاصه‌سازی اطلاعات پزشکی اعتماد دارند؛ اگرچه هنوز نگرانی‌هایی درخصوص تصمیم‌گیری پزشکی صرفاً مبتنی‌بر هوش مصنوعی وجود دارد. این سیستم، بار کاری پزشکان خانواده و نظام سلامت را با خودکارسازی وظایف کلیدی به‌طور قابل توجهی کاهش می‌دهد. براساس نظرسنجی از ۱۲۷ متخصص پزشکی، 33/9 درصد کمک‌های هوش مصنوعی برای تحلیل رادیولوژی و تحلیل پزشکی را به‌عنوان یکی از مهم‌ترین ویژگی‌های سیستم شناسایی کردند و نتایج تحلیل آن را قبول داشتند که نشان‌دهنده پتانسیل آن برای تسریع فرایندهای تشخیصی است. به‌ویژه باتوجه‌ به اینکه 80/3 درصد از ۱۲۷ متخصص شرکت کرده در نظرسنجی، دسترسی به تاریخچه پزشکی کامل هر بیمار را مهم‌ترین ویژگی سیستم دانستند و 54/3 درصد رابط کاربری آسان و ساده را برجسته کردند که چت‌بات بخشی کلیدی از آن است. به‌علاوه، چت‌بات هوشمند سیستم، امکان جست‌وجوی سریع و پرسش‌محور از داده‌های بیمار را فراهم می‌آورد و طبق گفته پزشکان، در تحلیل سابقه پزشکی، نسخه‌ها، نتایج آزمایش‌ها، شناسایی عوامل خطر و تداخلات دارویی به‌طور مؤثر کمک می‌کند. این قابلیت مستقیماً زمان صرف ‌شده برای مرور دستی سوابق را کاهش می‌دهد. همچنین، پزشکان معتقد بودند که سیستم‌های سنتی به‌درستی توسط متخصصان استفاده نمی‌شوند، اما چت‌بات با ارائه جست‌وجوی هوشمند و خلاصه‌سازی خودکار، این شکاف را پر می‌کند و بار شناختی پزشکان خانواده را کاهش می‌دهد. علاوه‌بر ‌این، بیماران نیز بهبود دسترسی به تاریخچه پزشکی خود، کاهش ریسک گم شدن اسناد پزشکی و تسهیل فرایند نوبت‌دهی را از مزایای این سیستم‌ها می‌دانند. این داده‌ها نشانگر پوشش روبه‌رشد خدمات هوش مصنوعی در پزشکی خانواده و نظام ارجاع در مصر است که با کاهش بار کاری پزشکان، افزایش بهره‌وری و ارتقای دقت تشخیص، به بهبود کیفیت مراقبت‌های سلامت کمک می‌کند [54].

3-4. دانمارک

دانمارک به‌عنوان کشور اروپایی پیشرو در زمینه توسعه هوش مصنوعی در نظام سلامت، با بهره‌گیری از این فناوری قصد مقابله با چالش‌هایی مانند کمبود نیروی کار، مدیریت بیماری‌های مزمن و دسترسی عادلانه به مراقبت‌ها را دارد. استراتژی ملی هوش مصنوعی دانمارک (۲۰۲۴) نقشه راه کلانی برای کاربرد مسئولانه هوش مصنوعی در بخش‌های عمومی و خصوصی و در حوزه‌های مختلف ارائه می‌دهد. این استراتژی بر رویکرد انسان‌محور و اخلاقی تأکید دارد و هدف آن ارتقای خدمات عمومی، حمایت از پژوهش و رشد کسب‌وکار از طریق هوش مصنوعی است. چهار هدف اصلی این استراتژی عبارت‌اند از: ایجاد پایه اخلاقی مشترک، ترویج پژوهش در حوزه هوش مصنوعی، حمایت از نوآوری کسب‌وکار و استفاده از هوش مصنوعی برای بهبود خدمات عمومی ازجمله حوزه سلامت [57].

در حال حاضر زیرساخت دیجیتال در پزشکی خانواده دانمارک بسیار پیشرفته است و تمام پزشکان عمومی از پرونده‌های الکترونیک سلامت، ارجاعات دیجیتال و سیستم‌های ارتباطی امن استفاده می‌کنند [58]. استراتژی ملی در پی ادغام ابزارهای هوش مصنوعی برای حمایت از پزشکان عمومی در تشخیص زودهنگام، طبقه‌بندی سطح خطر و مراقبت شخصی‌سازی شده، به‌ویژه در بیماری‌های مزمن و سرطان، است [57، 58]. یکی از محورهای اصلی تمرکز دانمارک در به‌کارگیری هوش مصنوعی در نظام سلامت، بهینه‌سازی مسیرهای ارجاع بین مراقبت‌های اولیه و متخصصان است. زیرساخت دیجیتال فعلی از ارجاعات الکترونیک و اشتراک‌گذاری امن داده‌ها پشتیبانی می‌کند [58]. براساس این زیرساخت، تحلیل‌های پیش‌بینی مبتنی‌بر هوش مصنوعی درحال توسعه است تا بیمارانی که بیشترین بهره را از ارجاع به متخصص می‌برند شناسایی شوند، ارجاعات غیرضروری کاهش یابد و موارد اضطراری اولویت‌بندی شوند تا مسیرهای بیماران تسهیل گردد [57]. پیش‌بینی می‌شود این نوآوری‌ها ضمن بهبود تخصیص منابع، زمان انتظار در نظام ارجاع را کاهش، و نتایج بیماران را ارتقا دهند. استراتژی‌ها و گزارش‌های تخصصی ملی بر نیاز به پلتفرم‌های یکپارچه داده سلامت برای ادغام بی‌وقفه ابزارهای هوش مصنوعی در سراسر شبکه ارجاع تأکید دارند [59].

باوجود زیرساخت دیجیتال قوی و تعهد سیاسی دانمارک، چالش‌هایی مهمی نیز بر سر راه توسعه ابزارهای هوش مصنوعی و به‌کارگیری گسترده آنها وجود دارد:

- نیاز به مطالعات بیشتر در دنیای واقعی برای اعتبارسنجی ابزارهای هوش مصنوعی در پزشکی خانواده و اطمینان از ایمن بودن آنها [59].

- حاکمیت داده شامل تضمین حفظ حریم خصوصی، امنیت و استفاده مسئولانه از داده‌های سلامت برای حفظ اعتماد عمومی [60، 61].

- تقویت مهارت‌های دیجیتال در میان کارکنان نظام سلامت [58].

3-5. هلند

هلند نیز مانند دانمارک، به‌عنوان عضو اتحادیه اروپا، ملزم به رعایت چارچوب‌های قانونی وضع شده توسط این اتحادیه است. وزارت بهداشت هلند با هدف بهبود مدیریت بیماری‌های مزمن، بهینه‌سازی تخصیص منابع و ساده‌سازی مسیرهای مراقبتی درحال توسعه پذیرش ابزارهای هوش مصنوعی مبتنی‌بر پرونده الکترونیک سلامت است [49].

ابزارهای هوش مصنوعی به‌ویژه در مدیریت بیماری‌های مزمن، که بار عمده‌ای در مراقبت‌های اولیه‌اند، مؤثرند. با بهره‌گیری از این سیستم‌ها می‌توان بیماران پرخطر را از طریق تحلیل‌های پیش‌بینی شناسایی، و برای این افراد برنامه‌های مراقبتی شخصی‌سازی شده و نظارت‌های روزمره به‌طور خودکار ارائه کرد [62]. سیستم‌های پشتیبانی تصمیم‌گیری مبتنی‌بر هوش مصنوعی، که در پرونده الکترونیک سلامت هلند ادغام شده‌اند، با پیشنهاد گزینه‌های تشخیصی و درمانی مبتنی‌بر شواهد، هشدار درباره تداخلات دارویی احتمالی، فرصت‌های پیشگیری از بیماری و کاهش بار روانی و اداری از طریق خودکارسازی بعضی فعالیت‌ها به پزشکان خانواده کمک می‌کنند تا تمرکز بیشتری بر مراقبت از بیمار داشته باشند [49]. یکی از اقدامات مهم هلند در زمینه استفاده از هوش مصنوعی، تحلیل ارجاع‌ها و اولویت‌بندی مؤثرتر بیماران است؛ مانند تفکیک دقیق انوع بیماری‌های اسکلتی عضلانی از یکدیگر و اولویت‌بندی ارجاع آنها. این سیستم‌ها دقت و کارایی بیشتری نسبت به انسان دارند و دسترسی سریع‌تر به مراقبت تخصصی برای موارد اورژانسی، کاهش زمان انتظار و ارجاعات غیرضروری و تخصیص بهتر منابع تخصصی را ممکن می‌سازند [63]. ابزارهای هوش مصنوعی همچنین تبادل اطلاعات بی‌وقفه بین پزشکان خانواده و متخصصان را با استانداردسازی مستندات ارجاع، ارائه بازخورد آنی درباره مناسب بودن و نتایج ارجاع تسهیل می‌کنند [49، 64].

البته چندین مانع در مسیر پذیرش گسترده وجود دارد. ادغام ابزارهای هوش مصنوعی در سیستم‌های موجود پرونده الکترونیک سلامت از نظر فنی پیچیده، و نیازمند سرمایه‌گذاری قابل ‌توجهی است. هزینه‌های اولیه بالا و مدل‌های نامشخص جبران این هزینه‌ها، به‌ویژه در مطب‌های کوچک‌تر، سرعت پیاده‌سازی را کاهش می‌دهد. پزشکان ممکن است نسبت به قابلیت اطمینان و شفافیت توصیه‌های هوش مصنوعی دچار تردید باشند که نیازمند اعتبارسنجی قوی و آموزش است. حفظ حریم خصوصی بیماران و رعایت مقررات سخت‌گیرانه حفاظت داده‌های هلند و اتحادیه اروپا هم یکی دیگر از چالش‌های مهم است. بااین‌حال، وزارت بهداشت هلند به حمایت از پروژه‌های آزمایشی، چارچوب‌های قانونی و مشارکت‌های دولتی - خصوصی برای رفع این چالش‌ها و ترویج پذیرش مسئولانه هوش مصنوعی ادامه می‌دهد. جهت‌گیری‌های آینده هلند، شامل توسعه پلتفرم‌های هوش مصنوعی برای استفاده گسترده‌تر در محیط‌های مراقبتی، افزایش قابلیت توضیح و سهولت استفاده برای ایجاد اعتماد در میان پزشکان و گسترش مدل‌های موفق به حوزه‌های دیگر مانند سلامت روان است [49، 64].

3-6. هند

هند با چالش‌های قابل توجهی در حوزه بهداشت و درمان مواجه است؛ ازجمله کمبود نیروی متخصص، توزیع نامتوازن منابع پزشکی و بار بالای بیماران در سطح مراقبت‌های اولیه. پزشکی خانواده به‌عنوان سنگ‌بنای مراقبت‌های اولیه بهداشتی، نقش حیاتی در ارائه مراقبت جامع، مستمر و ارجاعات مؤثر دارد. ادغام هوش مصنوعی در پزشکی خانواده و شبکه‌های ارجاع به‌عنوان راهکاری امیدبخش برای رفع این مشکلات سیستماتیک با تقویت تصمیم‌گیری انسانی، بهینه‌سازی فرایندهای اداری و بهبود نتایج بیماران دیده می‌شود [65]. در این راستا، الگوریتم‌های هوش مصنوعی به پزشکان خانواده در تشخیص و مدیریت طیف گسترده‌ای از بیماری‌ها، از بیماری‌های مزمن تا موارد حاد، با تحلیل داده‌های بیمار و ارائه توصیه‌های مبتنی‌بر شواهد کمک می‌کنند. همچنین هوش مصنوعی با خودکارسازی وظایف روزمره، مانند برنامه‌ریزی وقت ویزیت‌ها، اولویت‌بندی و مستندسازی، بار اداری بر پزشکان را کاهش می‌دهد [65].

در راستای ارتقای نظام ارجاع، پلتفرم‌های مبتنی‌بر هوش مصنوعی انتقال بیماران از مراقبت‌های اولیه به مراقبت‌های ثانویه یا ثالث را با اولویت‌بندی خودکار، پیشنهاد مقصد مناسب برای ارجاع و ارتباط در لحظه بین ارائه‌دهندگان خدمات تسهیل می‌کند [24]. برای ‌مثال، بیمارستان‌ها و شبکه‌های مراقبت مرتبط با چشم‌پزشکی در هند از هوش مصنوعی برای تشخیص خودکار بیماری‌های مختلف، پایش از راه دور و پشتیبانی از تصمیم‌گیری پزشک استفاده کرده‌اند که دقت تشخیص و کارایی نظام ارجاع در این شبکه را بهبود بخشیده است [65].

در هند، نارسایی قلبی بار بیماری قابل ‌توجهی را به خود اختصاص داده است که دلیل آن افزایش جمعیت سالمند، تغییرات سبک زندگی و دسترسی محدود به مراقبت‌های تخصصی روبه‌افزایش است. «سیستم‌های پشتیبانی تصمیم‌گیری بالینی مبتنی‌بر هوش مصنوعی» به‌عنوان ابزاری برای مقابله با چالش‌های تشخیص و مدیریت نارسایی قلبی، به‌ویژه در محیط‌های با منابع محدود، مطرح شده‌اند. این نرم‌افزارها به پزشکان در ارزیابی خطر، تشخیص، بهینه‌سازی درمان و پایش مداوم بیماری‌های قلبی عروقی ازجمله نارسایی قلبی کمک می‌کنند [65]. این سیستم‌ها با تحلیل حجم گسترده‌ای از داده‌های بیماران (علائم، نتایج آزمایشگاهی، نوار قلب و تصویربرداری) قادر به شناسایی نارسایی قلبی با دقت بالا هستند. مطالعات نشان می‌دهند عملکرد تشخیصی این سیستم‌ها با پزشکان غیرمتخصص برابری می‌کند یا از آن فراتر می‌رود و نرخ تطابق آنها با متخصصان نارسایی قلبی به ۹۸ درصد می‌رسد [66]. این سیستم‌ها با ادغام داده‌های بالینی مختلف امکان طبقه‌بندی ریسک بیماران را فراهم، و به پزشکان در شناسایی بیماران پرریسک و اولویت‌دهی مداخلات کمک می‌کنند. از دیگر امکانات سامانه‌های پشتیبانی تصمیم‌گیری بالینی مبتنی‌بر هوش مصنوعی توصیه دوزهای دارویی، پیشنهاد درمان‌های مبتنی‌بر دستورالعمل‌ها و پایش پاسخ بیماران، پایبندی به بهترین روش‌های بالینی را بهبود می‌بخشند و با هشدارهای خودکار به پزشکان، تنظیم درمان براساس داده‌های در لحظه را ممکن می‌سازد. پایش مداوم داده‌های بیومتریک و علائم بیماران از طریق سیستم‌های پشتیبانی تصمیم‌گیری بالینی مبتنی‌بر هوش مصنوعی، شناسایی زودهنگام تشدید نارسایی قلبی را ممکن می‌سازد و مداخلات به‌موقع را تسهیل می‌کند. در هند که پیگیری بیماران نامنظم است، پلتفرم‌های موبایلی تعامل مستمر با بیماران را بهبود می‌بخشند [65].

مهم‌ترین چالش پیاده‌سازی ابزارهای مصنوعی در هند، نبود توسعه کافی پرونده الکترونیک سلامت و درنتیجه فقدان داده‌های کافی و باکیفیت است [65]. همچنین با ‌توجه به وجود نژادها و اقوام بسیار مختلف در جغرافیای کشور هند، مدل‌های هوش مصنوعی باید روی گروه‌های متنوع هندی آموزش و اعتبارسنجی شوند [65]. علاوه‌بر این، زیرساخت‌های دیجیتالی ضعیف و کمبود بودجه در مناطق روستایی نیز جزء چالش‌های مهم است [65].

3-7. کانادا

ابزارهای پشتیبان تصمیم‌گیری بالینی به‌طور فزاینده‌ای به بخشی جدایی‌ناپذیر از ارتقای ارائه خدمات سلامت در کانادا تبدیل شده‌اند؛ به‌ویژه در پزشکی خانواده و شبکه‌های ارجاع. این ابزارها راهنمایی مبتنی‌بر شواهد ارائه می‌دهند و کیفیت تصمیم‌گیری، ایمنی بیمار و بهره‌وری منابع را بهبود می‌بخشند [67]. پزشکان خانواده ستون فقرات مراقبت اولیه در کانادا محسوب می‌شوند، شرایط بالینی متنوعی را مدیریت می‌کنند، هماهنگی مراقبت بیماران را در میان تخصص‌های مختلف برعهده دارند و از ابزارهای پشتیبان تصمیم‌گیری بالینی برای بهبود کیفیت خدمات بهره می‌برند.

این ابزارها با تبدیل دستورالعمل‌های پیچیده به هشدارها و یادآوری‌های مبتنی‌بر شواهد، رعایت استانداردها را تسهیل می‌کنند، دقت تصمیم‌گیری بالینی را با استفاده از پایگاه‌هایی مانند تریپ افزایش می‌دهند و با ارائه توصیه‌های شخصی‌سازی ‌شده برای مدیریت بیماری‌های مزمن، مراقبت پیشگیرانه و ایمنی دارویی، خطاها را کاهش می‌دهند و تداوم مراقبت را بهبود می‌بخشند. همچنین این فناوری‌ها با ارائه اطلاعات شفاف و تقویت تصمیم‌گیری مشترک، مشارکت بیماران را ارتقا می‌دهند [50، 51]. در نظام ارجاع، هوش مصنوعی با راهنمایی مبتنی‌بر شواهد، تصویربرداری‌های غیرضروری، مواجهه با اشعه و هزینه‌ها را کاهش می‌دهد، تبادل اطلاعات بین پزشکان و متخصصان را تسهیل می‌کند و با اولویت‌بندی ارجاعات در شرایط کمبود تجهیزات تصویربرداری و منابع، تخصیص بهینه را ممکن می‌سازد، همکاری بین ارائه‌دهندگان را تقویت می‌کند و کارایی نظام سلامت را بهبود می‌بخشد.

نکته برجسته، توسعه دستورالعمل‌های اختصاصی در کشور کانادا برای تنظیم ارجاعات به کمک ابزارهای هوش مصنوعی است. برای‌ مثال، انجمن رادیولوژیست‌های کانادا در همکاری با ذی‌نفعان مختلف برای تولید دستورالعمل‌های ارجاع تصویربرداری مبتنی‌بر شواهد و متناسب با نظام سلامت کانادا همکاری کرده‌اند [51]. بااین‌حال، چالش‌هایی مانند سوگیری داده‌ها، نگرانی‌های اخلاقی و ضرورت آموزش پزشکان همچنان نیازمند توجه ویژه‌اند. تلاش‌های مستمر کالج پزشکان خانواده کانادا برای ارتقای سواد هوش مصنوعی در بین کادر سلامت و ارائه دستورالعمل‌های لازم در پیاده‌سازی اخلاقی برای توسعه‌دهندگان ادامه دارد؛ به‌گونه‌ای‌که اطمینان حاصل شود هوش مصنوعی مکمل و یاری‌رسان متخصصان بالینی باشد [6].

یافته‌ها حاکی از آن است که در سراسر جهان برای حمایت از حوزه سلامت، به‌ویژه در مدیریت ارجاع و مراقبت‌های اولیه، ابزارها و پلتفرم‌های مختلف مبتنی‌بر هوش مصنوعی توسعه یافته‌اند. روند کلی نیز نشان‌دهنده رشد روزافزون استفاده از این ابزارهای هوش مصنوعی برای ساده‌سازی کارهای اداری، ارتقای کیفیت مراقبت و توانمندسازی کارکنان سلامت و بیماران است. در جدول 1 ابزارهایی که بین سال‌های ۲۰۱۰ تا ۲۰۲۴ معرفی شده‌اند، به‌صورت خلاصه گردآوری شده است.