همشهری آنلاین، فرخنده رفائی: هوش مصنوعی حالا تنها برای تولید متن و تصویر به کار نمیرود؛ پژوهشگران از این فناوری برای کشف نشانههایی استفاده میکنند که شاید در مطالعات بالینی سنتی سالها طول بکشد تا آشکار شوند. تازهترین نمونه، پژوهشی از دانشگاه پنسیلوانیا است که نشان میدهد مدلهای زبانی بزرگ میتوانند با بررسی حجم عظیمی از دادههای شبکههای اجتماعی، عوارض احتمالی داروها را زودتر از روشهای رایج شناسایی کنند.
به گزارش ساینسآلرت، محققان در این مطالعه بیش از ۴۱۰ هزار پست منتشرشده در شبکه اجتماعی ردیت را طی یک بازه ششساله بررسی کردند. هدف آنها یافتن الگوهای مرتبط با داروهای مبتنی بر GLP-۱ بود؛ دستهای از داروها که شامل محصولات پرطرفداری مانند اوزمپیک، ویگووی، مونجارو و زپباند میشود و در سالهای اخیر به دلیل تأثیر چشمگیر بر کاهش وزن و کنترل دیابت به شهرت جهانی رسیدهاند.
در این پژوهش برای تحلیل حجم عظیم دادهها از مدلهای GPT شرکت OpenAI استفاده شد و این مدلها از میان هزاران شیوه متفاوتی که کاربران درباره تجربه مصرف داروها صحبت کرده بودند، الگوهای مشترک را استخراج کردند؛ کاری که انجام آن بهصورت دستی تقریبا غیرممکن است.
نتایج بررسیها نشان داد در کنار عوارض شناختهشدهای مانند تهوع، دو دسته از علائم کمتر مورد توجه قرار گرفتهاند. نخست، مشکلات مرتبط با سلامت باروری و تغییرات چرخه قاعدگی و دوم، اختلالات مربوط به تنظیم دمای بدن مانند احساس سرما، لرز یا گرگرفتگی.
به گفته پژوهشگران، گزارش این علائم در ردیت لزوما به معنای اثبات ارتباط مستقیم آنها با داروها نیست. با این حال، تکرار این الگوها در میان تعداد زیادی از کاربران میتواند سرنخ مهمی برای تحقیقات پزشکی آینده باشد. از نظر علمی نیز دستکم درباره تغییرات دمای بدن، سازوکاری زیستی وجود دارد که احتمال ارتباط آن با عملکرد این داروها را تقویت میکند.
بیشتر بخوانید:
- هوش مصنوعی به کمک علم پزشکی آمد | تشخیص حمله قلبی و سرطان کبد در ۱۰ ثانیه
- دستیار هوش مصنوعی سلامت در وبسایت «آمازون» فعال شد
- چگونه از هوش مصنوعی پاسخ دقیق بگیریم؟
نکته مهمتر، خود روش تحقیق است. پژوهشگران تأکید میکنند آزمایشهای بالینی همچنان معتبرترین ابزار برای ارزیابی ایمنی داروها هستند، اما این مطالعات معمولا زمانبر و پرهزینهاند. در مقابل، تحلیل دادههای آنلاین با کمک هوش مصنوعی میتواند تقریباً در زمان واقعی انجام شود و هشدارهای اولیه را در اختیار محققان قرار دهد.
این رویکرد بخشی از روندی گستردهتر در حوزه فناوری سلامت محسوب میشود؛ جایی که مدلهای هوش مصنوعی به ابزارهایی برای استخراج دانش از دادههای غیرسنتی تبدیل شدهاند. شبکههای اجتماعی، انجمنهای آنلاین و حتی موتورهای جستوجو اکنون به منابعی تبدیل شدهاند که میتوانند اطلاعات ارزشمندی درباره تجربه واقعی کاربران ارائه دهند؛ اطلاعاتی که گاهی در محیط کنترلشده آزمایشهای بالینی دیده نمیشوند.
البته پژوهشگران هشدار میدهند که دادههای ردیت نماینده کل جامعه نیستند و کاربران این پلتفرم عمدتا افراد جوانتر و با جنسیت مرد هستند. با این حال، آنها معتقدند ترکیب هوش مصنوعی با دادههای گسترده آنلاین میتواند به ابزاری مکمل برای نظام سلامت تبدیل شود؛ ابزاری که شاید در آینده به کشف سریعتر عوارض داروها، شناسایی نگرانیهای بیماران و حتی طراحی مطالعات بالینی دقیقتر کمک کند.
نظر شما