بیمار به راهی روشن به سوی تشخیص قابل اعتماد و درمان نیاز دارد. برای رهبران مراقبت‌های بهداشتی، جدیدترین پژوهش مایکروسافت درباره هوش مصنوعی پزشکی یک پرسش عملی مطرح می‌کند: سازمان چگونه باید سیستمی را ارزیابی کند که در چند گام شواهد را جمع می‌کند و تصمیم می‌گیرد؟
به نظر من، MAI-DxO نه فقط به خاطر دقتش، بلکه به خاطر فرآیند تصمیم‌گیری‌اش نیز شایسته توجه است. مدیران عامل و مدیران فناوری باید این فرآیند را مطالعه کنند، در حالی که مرزی روشن میان عملکرد پژوهشی و ارزش بالینی اثبات‌شده حفظ می‌کنند.
مطالعه «Sequential diagnosis with language models» در ۲۲ اکتبر ۲۰۲۶ در Science منتشر شد. MAI-DxO در ترکیب با GPT-5 به ۸۳.۲ درصد دقت تشخیصی در ۳۰۴ پرونده دشوار NEJM دست یافت. پزشکان عمومی با استفاده از منابع مرجع ۳۶.۱ درصد و بدون آن‌ها ۲۲.۳ درصد به دست آوردند. در ۳۲۵ پرونده پذیرش از بخش اورژانس، سیستم ۸۰.۳ درصد و پزشکان ۴۶.۸ درصد به دست آوردند. این‌ها نتایج ارزیابی‌های کنترل‌شده روی سوابق پرونده‌ها هستند. [۱، ۲]
این درصدهای پزشکان عملکرد آن‌ها در تمرین‌های پژوهشی را توصیف می‌کنند. هرگز نباید آن‌ها را به عنوان دقت معمول پزشکان در عمل روزمره معرفی کرد. امتیاز کلی بنچمارک به پرسش مهمی نیز پاسخ نمی‌دهد: کدام خطاها بیشترین آسیب را می‌توانند برسانند؟
MAI-DxO یک پنل مجازی را هماهنگ می‌کند که تشخیص‌ها را پیشنهاد می‌دهد، فرضیه‌ها را به چالش می‌کشد و پرسش‌ها یا آزمایش‌ها را انتخاب می‌کند. با رسیدن اطلاعات، برآوردش تغییر می‌کند. بنچمارک مسیر رسیدن به تشخیص را، از جمله هزینه تقریبی آزمایش‌ها، اندازه می‌گیرد. مایکروسافت پیکربندی‌هایی با محدودیت هزینه سخت‌گیرانه‌تر را نیز ارزیابی کرده است. [۲]
درس طراحی مفید برای رهبران سازمانی، جدا کردن پیشنهاد پاسخ از بازبینی شواهد آن است. بازبین‌کننده باید بتواند تشخیص دهد چه چیزی جا افتاده، تفسیر غالب را به چالش بکشد و پیش از پیشروی اقدام مهم، اطلاعات بیشتری بخواهد.
چند نقش هوش مصنوعی می‌توانند همان خطا را تکرار کنند. بنابراین اتفاق نظر میان عامل‌ها باید با شواهد بیرونی آزموده شود. افزودن بحث، یک جزء دیگر برای ارزیابی ایجاد می‌کند؛ راستی‌آزمایی مستقل نیست.
من سیستم‌ها را در سه بُعد مقایسه می‌کنم. امتیاز پاسخ نهایی را با کیفیت کل فرآیند تصمیم‌گیری مقایسه کنید. هزینه‌های تقریبی کار را با هزینه کلی ارائه خدمت مقایسه کنید. عملکرد روی سوابق تاریخی را با نتایج مشاهده‌شده در استفاده آینده‌نگر مقایسه کنید. هر مقایسه به پرسش سرمایه‌گذاری متفاوتی پاسخ می‌دهد.
به عنوان مثال، توصیه ارزان می‌تواند کار بازبینی قابل توجهی ایجاد کند. پاسخ درست ممکن است خیلی دیر برسد تا کمکی کند. سیستمی که با سوابق کامل خوب کار می‌کند ممکن است وقتی اطلاعات مهم موجود نیست با مشکل روبه‌رو شود. رهبران به ارزیابی‌ای نیاز دارند که این تفاوت‌ها را آشکار کند.
SDBench برای ارائه اطلاعات درخواست‌شده از مدل دروازه‌بان و برای ارزیابی تشخیص‌ها از مدل داور استفاده می‌کند. وقتی نتیجه درخواست‌شده در سابقه موجود نیست، دروازه‌بان می‌تواند یافته‌هایی سازگار با پرونده تولید کند. این سازوکارها ارزیابی تعاملی را ممکن می‌کنند، اما فرضیه‌هایی را هم وارد می‌کنند که نیازمند بررسی‌اند. [۳]
اهمیت این موضوع در آن است که محیط ارزیابی بر نتیجه اندازه‌گیری‌شده اثر می‌گذارد. بیمارستان باید تعیین کند سیستم در میان اطلاعات ناقص، گزاره‌های متناقض و تأخیرهای عملیاتی چگونه عمل می‌کند. دقت تشخیصی به تنهایی نمی‌تواند ایمنی بیمار، کیفیت درمان یا اثربخشی تیم بالینی را اثبات کند.
مایکروسافت مطالعه آینده‌نگری را با مرکز پزشکی Beth Israel Deaconess اعلام کرده که در آن بیماران با سیستم تعامل می‌کنند و عملکرد آن با ارزیابی‌های مستقل پزشکان مقایسه می‌شود. این اعتبارسنجی برنامه‌ریزی‌شده است، نه شواهدی از نتایج بهبودیافته بیماران که هم‌اکنون حاصل شده باشد. [۲]
مدیران عامل باید پیش از تأمین مالی استقرار، منفعت مورد نظر را تعریف کنند. در یک پایلوت مراقبت بهداشتی، این می‌تواند شناسایی سریع‌تر یک بیماری خاص یا پشتیبانی بهتر از بازبینی پرونده‌های دشوار باشد. مالک بالینی را مشخص کنید، بر معیارهای نتیجه توافق کنید و شرایط توقف پایلوت را تنظیم کنید. از تصمیم‌گیری پرسنلی بر اساس مقایسه بنچمارک خودداری کنید.
مدیران فناوری باید ارزیابی را حول گردش کار مورد نظر بسازند. فرآیند موجود، هوش مصنوعی که در محیط کنترل‌شده به تنهایی کار می‌کند و پزشکانی که با پشتیبانی هوش مصنوعی کار می‌کنند را مقایسه کنید. از پرونده‌های نماینده خدمت پیشنهادی استفاده کنید. تشخیص‌های جدی از دست‌رفته، آزمایش‌های غیرضروری، زمان رسیدن به تصمیم و بار بازبینی توصیه‌ها را بررسی کنید. نتایج گروه‌های مرتبط بیماران را علاوه بر میانگین کلی گزارش کنید.
با ارزیابی گذشته‌نگر روی داده‌های دارای حاکمیت مناسب آغاز کنید. اگر شواهد از پیشروی حمایت کرد، مطالعه آینده‌نگر تحت نظارت را با رهبری بالینی و مجوزهای لازم در نظر بگیرید. اختیار درخواست آزمایش یا تغییر درمان را به‌طور صریح اختصاص‌یافته نگه دارید. تعریف کنید چه زمانی سیستم باید کنار بایستد و پزشک چگونه می‌تواند آن را نادیده بگیرد.
برای توصیه‌ها شواهد قابل پیگیری، دسترسی کنترل‌شده به اطلاعات بیمار و سابقه مدل و نسخه گردش کار استفاده‌شده را مطالبه کنید. با تغییر هر یک، ارزیابی‌های مرتبط را تکرار کنید. پایلوت موفق به فرآیند عملیاتی‌ای نیاز دارد که بتواند بدتر شدن وضعیت را تشخیص دهد و از عقب‌نشینی پشتیبانی کند.
رهبران مالی باید هزینه تقریبی آزمایش‌ها را از صرفه‌جویی محقق‌شده متمایز کنند. یکپارچه‌سازی، بازبینی بالینی، پایش و ارزیابی مداوم را در تحلیل تجاری بگنجانید. هر صرفه‌جویی باید در کنار پیامدهای تشخیص‌های از دست‌رفته و آزمایش‌های قابل اجتناب ارزیابی شود.
همان انضباط ارزیابی هنگام بررسی هوش مصنوعی برای ادعاهای بیمه، استثناهای تدارکات یا تحقیق حوادث نیز مفید است. آن کاربردها به شواهد خودشان نیاز دارند. بنچمارک پزشکی نمی‌تواند گردش کار مالی یا عملیاتی را اعتبارسنجی کند.
MAI-DxO دلیلی می‌دهد تا بررسی کنیم هوش مصنوعی چگونه شواهد می‌خواهد، موضع خود را چگونه اصلاح می‌کند و چگونه تصمیم می‌گیرد چه زمانی متوقف شود. ارزش سازمانی به این بستگی دارد که آیا این رفتارها در شرایط عملیاتی واقعی، خدمت تعریف‌شده را بهبود می‌بخشند یا نه.
اگر شما تأییدکننده یک پایلوت هوش مصنوعی پزشکی بودید، پیش از اجازه تأثیر توصیه‌های آن بر مراقبت از بیمار، چه شواهدی را مطالبه می‌کردید؟
ریاضی بیندیشید. هوشمندانه مهندسی کنید. راهبردی رهبری کنید. مسئولانه بسازید. جهانی گسترش یابید. از طریق هوش مصنوعی ارزش واقعی کسب‌وکار خلق کنید.
[۱] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[۲] Microsoft AI (۲۲ اکتبر ۲۰۲۶). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[۳] Microsoft. مستندات SDBench. https://microsoft.github.io/sdbench/
