اقتصاد سلامت ایران در عصر AI
یکی از کاربردهای اصلی سلامت دیجیتال در دیابت، فشارخون و بیماری‌های قلبی، پایش از راه دور بیمار است. این خدمت به اندازه‌گیری منظم و صحیح قندخون، فشارخون، وزن یا ضربان قلب وابسته است؛ داده‌های پراکنده یا نادرست، توان الگوریتم برای شناسایی روند خطر را کاهش می‌دهد. بسیاری از بیماران ممکن است دستگاه لازم را تهیه کنند؛ اما مالکیت دستگاه تضمین‌کننده استفاده صحیح نیست. آموزش ناکافی، کالیبره‌نبودن دستگاه، هزینه نوار قند، سواد دیجیتال محدود و دشواری انتقال داده همچنان از موانع مهم هستند.
مدل مناسب برای ایران می‌تواند ترکیبی باشد: پایش خانگی برای افراد توانمند و استفاده از داروخانه‌ها، مراکز جامع سلامت و خانه‌های بهداشت برای دیگران. در سال۱۴۰۰، شبکه بهداشت کشور حدود ۵هزار و۸۸۱مرکز جامع سلامت، ۵هزار و ۵۳۵پایگاه سلامت و ۱۷هزار و ۸۲۱خانه بهداشت داشت. این مراکز می‌توانند به نقاط محلی اندازه‌گیری تبدیل شوند و هوش مصنوعی پس از دریافت داده‌های منظم، کنترل نامناسب بیماری، مصرف نامنظم دارو یا نیاز به ارجاع را شناسایی کند. براساس مطالعه‌ای که در نشریه (BMC Public Health ۲۰۲۴) با عنوان «بار اقتصادی دیابت نوع دو در ایران در سال۲۰۲۲» منتشر شده، بار اقتصادی این بیماری و عوارض آن در ایران در آن سال حدود ۲.۹میلیارد دلار برآورد شده است؛ حدود ۱.۹میلیارد دلار آن هزینه مستقیم پزشکی و نزدیک به ۱۲درصد مخارج سلامت کشور بوده؛ رقمی که به گفته نویسندگان همان مطالعه، بالاتر از میانگین جهانی (نزدیک به ۱۰ درصد) است.
امور اداری، مستندسازی و مدیریت ظرفیت بیمارستان
براساس سالنامه بیمارستانی۱۴۰۰، بیمارستان‌های ایران در آن سال حدود ۸۲.۸میلیون مراجعه سرپایی و ۹.۲میلیون بستری داشته‌اند. مستندسازی بالینی، خلاصه ترخیص، کدگذاری، رسیدگی به مطالبات بیمه، مدیریت نوبت و پیش‌بینی تقاضای تخت از حوزه‌های داده‌محور و کم‌خطرتر برای استفاده از هوش مصنوعی هستند. در مطالعه‌ای با حضور ۶۰۳پزشک که در نشریه (JAMA Network Open ۲۰۲۵) منتشر شد، استفاده از ابزار هوشمند مستندسازی (اسکرایب هوشمند) به‌طور متوسط حدود ۲.۴دقیقه (نزدیک به ۸.۵درصد) از زمان کار با پرونده الکترونیک در هر ویزیت کاست. استفاده از آن در فقط ۱۰درصد مراجعات ایران می‌تواند سالانه حدود ۳۳۱هزار ساعت ظرفیت بالینی آزاد کند؛ معادل زمان کاری تقریبی ۱۸۴نیروی تمام‌وقت، با فرض ۱۸۰۰ساعت کار مفید سالانه. این رقم «ظرفیت آزادشده» است و نباید لزوما صرفه‌جویی مالی تلقی شود. ارزش اقتصادی آن به این بستگی دارد که زمان آزادشده صرف افزایش تعداد ویزیت‌ها، گفت‌وگوی بیشتر با بیمار، کاهش اضافه‌کاری یا تکمیل سریع‌تر پرونده‌ها شود.
براساس داده‌های ملی بیمارستانی سال۲۰۲۳، حدود ۱۱میلیون بستری و ۳۴.۵میلیون تخت‌روز در ۱۰۶۶ بیمارستان ثبت شده است. اگر پیش‌بینی هوشمند زمان ترخیص و تقاضای تخت در ۱۰درصد بستری‌ها اجرا شود و متوسط مدت اقامت را فقط ۰.۱روز، معادل ۲.۴ساعت، کاهش دهد، حدود ۱۱۰هزار تخت‌روز در سال آزاد می‌شود؛ ظرفیتی تقریبا معادل ۳۰۰تخت بیمارستانی در تمام سال. نسخه‌های الکترونیک نیز امکان شناسایی نسخه‌های تکراری و الگوهای نامتناسب را فراهم می‌کنند. براساس ارقام اعلام‌شده، در سال۱۴۰۳ حدود ۴۲میلیون نسخه در تامین اجتماعی و ۴۶میلیون نسخه در بیمه سلامت ثبت شده است. از مجموع ۸۸میلیون نسخه، حتی علامت‌گذاری ۰.۵درصد موارد، حدود ۴۴۰هزار نسخه را برای بررسی مشخص می‌کند؛ اما میزان خطای واقعی و مبلغ قابل‌بازیابی باید از داده‌های بیمه‌گران به دست آید.
تریاژ و مدیریت صف اورژانس
در سال۱۴۰۰ حدود ۴۷.۵میلیون مراجعه اورژانسی در ایران ثبت شده است؛ یعنی بیش از ۱۳۰هزار مراجعه در روز. اگر مدیریت هوشمند صف در ۱۰درصد مراجعات اجرا شود و فقط ۵دقیقه از زمان انتظار یا فرآیند اداری هر بیمار بکاهد، حدود ۳۹۶هزار ساعت از وقت بیماران در سال صرفه‌جویی می‌شود. جلوگیری از تنها یک‌درصد مراجعات غیرضروری در همین جمعیت تحت پوشش نیز حدود ۴۷هزار و ۵۰۰مراجعه را کاهش می‌دهد. ارزش مالی آن باید با ضرب این تعداد در هزینه واقعی هر مراجعه اورژانسی محاسبه شود.
بااین‌حال، هوش مصنوعی نمی‌تواند نبود یک نظام استاندارد تریاژ را جبران کند. ابتدا باید زمان ورود، علائم حیاتی، درجه شدت، زمان نخستین ارزیابی، وخامت هنگام انتظار و نتیجه مراجعه به‌صورت ساختاریافته ثبت شود. سپس الگوریتم می‌تواند بیماران ظاهرا غیرفوری اما در معرض وخامت را برای ارزیابی سریع‌تر علامت‌گذاری کند.
آزمایشگاه، تصویربرداری و عفونت‌های بیمارستانی
اولویت‌بندی سی‌تی‌اسکن‌های مشکوک به خونریزی مغزی، شناسایی تصاویر فوری قفسه سینه، غربالگری رتینوپاتی دیابتی و تشخیص نتایج بحرانی آزمایشگاهی از کاربردهای احتمالی هوش مصنوعی هستند. براساس تراکم تجهیزات گزارش‌شده از سوی سازمان جهانی بهداشت و جمعیت ایران، تعداد تجهیزات کشور را می‌توان به‌طور تقریبی حدود ۹۸۸دستگاه سی‌تی‌اسکن و ۴۳۵دستگاه ام‌آر‌آی برآورد کرد. این ارقام موجودی رسمی کشور نیستند و از ضرب تراکم تجهیزات در جمعیت به دست آمده‌اند. اگر هوش مصنوعی از طریق اولویت‌بندی تصاویر، کاهش زمان گزارش و جلوگیری از بررسی‌های تکراری، بهره‌وری تجهیزات موجود را فقط ۵درصد افزایش دهد، ظرفیت ایجادشده از نظر نظری معادل حدود ۴۹دستگاه سی‌تی‌اسکن و ۲۲دستگاه ام‌آر‌آی خواهد بود.
برای محاسبه ارزش مالی، تعداد واقعی تصاویر، هزینه هر بررسی و میزان استفاده از تجهیزات باید مشخص شود. در سال۲۰۲۳، از میان حدود ۱۱میلیون بستری، ۱۷۰هزار و ۹۴۸عفونت بیمارستانی ثبت شد. هوش مصنوعی می‌تواند با بررسی علائم حیاتی، نتایج آزمایشگاهی، مصرف آنتی‌بیوتیک و تجهیزات تهاجمی، بیماران پرخطر را زودتر شناسایی کند. اگر سامانه هوشمند مراقبت عفونت بتواند فقط ۵درصد موارد ثبت‌شده را کاهش دهد، سالانه از حدود ۸۵۰۰عفونت جلوگیری می‌شود.
زنجیره تامین دارو
زنجیره تامین دارو احتمالا یکی از مقرون‌به‌صرفه‌ترین نقاط شروع برای ایران است. در نیمه نخست۱۴۰۴ حدود ۲۸میلیارد واحد دارویی به ارزش تقریبی ۱۵۶همت (هزار‌میلیارد تومان)، از طریق ۲۹۹ شرکت تامین‌کننده و ۹۰شرکت توزیع وارد بازار شد. در بازاری با این ابعاد، کاهش فرضی تنها یک درصد در انقضا، انباشت نامناسب یا اتلاف توزیع، از نظر ارزش معادل ۱.۵۶همت (حدود ۱۵۶۰میلیارد تومان) در ۶ماه و از نظر تعداد معادل ۲۸۰میلیون واحد دارویی خواهد بود.
این محاسبه به معنای وجود یک درصد اتلاف فعلی نیست، بلکه اندازه فرصتی را نشان می‌دهد که باید اندازه‌گیری شود. برای پیش‌بینی کمبود، اطلاعات موجودی هر دارو، تاریخ انقضا، مصرف روزانه، نسخه‌های تامین‌نشده، زمان تحویل، خرید اضطراری و تخصیص ارز باید به یکدیگر متصل شوند. هوش مصنوعی سپس می‌تواند کمبودهای احتمالی را پیش‌بینی، انتقال دارو میان مراکز را پیشنهاد و سفارش‌های غیرعادی را شناسایی کند. ایران نباید سرمایه‌گذاری در هوش مصنوعی سلامت را صرفا از تشخیص‌های پیچیده آغاز کند. مدیریت بیماری‌های مزمن، امور اداری و مستندسازی، مدیریت ظرفیت بیمارستان و زنجیره تامین دارو، داده‌های پرتعدادتر، خطر بالینی کمتر و نتایج اقتصادی قابل‌اندازه‌گیری‌تری دارند. برای دستیابی به مدل‌های کارآ، بهره‌ور و قابل‌گسترش در سراسر کشور، لازم است اجرای طرح‌های آزمایشی هوش مصنوعی هرچه زودتر از مراکز درمانی خصوصی کوچک آغاز شود؛ مراکزی که به‌دلیل ساختار مدیریتی منعطف‌تر، فرآیند تصمیم‌گیری کوتاه‌تر و امکان ارزیابی دقیق‌تر هزینه‌ها و نتایج، محیط مناسبی برای آزمودن راهکارهای جدید فراهم می‌کنند.
برای هر طرح آزمایشی باید دست‌کم ۵شاخص اندازه‌گیری و منتشر شود: هزینه پایه، هزینه اجرا، پیامد بالینی، میزان خطا و صرفه‌جویی خالص به‌ازای هر بیمار یا خدمت. بدون این ارقام، موفقیت هوش مصنوعی تنها یک نمایش فنی خواهد بود، نه سیاستی اقتصادی و قابل‌دفاع. نتایج پایلوت‌ها می‌تواند برای اصلاح مدل‌ها، تدوین استانداردها و آماده‌سازی زیرساخت‌ها پیش از گسترش در بیمارستان‌های بزرگ و شبکه دولتی به کار گرفته شود. دیر یا زود، نظام سلامت ایران نیز مانند سایر نظام‌های سلامت جهان ناچار خواهد بود بسیاری از وظایف خود را با روش‌های دیجیتال و هوشمند انجام دهد؛ بهتر است این مسیر از همین امروز، با طرح‌های کوچک، کنترل‌شده و قابل‌ارزیابی آغاز شود تا مشکلات فنی، حقوقی و اجرایی پیش از گسترش سراسری شناسایی شوند و بیماران و کارکنان درمان فرصت سازگاری پیدا کنند. هدف نهایی نباید محدود به چند بیمارستان بزرگ باشد؛ با زیرساخت ارتباطی مناسب، آموزش کاربران، استانداردهای داده و نظارت موثر، خدمات دیجیتال می‌توانند به شهرهای کوچک، روستاها و مناطق دورافتاده نیز برسند. آغاز زودهنگام اما حساب‌شده، گسترش عادلانه‌تر خدمات و بهره‌مندی سریع‌تر بیماران و ارائه‌دهندگان خدمات سلامت از مزایای هوش مصنوعی را ممکن می‌سازد.
* کارشناس ارشد هوش مصنوعی و آنالیز داده از ایمپریال کالج لندن
