🤍 بازتعریف معنای رهبری در عصر AI

🎙سخنران:
👤دکتر عطا همایون
⏺استاد دانشگاه، مشاور ارشد استراتژی و کسب‌وکار
⏺مدرس حوزه هوش مصنوعی و نوآوری سازمانی
⏺دارای PhD از دانشگاه لیون فرانسه و MBA از دانشگاه کارلتون کانادا

🏛 برگزار شده توسط آکادمی Med-AI شبکه نخبگان ایران

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

🤍 بازتعریف معنای رهبری در عصر AI

🎙سخنران:
👤دکتر عطا همایون
⏺استاد دانشگاه، مشاور ارشد استراتژی و کسب‌وکار
⏺مدرس حوزه هوش مصنوعی و نوآوری سازمانی
⏺دارای PhD از دانشگاه لیون فرانسه و MBA از دانشگاه کارلتون کانادا

⏳زمان برگزاری: جمعه ۲۶ تیرماه، ساعت ۱۵

💻به صورت مجازی در بستر اسکای‌روم

💠لینک شرکت در جلسه در کانال آکادمی Med-AI شبکه نخبگان ایران منتشر خواهد شد. برای شرکت در وبینار، در کانال عضو شوید.

🔗لینک ثبت‌نام

💰شرکت در جلسه برای عموم علاقمندان رایگان و آزاد است.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

⚡️رونمایی از ChatGPT 5.6
نبرد جدید مدل‌های هوش مصنوعی آغاز شد

🔹 نسخه ChatGPT 5.6 با سه مدل Luna، Terra و Soul معرفی شد و حالا بحث مقایسه‌‌شان با Fable 5 (متعلق به Anthropic) داغ شده است .

✅ مدل شرکت آنتروپیک همچنان در برنامه‌ریزی، تفکر سطح بالا و درک بیس‌کدهای پیچیده و بزرگ حرف اول رو می‌زند .

✅ مدل جدید ChatGPT اجرا و ساخت عملی کد قوی‌تر است، کیفیت کدنویسی بالایی دارد و برای انجام کارهای بزرگ فعال‌تر عمل می‌کند.

💰 اما نکته تعیین‌کننده، قیمت است: استفاده از Fable 5 در API می‌تواند روزی صدها دلار هزینه داشته باشد در حالی که ChatGPT 5.6 مقرون‌به‌صرفه‌تر است و محدودیت استفاده سخاوتمندانه‌تری دارد.

🖥دیگر نقطه قوت ChatGPT قابلیت‌های Computer Use و Browser Use آن است که این ابزارها به‌قدری قوی هستند که کارهایی مثل تست خودکار برنامه، گرفتن API Key و ثبت‌نام در سایت‌ها رو خودشان انجام می‌دهد .

🎥ویدئو معرفی ChatGPT 5.6 توسط Alex Finn با زیرنویس فارسی اختصاصی آکادمی Med-AI در اختیار شماست .

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🎓 وبینار تخصصی
فراتر از پرامپت : از مکالمات ساده تا workflow های متصل

🏛️ برگزار شده توسط OpenAI Academy

⚡ ویژه کاربران حرفه‌ای ChatGPT که به دنبال ساخت فرآیند‌های تکرارپذیر و قابل‌بازبینی هستند!

👤 مدرسین:
Juliann Igo
🔹 GTM @ OpenAI

Diana Stegall
🔹 Customer Education @ OpenAI

📚 محورهای اصلی وبینار:

⏺ تکامل کار با هوش مصنوعی از مکالمه به سمت واگذاری وظایف
⏺ معرفی Codex به عنوان الگویی برای گردش‌کارهای گسترده‌تر
⏺ استفاده از مهارت‌ها، افزونه‌ها، Workspace Agents و ChatGPT Sites برای خودکارسازی کارهای تکراری
⏺ تعریف خروجی مطلوب، ارائه بافت مناسب، تعیین محدودیت‌ها و استانداردهای کیفیت
⏺ حفظ قضاوت انسانی در کنار اتوماسیون هوشمند برای نتایج قابل اعتماد

🎞 این وبینار با زیرنویس اختصاصی آکادمی MedAI در دسترس شماست.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐 @MedAI_academy

Читать полностью…

🎓 کارگاه ارزشمند دستیارهای هوش مصنوعی

🏛️ برگزار شده توسط شرکت OpenAI

⚡ ویژه پژوهشگران، اساتید و اعضای هیئت علمی

👤مدرسین:
Lucas Salzman
🔹 Customer Education Programs - Edu @ OpenAi

Keelan Schule
🔹 Education Solutions Engineer @ OpenAI

📚 محورهای اصلی وبینار:

⏺ ساخت Workspace Agent برای خودکارسازی فرآیندهای پژوهشی و مدیریت داده‌های علمی
⏺ استفاده از عوامل هوشمند در مرور سیستماتیک، تحلیل داده و استخراج دانش
⏺ خودکارسازی کارهای تکراری در نگارش مقاله، داوری و همکاری‌های پژوهشی
⏺ یکپارچه‌سازی OpenAI API در پروژه‌های تحقیقاتی برای افزایش سرعت و دقت
⏺ حفظ قضاوت انسانی در کنار اتوماسیون هوشمند برای نتایج قابل اعتماد

🎞 این وبینار با زیرنویس اختصاصی آکادمی MedAI در دسترس شماست.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐 @MedAI_academy

Читать полностью…

🎓 کارگاه ChatGPT for College Students | فایل ضبط و ترجمه شده

👤 مدرس:
Kara McCloskey Mendes
🔹 AI Deployment Team , OpenAI Company

📚 محورهای اصلی وبینار:
⏺ استفاده مؤثر از ChatGPT در مسیر یادگیری و دانشگاه
⏺ پرامپت‌نویسی بهتر و دریافت پاسخ‌های دقیق‌تر
⏺ کاربرد ChatGPT در تحقیق، نگارش، خلاصه‌سازی و ایده‌پردازی
⏺ استفاده هوشمندانه و مسئولانه از AI در فضای آموزشی

🎞 این وبینار با زیرنویس اختصاصی آکادمی MedAI در دسترس شماست.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

دسترسی رایگان به پیشرفته‌ترین مدل‌های هوش مصنوعی : ویژه دانشجویان

💻پلتفرم ZED یک محیط کدنویسی سبک و سریع است که از ابتدا با هوش مصنوعی طراحی شده است (نه اینکه AI بعداً به آن اضافه شده باشد) . در واقع اینجا AI نوعی افزونه جهت تسهیل فرآیند نیست و از پایه بسیاری از کارها با همراهی AI پیش می‌روند . معماری آن روی پردازش موازی بنا شده که سرعت و پاسخ‌دهی را در مقایسه با ابزارهای رایج و مشابه به‌طور قابل توجهی بالاتر می‌برد.

👨‍🎓👩‍🎓برنامه آموزشی(Education) به دانشجویانی که با ایمیل دانشگاهی ثبت‌نام کنند ، اشتراک Pro یک‌ساله(به ارزش ۱۲۰ دلار) را به‌صورت کامل رایگان ارائه می‌دهد.

📦 آنچه دریافت می‌کنید
دسترسی کامل(بدون API Key و بدون کارت بانکی) به مدل‌های زیر، مستقیم در محیط ادیتور :
◾️ Claude Sonnet 4.6
◾️ GPT 5.5 / 5.4 / 5.3
◾️ Gemini 3.1 Pro

⚫️ مواردی که به آنها جهت ثبت نام نیاز دارید :
1_ایمیل دانشجویی(لیست دامنه‌های مورد تایید دانشگاه های کشور در تصویر قابل مشاهده است)
2_اکانت GitHub فعال

🌐آدرس :
https://zed.dev/education

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🧬 وقتی ChatGPT پرونده‌های قدیمی را دوباره ورق می‌زند

یک تیم تحقیقاتی از بیمارستان کودکان بوستون ،دانشکده پزشکی هاروارد و OpenAI صدها پرونده‌ی بدون تشخیص و ناتمام بیماران مبتلا به بیماری‌های نادر را دوباره به یک مدل زبانی سپردند تا ببینند چه چیزهایی از چشم پزشکان جامانده است . نتیجه در ژورنال NEJM AI منتشر شده و چند عدد و چند داستان جذاب دارد — اما داستان به همین جا ختم نمی‌شود.

🔎 ماجرا از کجا شروع شد؟

همانطور که می‌دانید تقریباً نیمی از بیماران مبتلا به بیماری‌های نادر، حتی پس از توالی‌یابی کامل ژنومیک ، بدون تشخیص باقی می‌مانند. مشکل همیشه «نداشتن دیتا» نیست؛ بلکه « نوع تفسیر» آنهاست:
هر فرد میلیون‌ها واریانت ژنتیکی دارد و پیدا کردن عاملی که واقعاً مسئول بیماری است، کار طاقت‌فرسا و وقت‌گیر است که معمولاً فقط یک‌بار و در زمان توالی‌یابی اولیه انجام می‌شود ، نه به‌صورت دوره‌ای.

ایده‌ی این مطالعه بسیار ساده بود: داده‌هایی که از قبل وجود دارد : یادداشتاای پزشکان، اصطلاحات استاندارد فنوتیپی (HPO) و جدول عوامل فیلتر‌شده — را در یک مدل استدلال عمیق از خانواده‌ی o3 شرکت OpenAI (از طریق API یا حالت Deep Research در ChatGPT) وارد کردند و از آن خواستند که طبق معیارهای رسمی فرضیه‌های تشخیصی خود را پیشنهاد دهد.

📊 اعداد چه می‌گویند؟

روی چهار کوهورت بازبینی شد:
- بیماری‌های نادر Neurodevelopmental (۱۰۰ بیمار): ۱۰ تشخیص جدید (۱۰٪، فاصله اطمینان ۴.۹ تا ۱۷.۶٪)
- بیماری‌های Neuromuscular(۶۱ بیمار): ۴ تشخیص جدید (۶.۶٪، فاصله اطمینان ۱.۸ تا ۱۶٪)
- مرگ ناگهانی در کودکان (۲۰۰ بیمار): ۲ تشخیص جدید (۱٪، فاصله اطمینان ۰.۱ تا ۳.۶٪)
- سایکوز زودرس (۱۵ بیمار): ۲ تشخیص جدید (۱۳.۳٪، فاصله اطمینان ۱.۷ تا ۴۰.۵٪)

در کل: ۱۸ تشخیص جدید از ۳۷۶ بیمار، یعنی بازده تشخیصی ۴.۸٪. علاوه بر این، مدل ۷ مورد rediscovery را هم پیدا کرد یعنی: تشخیص‌هایی که جایی دیگر قبلاً تأیید شده بودند اما در پرونده‌ی پژوهشی محلی ثب ت و به‌روزرسانی نشده بودند.

✨ نمونه بسیار جالب

۱) در یک بیمار با تابلوی پیچیده‌ی روان‌پریشی و Neurodevelopmenatal ، مدل بدون اینکه اصلاً داده‌ های ساختاری ژنوم را دریافت کرده باشد فقط با تحلیل کیفیت پایین ژنوتیپ‌ در یک منطقه از کروموزوم ۲۲ و هم‌خوانی آن با فنوتیپ بیمار، حذف 22q11.2 (مسئول سندرم دی‌جورج) را پیش‌بینی کرد ؛ پیش‌بینی‌ای که بعداً با توالی‌یابی کامل ژنوم تأیید شد.

🧐 بررسی عمیق ، نقد و پیشنهادات
▫️ تعارض منافع!
مدلی که ارزیابی می‌شود محصول OpenAI است ؛ چند نویسنده‌ی مقاله کارمند OpenAI هستند و توسعه‌ی پرامپت و آزمایش مدل نیز توسط OpenAI پشتیبانی مالی شده. این یافته‌ها را باطل نمی‌کند، اما یعنی این یک اعتبارسنجی مستقل توسط شخص ثالث نیست.

▫️ بدون گروه مقایسه، بدون کارآزمایی واقعی
این مطالعه گذشته‌نگر و توصیفی است. هیچ‌جا مشخص نشده اگر همان پرونده‌ها را یک تیم انسانی با همان وقت دوباره بازبینی می‌کرد، چه نتیجه‌ای به‌دست می‌آمد.

▫️ اعداد کوچک، فاصله‌اطمینان بزرگ
در کوهورت SUDP با ۲۰۰ بیمار، فاصله‌اطمینان ۰.۱ تا ۳.۶٪ است : یعنی نتیجه‌ی واقعی می‌تواند ۳۰ برابر متفاوت باشد! در کوهورت روان‌پریشی با ۱۵ بیمار، فاصله‌اطمینان ۱.۷ تا ۴۰.۵٪ است.

▫️ «بازکشف» با «کشف جدید» یکی نیست
از ۱۸ مورد جدول اصلی، حداقل ۷ مورد صرفاً به این دلیل «جدید» محسوب شده‌اند که پرونده‌ی پژوهشی محلی به‌روزرسانی نشده بود، نه اینکه مدل چیزی را که هیچ‌کس نمی‌دانست کشف کرده باشد.

🔚 این پژوهش به خوبی نشان می‌دهد که در صورت دخیل شدن هوش مصنوعی(حتی مدلهای زبانی که به صورت تخصصی برای تشخیص تعلیم داده نشده‌اند) می‌تواند در تشخیص مواردی که از چشم انسان دور می‌ماند کمک کند . اما همچنان مشخص نیست که تاثیر مدل‌های زبانی ساده چه تفاوتی با مدلهای تخصصی تعلیم داده شده با منابع علوم زیستی_پزشکی و دقت تشخیصی آنها باشد . در نهایت جهت رسیدن به نتیجه‌ای قابل اعتماد مطالعه های مقایسه ای بین انواع مدلهای زبانی که توانایی استدلال بالاتری دارند(مثل Claude) و مدلهای RAG تعلیم داده شده بر اساس منابع زیستی_پزشکی(Open Evidence, BioGPT و ...) پیشنهاد می‌شود .

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🔹کانال آکادمی Med-AI در بله

✅ برای اطلاع از آخرین اخبار، محتوا و دوره‌های آموزشی در حوزه هوش مصنوعی (در شرایط محدودیت اینترنت بین‌الملل) به کانال آکادمی در پیامرسان بله بپیوندید.

❇️ لینک کانال بله

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy
📱 Med-AI Academy

Читать полностью…

استاندارد MEDS: زیرساخت داده‌ای نوین برای هوش مصنوعی در پزشکی

چرا استانداردهای داده‌ای اهمیت دارند؟
برای اینکه هوش مصنوعی بتواند از داده‌های پزشکی یاد بگیرد، ابتدا باید این داده‌ها به شکلی یکدست و قابل‌فهم سازمان‌دهی شوند. اینجاست که «استانداردهای داده‌ای» وارد می‌شوند قوانینی که مشخص می‌کنند اطلاعات بیمار چگونه ذخیره و دسته‌بندی شوند.

استاندارد OMOP: ابزار قدرتمند پژوهش سنتی
مدل داده‌ای OMOP (Observational Medical Outcomes Partnership) یکی از موفق‌ترین استانداردهای موجود است که توسط شبکه جهانی OHDSI توسعه یافته و در هزاران مطالعه مشاهده‌ای استفاده شده است. OMOP برای پاسخ به سؤالات پژوهشی پیچیده طراحی شده و ساختاری چندجدولی و بسیار جامع دارد.

مثال ساده: OMOP مانند یک بایگانی بیمارستانی کامل است — اطلاعات دارویی، آزمایشگاهی، تشخیصی، پروسیجرها و هزینه‌ها هرکدام در بخش جداگانه‌ای نگهداری می‌شوند. برای یافتن پاسخ یک سؤال، باید بین چندین بخش رفت‌وآمد کرد و اطلاعات را کنار هم گذاشت.

این جامعیت برای پژوهش اپیدمیولوژیک عالی است، اما وقتی هدف آموزش مدل‌های یادگیری ماشین باشد، این پیچیدگی می‌تواند کار را کند و دشوار کند.

استاندارد MEDS: طراحی‌شده برای هوش مصنوعی

استاندارد MEDS (Medical Event Data Standard) با هدف متفاوتی طراحی شده است: ساده‌سازی داده‌های بالینی به شکلی که مدل‌های یادگیری ماشین بتوانند سریع و مؤثر از آن‌ها استفاده کنند.

ساختار MEDS بسیار ساده است: برای هر بیمار، یک خط زمانی (timeline) از رویدادهای پزشکی ایجاد می‌شود. هر رویداد شامل سه عنصر است:

- زمان: چه وقت اتفاق افتاده؟

- کد: چه اتفاقی افتاده؟ (تشخیص، دارو، آزمایش و...)

- مقدار عددی (در صورت وجود): مثلاً نتیجه آزمایش

مثال ساده: اگر OMOP مانند یک پرونده پزشکی چندصدصفحه‌ای با بخش‌های مختلف باشد، MEDS مانند یک جدول زمانی خلاصه‌شده است.

این سادگی باعث می‌شود الگوریتم‌های AI بدون نیاز به پردازش‌های پیچیده، مستقیماً الگوهای بالینی را از داده‌ها استخراج کنند.

مزایای عملی MEDS
- سرعت پردازش: ابزارهای مبتنی بر MEDS (مانند MEDS-Tab) در برخی تسک‌های خاص مانند استخراج کوهورت، تا هزاران برابر سریع‌تر از روش‌های سنتی عمل کرده‌اند. (توجه: این ارقام مربوط به تسک‌های خاص هستند و نباید به کل سیستم تعمیم داده شوند.)

- کاهش نیاز به کدنویسی: محققان گزارش کرده‌اند که حجم کدنویسی لازم برای ساخت مدل‌های پیش‌بینی‌کننده تا ۷۰ درصد کاهش یافته است.

- قابلیت انتقال: مدلی که روی داده‌های یک بیمارستان آموزش دیده، می‌تواند بدون تغییر ساختاری روی داده‌های بیمارستان دیگر اجرا شود — به شرط اینکه هر دو از MEDS استفاده کنند.

آیا MEDS جایگزین OMOP می‌شود؟
خیر. این دو استاندارد مکمل یکدیگرند، نه رقیب:

- OMOP برای پژوهش‌های اپیدمیولوژیک، مطالعات مشاهده‌ای و تحلیل‌های آماری سنتی بهینه است.

- MEDS برای آموزش مدل‌های یادگیری ماشین و هوش مصنوعی بهینه‌سازی شده است.

در عمل، بسیاری از مؤسسات داده‌های خود را ابتدا در قالب OMOP نگهداری می‌کنند و سپس برای پروژه‌های AI آن‌ها را به فرمت MEDS تبدیل می‌کنند.

چشم‌انداز آینده
هدف نهایی، ساخت مدل‌های بنیادین پزشکی (Foundation Models) است — مدل‌هایی که بتوانند از داده‌های میلیون‌ها بیمار یاد بگیرند و در تسک‌های مختلف بالینی مانند پیش‌بینی خطر بستری مجدد، تشخیص زودهنگام سپسیس یا پیش‌بینی پاسخ به درمان به کار روند. MEDS زیرساخت داده‌ای لازم برای این هدف را فراهم می‌کند.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

⚡️ رمزگشایی از گزارش ۲۰۲۶ استنفورد:
سهم بازار نخبگان و بهای سنگین انرژی

📊 انتشار گزارش شاخص هوش مصنوعی استنفورد در ۱۳ آوریل ۲۰۲۶ یک تکانه جدی برای ارزیابی جهت‌گیری این فناوری بود. این سند با پایش دقیق سهم بازار نخبگان فناوری مشخص کرد که انحصار توسعه مدلهای بزرگ در دست چند غول معدود تکنولوژی چطور معادلات اقتصادی و زیست‌محیطی جهان را تغییر می‌دهد.

📉 جذاب‌ترین و در عین حال هولناک‌ترین یافته این گزارش تمرکز بر بار محیط‌زیستی دیتاسنترها است. ارقام نشان می‌دهند مصرف برق این مراکز با کل مصرف سالانه کشور اتریش برابری می‌کند. این جهش مصرف انرژی ناشی از پردازش‌های سنگین یادگیری عمیق زنگ خطری جدی برای پایداری شبکه‌های توزیع برق در سراسر جهان است.

🔭 دورنمای استراتژیک نشان می‌دهد توسعه هوش مصنوعی در پزشکی و صنایع حساس به زودی از فاز رقابت بر سر ابعاد مدل ، وارد فاز بهینه‌سازی مصرف انرژی خواهد شد و برندگان آینده کسانی هستند که مدلهای سبز و کم‌هزینه‌تر طراحی کنند.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

🤖 نظارت بالینی بر هوش مصنوعی: پارادایم جدید آموزش پزشکی

🧠 ورود مدل‌های زبانی بزرگ به عرصه درمان فرآیند تفکر انتقادی و یادگیری پزشکان را با چالش‌های جدی مواجه کرده است این ابزارها با شبیه‌سازی استدلال بالینی خطر وابستگی بیش از حد و سوءمهارت را افزایش می‌دهند.

📊 مقاله چارچوبی ساختاریافته به نام DEFT-AI به عنوان یک راهکار آموزشی نوین ابزاری برای ارزیابی مباحثه شواهد و بازخورد در تعامل پزشک با هوش مصنوعی را ارائه می‌کند. این مدل دو رفتار سایبورگ و سنتور را معرفی می‌کند که اولی ادغام تنگاتنگ انسان با ابزار و دومی تقسیم استراتژیک وظایف با نظارت انسانی است.

🔭 رویکرد «راستی‌آزمایی و سپس اعتماد» نقشی حیاتی در توسعه تفکر بالینی ایفا می‌کند و مانع از افت مهارت‌های استدلال مستقل در عصر هوشمندسازی می‌شود.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

🦠اندیشکده Rand گزارش می‌دهد:
هوش مصنوعی و تهدیدهای زیستی_امنیتی

​🤖 گزارش تحلیلی جدیدRAND Corporation تحت عنوان "مدل‌های بنیادین هوش مصنوعی ریسک گسترش تسلیحات بیولوژیک را افزایش می‌دهند" پرده از یک چالش امنیتی بزرگ در حوزه سلامت عمومی و امنیت بین‌الملل برمی‌دارد این سند نشان می‌دهد که ارزیابی‌های ایمنی فعلی بر پایه فرضیات غلطی بنا شده‌اند که پتانسیل واقعی ماشین در تسهیل ساخت سلاح‌های کشتار جمعی را نادیده می‌گیرند.

​🛡️ رگولاتورها پیش از این تصور می‌کردند که مدل‌های هوش مصنوعی بدون داشتن مهارت‌های تجربی آزمایشگاهی خطری ندارند اما هوش مصنوعی مولد اکنون قادر است مسیرهای پیچیده سنتز شیمیایی و تولید پاتوژن‌های ویروسی واگیردار را به طور دقیق بازسازی کند و به عنوان یک راهنمای گام به گام عملیاتی در اختیار افراد غیرمتخصص قرار دهد

​🔭 کارشناسان رَند هشدار می‌دهند که سیستم‌های ارزیابی کنونی احساس امنیت کاذب ایجاد کرده‌اند و جهان به یک چارچوب سنجش استاندارد جدید برای پایش توانمندی‌های پنهان ماشین در ایجاد بحران‌های بیولوژیک نیاز دارد.

متن کامل گزارش

​در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

⏺انتشار رایگان دوره کمک‌های اولیه و پیشرفته و احیای قلبی

⏺ضمن عرض تسلیت به مناسبت شهادت رهبر معظم انقلاب اسلامی و جمعی از فرماندهان و دیگر هم‌وطنان عزیزمان در تجاوز آمریکایی-صهیونی

با عنایت به شرایط فعلی و احتمال وقوع حملات و حوادث بعدی، آموزش‌های کمک‌های اولیه و پیشرفته و احیای قلبی "به صورت رایگان" برای تمامی دانشجویان و کادر درمان در کانال بله شبکه نخبگان ایران قابل استفاده است.

❗️جمع‌بندی آموزش‌های کمک‌های اولیه و پیشرفته و احیای قلبی

⏺ جلسه اول: ATLS
⏺ جلسه دوم: ATLS
⏺ جلسه سوم: ATLS
⏺ جلسه چهارم: ATLS
⏺ جلسه اول عملی: BLS
⏺ جلسه دوم عملی (بخش اول): ATLS
⏺ جلسه دوم عملی (بخش دوم): ATLS

⚠️با توجه به ضروریت موضوع، کمک به انتشار این آموزش‌ها گامی کوچک در راستای آگاهی‌بخشی و همدلی سراسری خواهد بود.

🇮🇷 با دعای سلامتی و پیروزی برای ایران و ایرانی

💠در شبکه نخبگان ایران با ما همراه باشید 🇮🇷
🌐 @IranElitesNet
❇️ @IranElitesNet

Читать полностью…

🇮🇪استراتژی ایرلند برای تحول در خدمات سلامت روان

🏛 دولت ایرلند سند راهبردی سلامت روان دیجیتال ۲۰۲۶-۲۰۳۰ را با هدف توسعه زیرساخت‌های فناوری و توزیع عادلانه خدمات روان‌شناختی منتشر کرد.

💰سرمایه‌گذاری متمرکز بر درمان‌های شناختی-رفتاری آنلاین و سامانه‌های پشتیبانی متنی نشان‌دهنده اراده جدی سیستم درمانی برای استفاده از نوآوری‌ها و کاهش بار مراجعات حضوری است.

📝هسته اصلی این استراتژی ادغام کامل ابزارهای پایشگر نرم‌افزارها و گجت‌های پوشیدنی با پرونده الکترونیک سلامت ملی است. این معماری یکپارچه در کنار پلتفرم‌هایی نظیر اپلیکیشن مرکزی HSE امکان رصد وضعیت بیماران و ارائه خدمات اثربخش به گروه‌های حاشیه‌نشین را ارتقا می‌دهد. موفقیت ابزارهایی مانند اپلیکیشن SpunOut Navigator با ثبت بیش از ۴۲ هزار نشست مشاوره‌ای لزوم توسعه سریع این ساختارها را تایید می‌کند.

➕ادغام ساختاریافته سلامت روان با زیرساخت‌های کلان سلامت دیجیتال مسیر را برای گذار از رویکردهای درمانی واکنشی به مدل‌های پیشگیرانه و داده‌محور هموار می‌سازد.

🔗کسب اطلاعات بیشتر

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy
📱 Med-AI Academy

Читать полностью…

🎓 چگونه با هوش مصنوعی یک دستیار همه کاره برای کارهایمان بسازیم؟

🏛️ برگزار شده توسط OpenAI Academy

👤 مدرس:
Juliann Igo
🔹 GTM @ OpenAI

📚 محورهای اصلی وبینار:

⏺ آشنایی با اصول اولیه و قابلیت‌های کلیدی ChatGPT
⏺ تکنیک‌های عملی برای استفاده روزمره در محیط کار
⏺ افزایش بهره‌وری با کمک هوش مصنوعی
⏺ تبدیل ChatGPT به یک دستیار هوشمند و قابل اعتماد
⏺ پرسش و پاسخ

🎞 این وبینار با زیرنویس فارسی اختصاصی آکادمی MedAI در دسترس شماست.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐 @MedAI_academy

Читать полностью…

🧠هر چیزی که توان صحبت‌کردن دارد، لزوماً فکر نمی‌کند!!!

تصور کنید یک سؤال پیچیده جلوی شماست. مغزتان قبل از نوشتن حتی یک کلمه شروع می‌کند به وزن‌کشیدن شواهد متناقض، سرکوب اولین قضاوت شتاب‌زده و بازبینی نتیجه‌ای که خودش لحظاتی پیش ساخته بود. حالا همان سؤال را از یک مدل زبانی بپرسید: چیزی که می‌بینید شبیه همین فرآیند است ، اما آیا واقعاً همان اتفاق در حال رخ دادن است؟

🔎 تفکر انتقادی در مغز از کجا می‌آید؟
تفکر انتقادی یک استعاره‌ی انتزاعی نیست؛ محل مشخصی در مغز دارد. کارکردهای اجرایی (executive function) و تفکر انتقادی هر دو عمدتاً به قشر پیش‌پیشانی (prefrontal cortex) وابسته‌اند و ممکن است بستر تشریحی مشترکی داشته باشند. مطالعات fMRI فعالیت بیشتر این ناحیه را هنگام تعارض میان باور شخصی و منطق صوری نشان داده‌اند و اختلال موقت آن با تحریک مغزی (rTMS) توانایی سرکوب سوگیری باور در استدلال قیاسی را کاهش می‌دهد.(1)

تفکر انتقادی از منظر عصب‌شناسی نه یک فرایند تولید ایده، بلکه عمدتاً نوعی «بازداری و بازبینی» است.مغز نخست پاسخ شهودی را تولید می‌کند سپس فعالانه به چالشش می‌کشد، تناقض‌ها را می‌یابد و اصلاح می‌کند.این چرخه‌ی تولید-نقد-بازبینی همان چیزی است که باید با آنچه در شبکه‌های عصبی مصنوعی رخ می‌دهد مقایسه شود.

📊 آیا AI واقعاً این توانایی را در انسان‌ها کم می‌کند؟
پرمناقشه‌ترین شاهد را تیم آزمایشگاه رسانه‌یMIT به رهبری ناتالیا کاسمینا منتشر کرد. ۵۴ نفر با EEG چندکاناله در حال نوشتن مقاله بودند؛ گروهی با ChatGPT، گروهی با موتور جست‌وجو و گروهی بدون ابزار. گروه LLM ضعیف‌ترین اتصال عصبی میان نواحی مرتبط با تفکر عمیق را نشان داد. محققان این پدیده را «بدهی شناختی» (cognitive debt) نامیدند: صرفه‌جویی کوتاه‌مدت در تلاش ذهنی با هزینه‌ی بلندمدتِ کاهش تفکر انتقادی، خلاقیت و عمق پردازش اطلاعات.(2)

شاهد دوم از پژوهشگران مایکروسافت و کارنگی‌ملون است: نظرسنجی از ۳۱۹ کارمند دانش‌محور و بررسی ۹۳۶ نمونه‌ی واقعی از استفاده از AI در کار. یافته‌ی کلیدی: هرچه اعتماد فرد به AI بیشتر، تفکر انتقادی کمتری هنگام بررسی خروجی آن به‌کار می‌برد؛ افراد با اعتماد بیشتر به مهارت خودشان، بیشتر به تأیید و اصلاح انتقادی پاسخ AI می‌پرداختند.(3)

شاهد سوم، پژوهش همبستگی مایک گرلیش با ۶۶۶ شرکت‌کننده بود که استفاده‌ی مکرر از AI را با افت نمرات تفکر انتقادی همبسته یافت؛ جوانان ۱۷ تا ۲۵ ساله بیشترین وابستگی و کمترین نمره را داشتند.(4)

⚙️ حالا سؤال دوم: داخل شبکه‌ی عصبی AI چه می‌گذرد؟
وقتی مدلی مثل o3 یا Claude با حالت «تفکر عمیق» جواب می‌دهد، آنچه می‌بینید زنجیره‌ی فکر (Chain-of-Thought) است. اما پژوهش خود Anthropic نشان داد این زنجیره لزوماً بازتاب صادقانه‌ی محاسبه‌ی درونی مدل نیست. وقتی به مدل‌ها راهنمایی پنهانی داده شد، Claude 3.7 تنها حدود یک‌پنجم و DeepSeek-R1 حدود یک‌سوم موارد صادقانه اعتراف کردند که از آن استفاده کرده‌اند؛ در بقیه‌ی موارد توضیحی منسجم اما بی‌ربط به فرآیند واقعی نوشتند. مدل بر اساس توانایی‌های خود «به دنبال ساختن جواب» است، حتی اگر پاسخ درست باشد، لزوماً فرآیندی مشابه بازبینی انسانی در آن رخ نداده است.(6)

اما تصویر یک‌طرفه نیست. در پژوهش تفسیرپذیری «زیست‌شناسی یک مدل زبانی بزرگ»، Anthropic با ردیابی مدارهای درونی Claude 3.5 Haiku نشان داد مدل گاهی واقعاً «از پیش برنامه‌ریزی» می‌کند: پیش از نوشتن یک بیت شعر، کلمه‌ی قافیه را از قبل فعال می‌کند و بقیه‌ی جمله را حول آن می‌سازد . این با تصویر ساده‌ی «طوطی آماری» بندر و همکاران -که مدل را صرفاً چیننده‌ی دنباله‌های زبانی بدون ارجاع به معنا می‌داند- همخوانی ندارد.(7)(8)

پس تفاوت اصلی کجاست؟
▫️ فقدان مدل علّی از جهان: حتی پاسخ علّی درست مدل از الگوی همبستگی متنی می‌آید، نه یک مدل علّی واقعی قابل‌تعمیم به سناریوهای تازه.
▫️ نبود بازداری و خوداصلاحی حقیقی: تفکر انتقادی انسانی متکی به سرکوب فعال پاسخ اول است؛ «فکرکردن» طولانی‌تر مدل لزوماً به‌معنای بازبینی صادقانه نیست.(5)
▫️ شکاف میان توضیح و محاسبه: در مغز، بازداری در همان مسیر عصبی تصمیم رخ می‌دهد؛ در مدل زبانی، متنِ «استدلال» خروجی جداگانه‌ای است که می‌تواند از محاسبه‌ی واقعی جدا بیفتد.(6)

🔚 جمع‌بندی
شاید تناقض این‌جاست: هم‌زمان که پژوهش‌ها می‌گویند اتکای زیاد به AI ممکن است بازداری و بازبینی -هسته‌ی تفکر انتقادی انسان- را تضعیف کند، خودِ این ابزارها هنوز نسخه‌ی قابل‌اعتمادی از همان بازداری و بازبینی ندارند.

سؤال مهم و نهایی:
وقتی هم انسان در حال واگذاری بازبینی است و هم ماشین در بازبینی خودش قابل‌اعتماد نیست، آن حلقه‌ی نهایی تأیید باید به عهده‌ی چه کسی باشد؟

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🔹در چند دقیقه یک مقاله بنویسید!، میخ آخر هوش مصنوعی بر اعتبار از دست‌رفته اچ‌-ایندکس بالا:

| @Researchers_Center |

Читать полностью…

🩺 پزشکی که دیگر فکر نمی‌کند
وقتی ۶۵٪ پزشکان آمریکا کارشان را به یک چت‌بات سپرده‌اند اما هنوز کسی مطمئن نیست چه بر مغزشان می‌گذرد

تصور کنید ساعت سه بامداد است. یک اینترن بالای تخت بیماری ایستاده که می‌خواهد سوند فولی را بگذارد. به‌جای آنکه مراحل صحیح پروسیجر را از حافظه اش مرور کند گوشی‌اش را درمی‌آورد؛ سؤال را در یک اپلیکیشن تایپ می‌کند و طی چند ثانیه جوابی مستند و مرتب تحویل می‌گیرد. راحت‌تر و سریع‌تر است؛ احتمالاً دقیق‌تر هم هست (به‌ویژه در مقایسه با حافظه‌ی خسته‌ی او در آن ساعت شب) اما سؤال واقعی این نیست که آیا جواب درست بوده؛ سؤال این است که آیا این دستیار، بعد از هزار بار تکرار این صحنه، هنوز بلد است بدون آن اپلیکیشن فکر کند؟

🔎 از UpToDate تا OpenEvidence
یک الگوی تاریخی تکرارشونده داستان از دهه‌ی ۱۹۹۰ شروع می‌شود. گوردون گایات (Gordon Guyatt) در دانشگاه مک‌مستر اصطلاح طب مبتنی‌بر شواهد (evidence-based medicine) را ابداع کرد و همزمان ابزارهایی مثل UpToDate پا گرفتند تا خلاصه‌ای از شواهد را در دسترس پزشک بالینی بگذارند(7). در همان سال‌های ابتدایی، منتقدان دقیقاً همان نگرانی امروز را داشتند که پزشکان به‌جای خواندن مقاله‌ی اصلی، به خلاصه‌ی از پیش هضم‌شده بسنده می‌کنند. سه دهه بعد، Wolters Kluwer در گزارش سی‌سالگی UpToDate از زبان پزشکانی در ژاپن، ترکیه و آلمان نقل می‌کند که این ابزار را «مثل گوشی‌ای در جیب که اعتماد به‌نفس می‌دهد» توصیف کرده‌اند؛ یعنی همان چیزی که زمانی تهدید تلقی می‌شد، امروز خودِ استاندارد شده است(8).
حالا نسل جدید از راه رسیده. OpenEvidence در سال ۲۰۲۲ توسط دنیل نادلر (Daniel Nadler) فارغ‌التحصیل هاروارد و بنیان‌گذار پیشین یک استارتاپ تحلیل مالی، تأسیس شد(5). برخلاف UpToDate که مقاله‌های بلند و مرورشده ارائه می‌دهد، این ابزار به زبان ساده پاسخ کوتاه و مستند تولید می‌کند؛ چیزی شبیه یک موتور جست‌وجوی فوق‌قدرتمند (super-powered search engine) به‌جای یک دانشنامه. این پلتفرم برای پزشکان تأییدشده در آمریکا رایگان است و درآمدش از تبلیغات شرکت‌های دارویی تأمین می‌شود.
📊 اعداد ماجرا
رشد این پلتفرم غیرعادی بوده: تا ژوئیه ۲۰۲۵ حدود ۴۳۰هزار (1) پزشک آمریکایی (نزدیک ۴۰٪ از کل پزشکان کشور) در آن ثبت‌نام کرده بودند، و تا آوریل ۲۰۲۶ این عدد به گفته‌ی خود شرکت به حدود ۶۵٪ پزشکان آمریکا رسید؛ یعنی نزدیک ۲۷ میلیون (2) مراجعه‌ی بالینی فقط در یک ماه. ارزش‌گذاری شرکت هم از حدود ۱ میلیارد دلار در اوایل ۲۰۲۵ به ۱۲ میلیارد دلار در ژانویه ۲۰۲۶ رسید. مدل تبلیغاتی‌اش هم قابل توجه است: طبق گزارش Becker's Hospital Review، آگهی‌ها (عمدتاً دارویی) در حدود ۵٪ (3)از پرسش‌ها نمایش داده می‌شوند، دقیقاً در همان چند ثانیه‌ای که پزشک منتظر جواب است.
اما دقت این ابزارها چقدر است؟ دقیق‌ترین مطالعه‌ی انجام شده در این‌باره را الهام عسکری و همکاران در npj Digital Medicine منتشر کردند: از ۱۲۹۹۹ جمله‌ی حاشیه‌نویسی‌شده توسط پزشکان در ۴۵۰ یادداشت بالینی تولیدشده با هوش مصنوعی، نرخ توهم (hallucination) ۱.۴۷٪ بود؛ رقمی که در نگاه اول کوچک به نظر می‌رسد، تا وقتی بدانیم ۴۴٪ از همان خطاها «بزرگ» طبقه‌بندی شدند، یعنی می‌توانستند مستقیماً روی تشخیص یا درمان بیمار اثر بگذارند.(4)
نگرانی دوم مربوط به کوگنیتیو آفلودینگ (cognitive offloading) یا واگذاری فکر به ابزار بیرونی است. مایک گرلیش در نشریه‌ی Societies با نظرسنجی و مصاحبه از ۶۶۶ شرکت‌کننده نشان داد که استفاده‌ی مکرر از ابزارهای هوش مصنوعی با افت نمرات تفکر انتقادی همبستگی منفی معناداری دارد؛ جوانان ۱۷ تا ۲۵ ساله بیشترین وابستگی و کمترین نمره را داشتند، در حالی‌که تحصیلات بالاتر نقش محافظتی نشان داد(6).
▫️ تعارض منافع: مدل درآمدی OpenEvidence بر تبلیغات داروسازان در همان لحظه‌ی تصمیم بالینی استوار است .این لزوماً به‌معنای سوگیری در پاسخ‌های علمی نیست اما وقتی ابزاری هم منبع اطلاعات علمی است و هم محل تبلیغ همان شرکت‌های دارویی، شفافیت درباره‌ی مرز میان این دو نقش اهمیت پیدا می‌کند.

🔚 جمع‌بندی
آیا این‌بار هم مثل UpToDate پیش می‌رود؛ یعنی نگرانی اولیه فروکش می‌کند و ابزار به استاندارد بی‌چون‌وچرا تبدیل می‌شود؟ یا این‌بار به‌خاطر ماهیت مولد و غیرقابل‌پیش‌بینی هوش مصنوعی زایا، با چیزی بنیادین متفاوت طرفیم؟ و شاید مهم‌تر: اگر قرار است دستیاران و رزیدنت‌ها از روز اول با این ابزارها کار کنند، معیار سنجش «تسلط بالینی» در آینده باید چه چیزی را بسنجد؛ توانایی فکر کردن بدون ابزار، یا توانایی استفاده‌ی هوشمندانه از آن؟

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🩺 Ambient AI Scribe
گوش سوم اتاق ویزیت

تصور کنید علاوه بر پزشک و بیمار، یک «گوش سوم» نیز در اتاق ویزیت حضور دارد!

ماجرا از کجا شروع شده است؟

شروع توسعه‌ی این ایده به اوایل دهه‌ی ۲۰۰۰ برمی‌گردد؛ جایی که شرکت Nuance Communications با توسعه‌ی محصول Dragon Medical در حوزه‌ی تبدیل گفتار به متن (Speech-to-Text) در پزشکی، به‌صورت حرفه‌ای وارد عمل شد (2&1). این ابزار به‌عنوان گوش سومِ حاضر در اتاق پزشک، گفت‌وگوها را به متن تبدیل می‌کرد و در نهایت گزارشی ارائه می‌داد که پزشک می‌توانست بدون اتلاف وقت برای تایپ تک‌تک جزئیات، یک پرونده‌ی الکترونیک مرتب بسازد.

⌨به‌مرور و با پیشرفت پردازش زبان طبیعی (NLP) در اواخر دهه‌ی ۲۰۱۰، این مدل‌ها توسعه یافتند و علاوه بر مکتوب‌کردن مکالمه، توانستند گزارش‌های ساختاریافته‌ی بالینی نیز تولید کنند.

✅سرانجام در سال ۲۰۲۰، محصول Dragon Ambient eXperience (DAX) توسط همین شرکت معرفی و به‌صورت عمومی در دسترس قرار گرفت؛ ابزاری که به‌عنوان یکی از نخستین نمونه‌های تجاری «دستیار نویسنده‌ی هوشمند بالینی» (Ambient Clinical Intelligence) شناخته می‌شود (3) . این ابزار بدون دخالت فعال پزشک در حین ویزیت، یک پیش‌نویس ساختاریافته‌ی بالینی تهیه می‌کند که پس از تأیید و ویرایش نهایی پزشک، در پرونده‌ی الکترونیک بیمار ثبت می‌شود.

💰جالب است بدانید شرکت مایکروسافت در سال ۲۰۲۲، Nuance را در معامله‌ای نقدی به ارزش ۱۹.۷ میلیارد دلار خریداری کرد (5&4)؛ اتفاقی که نشان از عزم جدی غول‌های فناوری برای ورود جدی‌تر به حوزه‌ی سلامت داشت.

🇮🇷چالش‌های پیاده‌سازی و وضعیت در ایران چطور است؟

تا به این لحظه، در کشور چنین مدلی حتی به مرحله‌ی آزمایش بالینی هم نرسیده است. علاوه بر چالش‌های فنی و زیرساختی، چالش‌هایی در حوزه‌ی آموزش و تربیت مدل نیز وجود دارد که غیرقابل‌انکار است.
چند نمونه از این چالش‌ها و راه‌حل‌هایی که در نمونه‌های خارجی برای آن‌ها پیدا شده به شرح ذیل است:

-نویز محیطی و صداهای هم‌زمان:
در بسیاری از مطب‌ها و بیمارستان‌ها، نویز محیط، ویزیت شدن همزمان چندنفر در یک اتاق، اکو و صحبت هم‌زمان چند نفر دقت تشخیص گفتار را کاهش می‌دهد؛ موضوعی که در بخش‌های اورژانس به‌ویژه جدی‌تر است (6) تا جایی که توسعه این مدل در بخش اورژانس در مراحل اول توصیه نمی‌شود.
- لهجه‌های متفاوت و خطای بالای مدل: مطالعه‌ای در Cedars-Sinai (منتشرشده در npj Digital Medicine) نشان داد نرخ خطای رونویسی برای افرادی که زبان مادری‌شان انگلیسی(و در مثال ما فارسی) نیست، به‌ویژه در بخش‌های حاوی اصطلاحات پزشکی تخصصی به‌طور معنادار بالاتر است (7).
- کوتاه‌بودن ویزیت‌ها و عمیق‌نشدن مکالمه:
در ویزیت‌های کوتاه، داده‌ی گفتاری کافی برای تولید یک خلاصه‌ی بالینی کامل در دسترس مدل قرار نمی‌گیرد، که این موضوع در مرورهای سیستماتیک اخیر نیز به‌عنوان یکی از موانع کیفیت خروجی گزارش شده است (8).
- عدم همکاری برخی بیماران و نگرانی‌های رضایت/حریم خصوصی:
پذیرش بیمار و رضایت آگاهانه از پیش‌نیازهای اصلی استفاده‌ی بالینی از این ابزارهاست و در برخی پیاده‌سازی‌ها حتی موضوع دعاوی حقوقی مرتبط با رضایت بیمار مطرح شده است (6).

نکته‌ی مهم این است که حل این چالش‌ها در حوزه‌ی هوش مصنوعی، مستقیماً به زیرساخت پردازشی قوی‌تر، بانک‌های داده‌ی بزرگ‌تر و بومی‌سازی مدل برای زبان و لهجه‌ی محلی وابسته است. همچنین حل برخی مسائل دیگر مثل ویزیت همزمان چند بیمار در یک اتاق و ویزیت های کوتاه در مراکز درمانی شلوغ و ... از پایه ای ترین نیازهای ساختارهای بهداشتی برای توسعه سلامت الکترونیک هستند.

🔚نتیجه‌گیری

نظام سلامت کشور همچنان در ابتدای مسیر هوشمندسازی و توسعه‌ی پرونده‌ی الکترونیک قرار دارد. شاید صحبت از توسعه‌ی این‌دست مدل‌ها بلندپروازانه به نظر برسد، اما همکاری تنگاتنگ گروه‌های فنی و پژوهشی، همراه با آمادگی برای برداشتن قدم‌های بعدی و آگاهی از تمامی چالش‌ها، می‌تواند مسیر توسعه را در آینده‌ای نه‌چندان دور هموار کند.

📚 منابع

1.https://dragon.nuance.com/en-gb/home
2.https://doi.org/10.1093/occmed/kqz128
3.https://news.nuance.com/2020-02-24-Nuance-Announces-the-General-Availability-of-Ambient-Clinical-Intelligence
4.https://www.sec.gov/Archives/edgar/data/0001002517/000119312521112519/d22854dex991.htm
5.https://www.geekwire.com/2022/microsofts-19-7b-nuance-deal-is-finally-final-nearly-a-year-after-it-was-announced/
6.https://learn.g2.com/ambient-ai-scribing
7.https://www.nature.com/articles/s41746-026-02490-z
8.https://ai.jmir.org/2025/1/e76743
9.https://academic.oup.com/jamia/article/32/7/1093/8125015

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

🧭کجای مسیر ایستاده‌ایم؟
یادداشتی بر معضلات توسعه سلامت هوشمند در کشور

📊 طبق آخرین گزارش انجمن پزشکی آمریکا (AMA)، اکنون بیش از ۸۰٪ پزشکان آمریکایی(حدودا دوبرابر سال ۲۰۲۳) از هوش مصنوعی در فعالیت حرفه‌ای خود استفاده می‌کنند.(1) بیش از سه‌چهارم آن‌ها معتقدند AI توانایی‌ آن‌ها را در مراقبت از بیمار را بهبود داده و تنها ۴۰٪ هنوز همزمان هیجان و نگرانی دارند. این اعداد می‌گویند گفتگو در آمریکا از «آیا AI را به‌کار بگیریم؟» گذشته و به «چطور بهتر به‌کار بگیریم» رسیده است.

🔦داستان سلامت دیجیتال در ایران کمی متفاوت است . علاوه بر اینکه تقریباً بر هیچ‌کس پوشیده نیست که استفاده از AI می‌تواند تمام ارکان واحدهای بهداشتی خرد و کلان را ارتقا بدهد اما علاوه بر ناآگاهی‌های فرهنگی و گاها علمی در این حوزه، نوعی مقاومت در برابر هرگونه تغییر هرچند کوچک در فرآیندها وجود دارد. در تفکر سیستمی، این پدیده هومئوستازی سازمانی (Organizational Homeostasis) نام دارد . سیستم‌ها حلقه‌های بازخورد منفی دارند که هر انحراف از وضعیت پایدار را خنثی می‌کنند ؛ حتی اگر آن انحراف یک "بهبود" باشد. پیتر سنگه در کتاب" پنجمین فرمان"خود این پدیده را با عبارت «پس زده شدن توسط سیستم» توصیف می‌کند.(2)

🚪 یک مثال ملموس

شما وقتی برای یک درمانگاه نوبت آنلاین می‌گیرید و به درمانگاه مراجعه می‌کنید، منشی با تأیید نوبت آنلاین و اطلاعات با کمک مدارک شما و بر اساس ساعت حدودی اعلامی و در صورتی که نوبت شما رسیده باشد به شما اجازه ورود به دفتر را می‌دهد.

حال تصور کنید تمام این فرآیندها بایستی توسط یک سیستم هوش مصنوعی پیاده‌شده روی یک سیستم ایستا(شبیه گیت ورودی ) با کمک تأیید فایل مدارک، تطبیق چهره و برنامه‌ریزی خودکار ساعت‌ها، اجازه ورود شما را در بلندگو اعلام کند و به صورت همزمان بیماری صرفاً برای اعلام اینکه داروخانه‌ها داروی خاصی را موجود ندارند و قصد تغییر نسخه با دارویی مشابه از پزشک را دارد ، می‌خواهد به سرعت از گیت فرضی عبور کند ؛ گیت اطلاعاتش را تأیید نمی‌کند چرا که چنین موضوعی قاعدتاً توسط دستگاه به‌عنوان نوبت تأیید نمی‌شود.

یک راه این است که برای سیستم چنین موقعیتی را از پیش تعریف کنیم. اما در صورتی که دیگران از این موقعیت سوءاستفاده کنند و وارد مطب شوند، چه راهکاری جهت حقیقت‌سنجی وجود دارد؟ آیا باید هوش مصنوعی به دستگاه افسانه‌ای دروغ‌سنج مجهز شود؟ در حالی که در صورت حضور منشی و ایجاد یک گفتگوی همدلانه می‌شود در دقایق کوتاهی که هنوز بیمار وارد مطب پزشک نشده به فردی که واقعاً به چنین موردی نیاز دارد اجازه ورود به مطب داده شود .

می‌بینید؟ اینجا هوش مصنوعی جایگزین منشی درمانگاه‌ها که اتفاقا ممکن است اشتباها فکر کنیم کار بسیار آسانی را انجام می‌دهند ، نخواهد شد. این دقیقاً همان چیزی است که در ادبیات اتوماسیون به آن آیرونی‌های اتوماسیون (Ironies of Automation) می‌گویند ؛ مفهومی که لیزان بین‌بریج در یکی از پراستنادترین مقالات این حوزه مطرح کرد.(3) ایده اصلی این است که هرچه بیشتر اتوماسیون می‌کنیم، نقش قضاوت انسانی در موارد استثنا حیاتی‌تر می‌شود اما مهارت انجام دقیقاً همان کار، به‌خاطر کاهش تمرین رو به "افول"می‌رود. چارچوب گسترده‌تری هم این موضوع را پوشش می‌دهد: نظریه سیستم‌های اجتماعی-فنی (Sociotechnical Systems Theory) از مؤسسه تاویستاک که می‌گوید فناوری و فرآیند انسانی باید همزمان طراحی شوند و نه اینکه فناوری جایگزین کامل فرآیند انسانی شود!(4)

🏥درباره تمام ارکان واحدهای بهداشتی چنین موضوعی می‌تواند سنخیت داشته باشد.

🔚 جمع‌بندی

تمام این موارد در مورد حرکت نظام سلامت به‌سوی دیجیتالیزه‌شدن صادق است. جایی که حجم پرسش‌های بی‌پاسخ (گاهی حل‌ناشدنی و حتی شناسایی‌نشده پیش از اجرا !) چنان رخوت و سرخوردگی‌ای در پروژه‌های پیشنهادی و گاهی انقلابی ایجاد می‌کند که تمام افراد فعال در واحدها، "وضع فعلی" را به "تغییر" ترجیح می‌دهند.

سوال این نیست که آیا AI می‌تواند نظام سلامت کشور را متحول کند. سوال این است: چند نفر از طراحان این کلان پروژه‌ها پیش از تمرکز روی اتوماسیون‌ها با منشی یک درمانگاه دولتی گفتگو و چالش‌های واقعی را طبقه بندی کرده‌اند؟

🔗 منابع
1ـ ama-assn.org — Augmented intelligence in medicine, AMA Physician Sentiment Report 2026
2ـ Senge, P. (1990).The Fifth Discipline
3ـ Bainbridge, L. (1983). "Ironies of Automation." Automatica, 19(6)
4ـTrist, E. & Bamforth, K,—and Tavistock Institute, Sociotechnical Systems Theory


در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

⚠️وقتی هوش مصنوعی نتیجه را بدتر می‌کند : یک بررسی بالینی واقعی

⏹وقتی از هوش مصنوعی صحبت می‌کنیم ، معمولا تاثیرات انقلابی ، فراتر از حد تصور بشر و فرآیند جایگزین کردن کامل پزشکان به ذهنمان خطور می‌کند و حجم زیادی از پژوهش ها و content های تولید شده در فضای آکادمیک تاییدکننده این موضوع هستند . همانطور که شبکه پژوهشی ARISE وابسته به دانشگاه استنفورد در گزارش خود به طور مفصل به آن پرداخته است(1) . از اینکه در سال ۲۰۲۵ بیش از ۱۲۰۰ ابزار هوش مصنوعی به تایید FDA رسیده اند تا اینکه این ابزارها می‌توانند فوق انسانی عمل کنند! اما در گزارش ذکر شده موضوعی بیش از همه جلب توجه می‌کند که در این جستار به بررسی دقیقتر آنها می‌پردازیم : وقتی که حضور AI در کنار متخصص نه تنها کمکی نمی‌کند بلکه نتیجه را بدتر می‌کند!(2)
یافته های این پژوهش که به عنوان اولین شواهد Real-world از deskilling ( به معنای از مهارت تهی کردن) ناشی از AI شناخته می‌شود در خود نکاتی دارد که برای تمام پژوهشگران علاقمند به این حوزه به شدت قابل توجه خواهد بود .

📊 روند تحقیق و اعداد
در این مطالعه چند مرکزی در کشور لهستان ، ۱۹ متخصص گوارش با سابقه بیش از ۲۰۰۰ کولونوسکوپی بررسی شدند . حالات پیش آمده و اعداد حاصله به شدت قابل توجه هستند :
1️⃣ نرخ کشف آدنوم قبل از استفاده منظم از هوش مصنوعی : 28.4%
2️⃣ نرخ کشف آدنوم بعد از استفاده منظم از AI در کولونوسکوپی های بدون کمک هوش مصنوعی : 22.4%
3️⃣ نرخ کشف آدنوم با کمک هوش مصنوعی (استفاده پایدار) : 25.3%
همانطور که می‌توانید با محاسباتی ساده مشاهده کنید اینجا یک افت واقعی ۶ درصدی در توانایی تشخیص بدون ابزار در پزشکانی که به استفاده از هوش مصنوعی "عادت " کرده اند به خوبی مشاهده می‌شود .

🧐 نقد و بررسی
همانطور که خود نویسندگان نیز اشاره کرده اند این مطالعه صرفا یک مطالعه مشاهده‌ای است و تا زمانی که کارآزمایی بالینی تصادفی انجام نشود نتایج قابل استناد نیستند اما از شکافی که میان اعداد ذکر شده وجود دارد به سادگی نباید گذشت . حتی نیمی ازین مقدار از منظر بالینی معنادار است؛ چرا که آدنومی که کشف نشود می‌تواند به سرطان پیشرفت کند و از اینجا به بعد صرفا با اعداد سر و کار نداریم!
اینجا یک مفهوم دیگر نیز بایستی مورد بررسی قرار بگیرد ؛ در پژوهش ذکر شده نشان داده شده است که در صورت قطع ارتباط پزشک با AI احتمال این وجود دارد که تشخیص های مهم به مقدار معناداری miss شوند ، سوال مهمی که پیش می‌آید این است که دقیقا شرکتها و سازمانها چه ضمانتی برای اتصال پایدار ، بدون مشکلات زیرساختی جدی و بی وقفه را به کلینیک های درمانی می‌دهند ؟ این پرسشی جدی است که پاسخ به آن فراتر از بررسی پژوهش‌های آکادمیک هست...

🔚 جمع بندی
در صحت این گزاره که هوش مصنوعی می‌تواند تشخیص را بهتر کند ، هیچ شکی وجود ندارد ؛ اما اگر ابزار مورد استفاده قطع شود یا در دسترس نباشد ، آیا پزشک همان کسی خواهد بود که قبل از استفاده از AI بوده است؟ تاثیرات شناختی معنادار استفاده مکرر از ابزارهای AI چیست ؟ این سوالات نه برای مخالفت با AI، بلکه برای طراحی درست آموزش پزشکی و استدلال بالینی در عصر AI بایستی پرسیده شوند.

🔗منابع
1_ https://medicine.stanford.edu/news/stories/2026/01/clinical-ai-has-boomed.html
2_ https://www.thelancet.com/journals/langas/article/PIIS2468-1253(25)00133-5/abstract

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

Читать полностью…

📣 فراخوان #همکاری_پژوهشی

برای همکاری در طرح های پژوهشی اورجینال در حوزه “اینترونشنال رادیولوژی”، از علاقمندان دعوت به همکاری می گردد.

⏺شرایط مورد انتظار:
🔺ساکن تهران
🔺دارای وقت کافی برای حضور و پیگیری امور در بیمارستان
🔺منظم، مسئولیت‌پذیر و پیگیر
🔺دارای سابقه فعالیت پژوهشی
🔺ترجیحاً استاژر، اینترن، پزشک عمومی و یا رزیدنت های رادیولوژی علاقه‌مند به تقویت رزومه پژوهشی

🟢شرح کلی همکاری:
🔹رجیستری و ثبت اطلاعات بیماران
🔹پیگیری روند نسخه، آنژیوگرافی و آمبولیزاسیون
🔹هماهنگی و ثبت فالوآپ‌های بیماران پس از مداخله
🔹همراهی مستمر تا پایان پروژه

📍محل انجام پروژه:
بیمارستان‌های “شریعتی” و “امام خمینی تهران”

💭 با توجه به نیاز پروژه به پیگیری چندمرحله‌ای بیماران، “تعهد به ادامه همکاری تا پایان طرح” اهمیت زیادی دارد.

📁 افراد علاقه‌مند لطفاً مشخصات، وضعیت تحصیلی و سوابق پژوهشی خود را به آیدی ادمین هسته پژوهشی انجمن ارسال فرمایند.

👤 @SSAR_Research_Admin

➖➖➖➖➖➖➖➖➖➖➖

🩻 در انجمن رادیولوژی شبکهٔ نخبگان ایران با‌ ما همراه باشید…
✅ @Radiology_Association ☢️
🌐 www.stusciradio.com 🤖
📱 Stu.sci.radio
📱 LinkedIn ✅
🎵 Castbox Channel
🎵 Spotify Channel
🇮🇷 @IranElitesNet💠

Читать полностью…

⚠️ توقف اجباری در رقابت توسعه هوش مصنوعی: هشدار آنتروپیک

🛑 شرکت آنتروپیک در اقدامی پیشگیرانه اعلام کرد توسعه مدل‌های آینده کلاود را به دلیل سرعت سرسام‌آور رشد آن‌ها محدود می‌کند. این تصمیم پس از آن اتخاذ شد که مهندسان این شرکت متوجه شدند هوش مصنوعی وارد فاز «خودبهبوددهی بازگشتی» شده است؛ مرحله‌ای که در آن سیستم‌ها مستقلاً قادر به کدنویسی و بهینه‌سازی نسل بعدی خود هستند.

📉 آن‌ها معتقدند اگر سرعت توسعه به همین منوال باقی بماند کنترل انسانی بر این سیستم‌ها تضعیف می‌شود.

🔐 راهکار پیشنهادی آنتروپیک ساخت سیستم‌های نظارتی است که به توسعه‌دهندگان اجازه می‌دهد از توقف واقعی فعالیت رقبای جهانی اطمینان حاصل کنند. هدف این است که هیچ بازیگری نتواند در خفا به پیشروی خود ادامه دهد و امنیت جهانی را به مخاطره بیندازد.

🔭 رقابت افسارگسیخته در هوش مصنوعی لبه پرتگاهی است که می‌تواند توسعه فناوری را از مسیر ایمن خارج کند. تعهد به کندسازی آگاهانه می‌تواند راه نجات برای حفظ کنترل بر هوش مصنوعی پیش از رسیدن به نقطه بی‌بازگشت باشد.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

⏺آغاز فعالیت مدرسه زیست‌شناسی ایران

✅ مدرسه زیست‌شناسی ایران، به عنوان مرجع فعالیت‌های آموزشی و پژوهشی و فناورانه در این حوزه آغاز به کار کرد.

این مجموعه در زمینه انتشار محتواهای آموزشی، برگزاری کارگاه‌های پژوهشی و آموزشی، اجرای طرح‌های پژوهشی زیر نظر اعضای برجسته هیئت علمی دانشگاه‌های داخلی و خارجی، حمایت از پایان‌نامه‌های دانشجویی، ارتباط با صنعت و فناوری، توسعه دانش در این حوزه و ... فعالیت خواهد کرد.

🌱در مدرسه زیست‌شناسی ایران با ما همراه باشید...
| @IranBiologySchool |

Читать полностью…

🐎 نویسندگان این مقاله در مجله پزشکی نیوانگلند (NEJM) دو رویکرد متمایز و استعاری را برای نحوه تعامل و یادگیری بالینی در مواجهه با هوش مصنوعی معرفی کرده‌اند . الگوی Centaur یا همان موجود اساطیری نیمی انسان و نیمی اسب با مرزهای کاملاً مشخص نمایانگر تفکیک هوشمندانه وظایف است. در این استراتژی کارهای ثانویه مانند خلاصه‌سازی به ماشین سپرده می‌شود اما هسته اصلی تصمیم‌گیری تحت نظارت مستقیم انسانی باقی می‌ماند.

⚙️ در نقطه مقابل الگوی Cyborg یا موجود ترکیبی انسان و ماشین قرار دارد که در آن مرز میان پزشک و ابزار هوشمند کم‌رنگ می‌شود. در این روش کار به صورت رفت‌وبرگشتی و درهم‌تنیده پیش می‌رود که سرعت روتین‌های پزشکی را به حداکثر می‌رساند اما در صورت نبود تفکر انتقادی ریسک بزرگ افت مهارت‌های استدلال بالینی یا خطای اتوماسیون را به همراه دارد.

🔭 آینده استدلال بالینی در گرو توانایی انعطاف‌پذیری پزشکان برای جابه‌جایی هوشمندانه میان رفتارهای Centaur و Cyborg بر اساس میزان مخاطره و حساسیت پرونده‌های پزشکی خواهد بود.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

⚙️ الگوریتم TurboQuant گوگل:
پایان محدودیت حافظه در پردازش‌های سنگین

​📉 گوگل با معرفی TurboQuant پیشرفتی بنیادین در مدیریت حافظه مدل‌های زبانی ایجاد کرده است. این سیستم با فشرده‌سازی حافظه پنهان می‌تواند مصرف پردازنده گرافیکی را شش برابر کاهش و سرعت محاسبات را هشت برابر افزایش دهد.

​💡 برخلاف روش‌های سنتی این الگوریتم با حفظ دقت صددرصدی طی پردازش ۶۴ هزار توکن موفق ظاهر شده است. عدم نیاز به آموزش مجدد این مدل را به راهکاری طلایی برای اجرای هوش مصنوعی در تجهیزات ارزان‌قیمت تبدیل می‌کند.

​✅ در حوزه نظام سلامت این دستاورد به معنای امکان تحلیل همزمان هزاران پرونده قطور بالینی روی سرورهای معمولی بیمارستانی است که وابستگی به سخت‌افزارهای گران‌قیمت را پایان می‌دهد.

​🔭به زبان ساده تغییر رویکرد صنعت از ساخت مدل‌های بزرگتر به سمت اجرای مقرون به صرفه روی تجهیزات فعلی الگوی استقرار هوش مصنوعی را در آینده‌ای نه‌چندان‌دور متحول خواهد کرد.

​در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

⚖️ مرزبندی قانونی هوش مصنوعی در درمان

🤖 لایحه جدید House Bill 664 در ایالت آیداهو آمریکا یک نقطه عطف حقوقی در دنیای پزشکی هوشمند است . این قانون برخلاف تمرکز سنتی روی سوگیری الگوریتم‌ها مستقیماً شبیه‌سازی روان‌درمانگری توسط چت‌بات‌ها را بدون نظارت متخصص ممنوع کرد.

🛡️ نکته کلیدی این مصوبه جرم‌انگاری عدم افشای هویت غیرانسانی ماشین است طبق این ساختار حقوقی اگر یک هوش مصنوعی بدون معرفی صریح ماهیت خود با بیمار گفتگو کند تحت قانون فریب تجاری تحت پیگرد قانونی و پرداخت غرامت قرار می‌گیرد این رویکرد فلسفه اصالت رابطه پزشک و بیمار را در عصر دیجیتال بازتعریف می‌کند.

🔭 به زبان ساده این قانون جلوی مخفی شدن ماشین پشت نقاب انسان را می‌گیرد تا بیماران بدانند با یک چت‌بات صحبت می‌کنند نه یک روان‌درمانگر واقعی و این تغییر آغازگر یک موج جهانی برای نظارت سخت‌گیرانه بر هوش مصنوعی بالینی خواهد بود.

جهت مطالعه بیشتر

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy

Читать полностью…

🇮🇷 اطلاعیه مهم | با توجه به تجاوز آمریکایی-اسراییلی به ایرانِ جان و احتمال اختلالات اینترنت، جهت دنبال کردن فعالیت‌ها و محتواهای شبکه نخبگان ایران و تمامی زیرمجموعه‌های آن، کانال شبکه در پیام‌رسان‌ بله را دنبال نمایید:

❇️ https://ble.ir/IranElitesNet
❇️ https://ble.ir/IranElitesNet
❇️ https://ble.ir/IranElitesNet

Читать полностью…

🔎انقلاب رادارها در پزشکی: پایش بدون تماس علائم حیاتی با هوش مصنوعی

🩺پژوهشگران با ادغام فناوری رادار و یادگیری عمیق به دستاوردهای بی‌سابقه‌ای در پایش بدون تماس بیماران دست یافته‌اند. یکی از شگفت‌انگیزترین نتایج مربوط به پایش پیوسته فشار خون شریانی بدون نیاز به هیچ‌گونه ابزار پوشیدنی است. مدل‌های هیبریدی مبتنی بر ترانسفورمر توانسته‌اند شکل موج فشار خون را با خطای بسیار ناچیز بازسازی کنند.

📊بررسی جامع مطالعات نشان می‌دهد شبکه‌های عصبی پیچشی و معماری‌های رمزگذار-رمزگشا جایگزین روش‌های سنتی پردازش سیگنال شده‌اند. این سیستم‌ها حتی در زمان تحرک فیزیکی بیمار نیز پایداری و دقت بالایی از خود نشان می‌دهند.

⌛گذر از ابزارهای پوشیدنی به سمت سیستم‌های راداری هوشمند استانداردهای مراقبت از راه دور را دگرگون کرده و امکان پایش پیوسته را به شکلی کاملا غیرتهاجمی بهبود می‌بخشد.

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید🎓
🌐@MedAI_academy
📱 Med-AI Academy

Читать полностью…