به گزارش پایگاه اطلاع‌رسانی بنیان، گروهی از پژوهشگران دانشگاه پلی‌تکنیک هنگ‌کنگ (PolyU) موفق به توسعه یک «سامانه شبیه‌سازی بیمار مجازی مبتنی بر هوش مصنوعی» شده‌اند که داده‌های ایستا و سنتی پزشکی را به منابعی پویا و زنده تبدیل می‌کند. این سامانه با یکپارچه‌سازی پویای داده‌های چندوجهی بیمار شامل اطلاعات ژنومی، تصاویر پزشکی و سوابق بالینی، یک مدل «دوقلوی دیجیتال» (Digital Twin) ایجاد می‌کند که به‌طور مداوم به‌روزرسانی شده و می‌تواند تغییرات لحظه‌ای وضعیت بیمار را ردیابی کرده و اثربخشی بالقوه گزینه‌های مختلف درمانی را شبیه‌سازی نماید. این سیستم که شامل یک پلتفرم تخصصی برای متخصصان مراقبت‌های بهداشتی و یک اپلیکیشن موبایل برای بیماران است، فرآیندهای مشاوره چندرشته‌ای و ارجاع را تسهیل کرده و بیماران را از جایگاه گیرنده منفعل درمان به مشارکت‌کننده فعال در مدیریت سلامت خود ارتقا می‌دهد. در گامی دیگر برای پیشبرد کاربرد این فناوری در درمان سرطان، تیم تحقیقاتی یک چارچوب هوش مصنوعی چندمقیاسی به نام ViGNet (شبکه فیوژن ارتباط بصری-جهانی) برای پیش‌بینی پاسخ به ایمنی‌درمانی در بیماران مبتلا به سرطان ریه غیرسلول‌کوچک (NSCLC) معرفی کرده است که با ادغام ویژگی‌های تصاویر هیستوپاتولوژی، بیان ژن و داده‌های بالینی، به دقت ۸۲.۵۵ درصدی در پیش‌بینی پاسخ به درمان دست یافته است. این دستاوردها که در مجله معتبر Medical Image Analysis منتشر شده و در کنگره جهانی موبایل ۲۰۲۶ بارسلون نیز به عنوان فینالیست جوایز جهانی موبایل معرفی شده، نشان‌دهنده گامی تحول‌آفرین در مسیر پزشکی دقیق و شخصی‌ساز است.

 از داده‌های ایستا تا بیمار مجازی پویا

در نظام سنتی مراقبت‌های بهداشتی، داده‌های پزشکی به صورت تک‌بعدی و ایستا در قالب یک تصویر سی‌تی، یک گزارش ژنومی یا یک برگه آزمایشگاهی خلاصه می‌شوند. این رویکرد، درک جامعی از پویایی‌های پیچیده و تغییرات لحظه‌ای وضعیت بیمار، به ویژه در بیماری‌های پیشرونده مانند سرطان، ارائه نمی‌دهد. سامانه «بیمار مجازی» که توسط تیم پروفسور لارنس چان (Lawrence Chan)، دانشیار گروه فناوری سلامت و انفورماتیک دانشگاه پلی‌تکنیک هنگ‌کنگ توسعه یافته، این محدودیت را با یکپارچه‌سازی چندلایه و پویای اطلاعات برطرف می‌سازد. هسته اصلی این سیستم، مفهوم «دوقلوی دیجیتال» است؛ یک نسخه مجازی و زنده از بیمار که با دریافت مداوم داده‌های جدید از منابع مختلف، به‌روزرسانی شده و تصویری لحظه‌ای و جامع از وضعیت بالینی فرد ارائه می‌دهد. این مدل پویا می‌تواند روند پیشرفت بیماری، پاسخ به درمان و حتی بروز عوارض جانبی را شبیه‌سازی کرده و به تیم درمانی در تصمیم‌گیری‌های آگاهانه‌تر کمک کند.

 معماری دوگانه: توانمندسازی پزشکان و بیماران به طور همزمان

سامانه «بیمار مجازی» با طراحی دوگانه خود، هم نیازهای تیم درمانی و هم نیازهای بیماران را پوشش می‌دهد. از یک سو، یک پلتفرم اختصاصی برای متخصصان مراقبت‌های بهداشتی طراحی شده که تمام داده‌های چندوجهی بیمار، از جمله تصاویر پزشکی، گزارش‌های پاتولوژی، نتایج آزمایشگاهی، پروفایل ژنومی و سوابق بالینی را در یک داشبورد یکپارچه گرد هم می‌آورد. این پلتفرم با ارائه یک نمای ۳۶۰ درجه از وضعیت بیمار، فرآیندهای مشاوره چندرشته‌ای (Multidisciplinary Consultations) و ارجاع را تسهیل کرده و زمان تشخیص و ارزیابی را به طور قابل توجهی کاهش می‌دهد. از سوی دیگر، یک اپلیکیشن موبایل برای بیماران طراحی شده که به آن‌ها امکان می‌دهد تا سوابق پزشکی خود را بارگذاری کنند، علائم روزانه خود را ثبت نمایند و وضعیت سلامت خود را به طور مستمر ردیابی کنند. این اپلیکیشن با بهره‌گیری از یک کد QR ویژگی عمیق رمزگذاری‌شده (Deep Feature QR Code)، امکان انتقال امن داده‌های پزشکی را در میان کلینیک‌ها، بیمارستان‌ها و دستگاه‌های مختلف فراهم کرده و هم‌زمان حریم خصوصی بیمار را نیز حفظ می‌کند. این معماری دوگانه، بیمار را از یک گیرنده منفعل درمان به یک شرکت‌کننده فعال در مدیریت سلامت خود تبدیل می‌کند و همکاری پزشک-بیمار را به سطحی بی‌سابقه ارتقا می‌دهد.

 نقش «نگهبان نظارتگر» در تشخیص زودهنگام خطرات

یکی از قابلیت‌های کلیدی سامانه بیمار مجازی، عملکرد آن به عنوان یک «نگهبان نظارتگر» است. این سیستم با تحلیل مستمر داده‌های ورودی، می‌تواند ارتباطات ظریف اما حیاتی پاتولوژیک را در میان داده‌های چندوجهی شناسایی کند. به عنوان مثال، در صورتی که تغییرات جزئی در سطح یک بیومارکر خاص یا الگوی غیرعادی در علائم ثبت‌شده توسط بیمار، نشان‌دهنده یک خطر بالقوه یا شروع یک عارضه باشد، سیستم به‌طور خودکار به تیم مراقبت‌های بهداشتی هشدار می‌دهد. این قابلیت هشداردهی زودهنگام می‌تواند در شرایط بحرانی مانند سرطان یا مراقبت‌های ویژه، که هر دقیقه تأخیر در تشخیص می‌تواند تفاوت چشمگیری در پیامدها ایجاد کند، نقشی حیاتی ایفا نماید.

 قلب هوشمند: چارچوب ViGNet برای پیش‌بینی پاسخ به ایمنی‌درمانی

برای پیشبرد کاربرد عملی این فناوری در انکولوژی، تیم تحقیقاتی یک چارچوب هوش مصنوعی بالینی و داده‌محور به نام شبکه فیوژن ارتباط بصری-جهانی (ViGNet) را توسعه داده‌اند. این چارچوب به طور خاص برای پیش‌بینی پاسخ به ایمنی‌درمانی در بیماران مبتلا به سرطان ریه غیرسلول‌کوچک (NSCLC) طراحی شده است. ViGNet از یک رویکرد چندوجهی و چندمقیاسی بهره می‌برد که با موفقیت سه نوع داده کلیدی را با هم ادغام می‌کند:
۱. ویژگی‌های تصاویر هیستوپاتولوژی (بافت‌شناسی): که اطلاعات دقیقی از معماری سلولی و بافت تومور ارائه می‌دهند.
۲. نمایه‌های بیان ژن (ژنومیک): که وضعیت مولکولی و مسیرهای سیگنالینگ فعال در تومور را نشان می‌دهند.
۳. اطلاعات متنی بالینی: مانند سن، جنس، سابقه بیماری و نوع بافت‌شناسی.

معماری ViGNet شامل یک رمزگذار بصری چندمقیاسی و یک رمزگذار مبتنی بر ژن است که به هوش مصنوعی اجازه می‌دهد تا ویژگی‌های تصویری و ژنومی مرتبط با پاسخ به درمان را با دقت بالایی تحلیل کند.

 دستاورد چشمگیر: دقت ۸۲.۵۵ درصدی در پیش‌بینی پاسخ به درمان

در ارزیابی‌های کیفی و کمی، چارچوب ViGNet عملکرد بسیار خوبی از خود نشان داد. این سیستم موفق شد در طبقه‌بندی پاسخ به ایمنی‌درمانی به دقت تفکیکی ۸۲.۵۵ درصدی دست یابد که به طور قابل توجهی از روش‌های پایه (Baseline) رایج بهتر عمل کرده است. به بیان ساده‌تر، این بدان معناست که ViGNet می‌تواند با دقتی بسیار بالا پیش‌بینی کند که آیا یک بیمار خاص به درمان‌های جدید ایمنی‌درمانی مانند مهارکننده‌های PD-1/PD-L1 پاسخ مثبت خواهد داد یا خیر. این سطح از دقت، گامی اساسی به سوی پزشکی شخصی‌ساز محسوب می‌شود، زیرا به پزشکان اجازه می‌دهد تا از انجام درمان‌های پرهزینه، وقت‌گیر و همراه با عوارض جانبی برای بیمارانی که احتمالاً پاسخ نمی‌دهند، خودداری کرده و این درمان‌ها را برای بیمارانی که بیشترین بهره را خواهند برد، رزرو کنند.

 تأثیر بر فرآیندهای بالینی و کاهش هزینه‌ها

کاربرد سیستم بیمار مجازی و چارچوب ViGNet پیامدهای عمیقی برای فرآیندهای بالینی و اقتصاد سلامت دارد. با ارائه توانایی شبیه‌سازی و پیش‌بینی، این سیستم می‌تواند:
- زمان تشخیص و ارزیابی را به میزان قابل توجهی کاهش دهد.
- نیاز به روش‌های تشخیصی تهاجمی و غیرضروری را کم کند.
- تجویز درمان‌های آزمایشی و بی‌نتیجه را به حداقل برساند.
- با شخصی‌سازی درمان، هزینه‌های سنگین مراقبت‌های بهداشتی را بهینه کند.
- به عنوان یک بستر برای آموزش پزشکان و برنامه‌ریزی کارآزمایی‌های بالینی عمل کند.

پروفسور لارنس چان تأکید دارد که این سیستم با شناسایی ارتباطات پاتولوژیک پنهان در میان داده‌های پیچیده، به تیم‌های درمانی کمک می‌کند تا برنامه‌های درمانی دقیق‌تر، مؤثرتر و شخصی‌سازتری را برای بیماران مبتلا به سرطان و سایر بیماری‌های بحرانی تدوین کنند.

 از آزمایشگاه تا بالین و جوایز بین‌المللی

دستاوردهای این پژوهش نه تنها در مجله معتبر Medical Image Analysis به چاپ رسیده، بلکه در رویدادهای بین‌المللی نیز مورد تحسین قرار گرفته است. این سیستم به تازگی در کنگره جهانی موبایل ۲۰۲۶ (MWC 2026) در بارسلون، اسپانیا به نمایش گذاشته شده و به عنوان فینالیست جوایز جهانی موبایل (Global Mobile Awards) در بخش «بهترین نوآوری موبایل برای سلامت و تندرستی متصل» معرفی شده است. این موفقیت، نشان‌دهنده تأثیرگذاری بین‌المللی دانشگاه پلی‌تکنیک هنگ‌کنگ در حوزه فناوری سلامت و کاربردهای هوش مصنوعی است.

 چشم‌انداز آینده: به سوی یک اکوسیستم پزشکی نوین

پروژه بیمار مجازی با حمایت مالی از صندوق‌های سرمایه‌گذاری دانشگاه پلی‌تکنیک هنگ‌کنگ و برنامه توانمندسازی نوآوری و کارآفرینی منطقه خلیج بزرگ (GBA) و همچنین پذیرش مشروط در برنامه حمایتی پارک علم و فناوری هنگ‌کنگ، در حال ورود به مرحله جدیدی از تجاری‌سازی و صنعتی‌سازی است. با استقرار تدریجی این سیستم در محیط‌های بالینی، داده‌های دنیای واقعی (Real-World Data) جمع‌آوری‌شده می‌تواند به توسعه دارو، طراحی کارآزمایی‌های بالینی و بهینه‌سازی برنامه‌های درمانی کمک شایانی کند. این چرخه فضیلت‌آمیز، اکوسیستم نوآوری پزشکی را تقویت کرده و در نهایت به نفع تعداد بیشتری از بیماران در سراسر جهان خواهد بود. این سیستم نماد آینده پزشکی است؛ آینده‌ای که در آن درمان‌ها نه بر اساس آمار، بلکه بر اساس شبیه‌سازی‌های دقیق و منحصربه‌فرد از هر بیمار انتخاب می‌شوند.

پایان مطلب/