یک مطالعه که این هفته ذهنم را درگیر کرد.

نوزده آندوسکوپیست لهستانی از یک سیستم هوش مصنوعی برای تشخیص پولیپ‌های کولون در طی سه ماه استفاده کردند. سپس سیستم را خاموش کردند. عملکردشان نه تنها بهتر نشد، بلکه از قبل از استفاده از ابزار هم پایین‌تر آمد.

نه چون سیستم خراب شده بود، بلکه چون به آن عادت کرده بودند.

نوزده آندوسکوپیست لهستانی از یک سیستم هوش مصنوعی برای تشخیص پولیپ‌های کولون در طی سه ماه استفاده کردند. سپس سیستم را خاموش کردند. عملکردشان نه تنها بهتر نشد، بلکه از قبل از استفاده از ابزار هم پایین‌تر آمد.نه چون سیستم خراب شده بود، بلکه چون به آن عادت کرده بودند.

این پدیده یک نام دارد: Deskilling (کاهش مهارت)؛ یعنی فرسایش مهارتی که قبلاً وجود داشته، چون ابزار به جای تو آن را انجام داده است.

اما چیزی که حتی نگران‌کننده‌تر است فقط از دست دادن مهارت‌های قبلی نیست…

بلکه اصلاً شکل نگرفتن مهارت‌هایی است که باید ایجاد می‌شدند.

طبقه‌بندی خطر

دو مقاله اخیر یکی در The Lancet و دیگری در Nature Medicine سه پدیده را توصیف می‌کنند که هوش مصنوعی می‌تواند در پزشکان ایجاد کند:

• Deskilling (کاهش مهارت): پزشک باتجربه‌ای که به‌خاطر تکیه بر هوش مصنوعی، بخشی از مهارت‌هایش را از دست می‌دهد.
• Mis-skilling (یادگیری اشتباه): پزشکی که به‌دلیل خطاهای هوش مصنوعی، تصمیم‌های غلط را بدون نقد می‌پذیرد و آن‌ها را به‌عنوان واقعیت یاد می‌گیرد.
• Never-skilling (هرگز-مهارت‌ندیدن): مهم‌ترین و پنهان‌ترین حالت؛ رزیدنتی که از ابتدا هیچ‌وقت مهارت تفکر بالینی مستقل را شکل نمی‌دهد، چون همیشه ابزار دارد که به جای او فکر می‌کند.

این حالت زمانی مشکل‌ساز می‌شود که سال‌ها بعد پزشک در شرایطی قرار بگیرد که هوش مصنوعی در دسترس نیست، سیستم قطع است یا کیس خارج از الگوهای الگوریتم است.

آنچه شواهد می‌گویند و نمی‌گویند

صادقانه: شواهد مستقیم در آموزش پزشکی هنوز محدود است.

نویسندگان Nature Medicine هم این را پذیرفته‌اند. مبانی نظری قوی است و شواهد غیرمستقیم از حوزه‌های دیگر وجود دارد، اما هنوز کارآزمایی‌های کنترل‌شده در آموزش رزیدنتی نداریم.

این به این معنی نیست که خطر وجود ندارد؛ یعنی ما سریع‌تر از توانایی اندازه‌گیری‌مان حرکت می‌کنیم.

و این در پزشکی یک مزیت نیست.

پیشنهاد علم چیست؟ یک چارچوب سه‌مرحله‌ای:

شایستگی مستقل: پزشک باید قبل از استفاده از AI بتواند خودش فکر کند.
کالیبراسیون انتقادی: یاد بگیرد چه زمانی ابزار درست می‌گوید و چه زمانی اشتباه.
ادغام تحت نظارت: استفاده از AI در آموزش به شکل کنترل‌شده و مرحله‌ای.این رویکرد ضد هوش مصنوعی نیست؛ بلکه استفاده جدی و درست از آن است.

نگرانی اصلی:  در کشورهای زیادی و حتی ایران، فناوری‌های پزشکی سریع وارد سیستم می‌شوند، اما بدون چارچوب آموزشی مناسب.

با هیجان و نیت خوب، اما بدون اینکه بپرسیم این ابزارها چه تغییری در فرآیند تربیت پزشک ایجاد می‌کنند.

مشکل هوش مصنوعی نیست؛ مشکل نحوه استفاده ما از آن است.

یک ابزار فوق‌العاده اگر در زمان نامناسب وارد آموزش شود، می‌تواند پزشکی بسازد که فقط وقتی سیستم خوب کار می‌کند، خودش هم خوب کار می‌کند.

اما سیستم‌های سلامت همیشه پایدار نیستند.

و آن روز، چیزی که نیاز داری یک الگوریتم نیست…

بلکه پزشکی است که خودش بتواند فکر کند.

منابع:

Berzin TM, Topol EJ. The Lancet, 2025

Ke Y et al. Nature Medicine, 2026 DOI: 10.1038/s41591-026-04438-y

بر گرفته از کانال طب اطفال

روابط عمومی انجمن علمی دکترای علوم آزمایشگاهی تشخیص طبی ایران