Core Competencies

بازنمایی مسئله: افتراق‌دهندهٔ خبره از ضعیف

در پزشکی، نحوهٔ بازنمایی مسئله—یعنی چگونگی انتزاع و سازماندهی یافته‌های بالینی پیش از حل مسئله—نقشی کلیدی در موفقیت تشخیصی دارد. برخلاف مسائل ساده و مشخص، بیشتر مسائل پزشکی ماهیتی مبهم دارند و نیازمند توانمندی در معناسازی‌اند. پزشکان خبره با استفاده از توصیف‌گرهای معنایی شکایات بیمار را به شکلی دقیق و انتزاعی بازنمایی می‌کنند، تا بتوانند آن‌ها را به illness scripts مرتبط کنند. این بازنمایی مناسب، تفکر بالینی را هدفمندتر و تشخیص را دقیق‌تر می‌سازد و تفاوت مهمی میان پزشک خبره و مبتدی ایجاد می‌کند.

هنر انتزاعی کردن روایت بالینی

احتمالاً گربه‌های دانشکدهٔ پزشکی و بیمارستان‌ها نیز جملهٔ «این‌جا ۲+۲ برابر با چهار نمی‌شود» را حفظ هستند. به همین خاطر شاید تعجب کنید که می‌خواهیم همین جمله را توضیح بدهیم. شاید با خود بگویید: «چه چیز این جمله را قرار است توضیح بدهیم؟ معلوم است دیگر. این‌جا دنیای ریاضی نیست؛ دو به اضافه‌ی دو فقط

استدلال بالینی: شهود بهتر است یا تحلیل؟

هاوس: من یک تشخیص‌دهنده (diagnostician) هستم. می‌فهمم مشکل مردم چه هست و حلش می‌کنم.ملودی: مگر همه‌ی دکترها همین کار را نمی‌کنند؟هاوس: چرا؛ ولی هیچ‌کدام مثل من نمی‌توانند برقصند! سریال تلویزیونی House M.D تشخیص (Diagnosis) فرایندی مرحله به مرحله است که از داده‌های ورودی (معمولاً تظاهرات بیمار از بیماری) شروع شده و به یک خروجی (تشخیص

راهنمای آمادگی – البته که حداقلی – برای شیفت بیمارستان | یک نقشهٔ راه

این عنوان ممکن است آن‌قدر ادعای بزرگی باشد که مجاب‌مان بکند وقتی آن را می‌بینیم، صفحه را ببندیم و آن نوشته را کنار بگذاریم. مگر اتفاقاتی که در کشیک می‌تواند بیفتد، یکی دو تا است؟ اگر این‌گونه بود که همه می‌توانستند هر جایی کشیک بدهند. کاملاً درست می‌گویید. آن «البته که حداقلی» که بین دو

چارچوبی برای استفاده از AI در علوم پزشکی و بالین

سال ۲۰۲۳، در طی بررسی انجمن پزشکان آمریکا از پزشکان، آن‌ها بیشترین استفاده‌های بالینی از هوش مصنوعی را در حوزه‌های زیر، ذکر کردند: به جز مواردی که نیازمند ادغام AI با سیستم الکترونیکی ثبت اطلاعات بیمار است، در کشور ما نیز از موارد فوق و دیگر موارد، می‌شود استفاده کرد و در حال حاضر نیز

معرفی ابزارهای هوش مصنوعی برای علوم پزشکی

پیش از آن‌که بحث‌های تئوری در مورد هوش مصنوعی را ادامه بدهیم، شاید بهتر باشد کمی در محیط این ابزارها غوطه‌ور شده و با آن‌ها آشنا بشویم و اخت بگیریم. به همین خاطر در ادامه ابزارهایی را که در حوزه مطالعه، تحقیق و بالین به دانشجوها و افراد شاغل در علوم پزشکی کمک می‌کنند، معرفی

چالش و خطرات هوش مصنوعی در پزشکی

اکنون که مدل‌های زبانی بزرگ (LLMs) را می‌شناسیم، بهتر می‌توانیم از چالش‌های کار کردن با آن‌ها – به خصوص مسائلی که در پزشکی با آن برخورد داریم – بگوییم. فراموش نکنیم که هستهٔ مرکزی یک مدل بزرگ زبانی، پیش‌بینی بهترین کلمهٔ بعدی است و دوباره تأکید می‌کنیم که مدل‌ها، برای یادگیری به داده نیاز داشته

بحث بر سر A یا I؟  تعاریف مرتبط با هوش مصنوعی از نگاه پزشکی

روزهای نخست ورود به بالین را به خاطر دارید؟ انگار همه با یک زبان بیگانه سخن می‌گویند و ما در این سرزمین غریبیم؛ از مخفف‌هایی که برای زمان داروها می‌گویند تا بیماری‌ها، عمل‌ها و پروسیجرها. حتی کم پیش نمی‌آید که ما نیز شروع می‌کنیم از این زبان استفاده می‌کنیم بدون این‌که بدانیم دقیقاً چه کار

نسخهٔ جدید دکتر گوگل

سناریوی نخست: پسر ۱۹ ساله‌ای را در اورژانس می‌بینید. درد شدید شکم دارد. تهوع او نسبتاً شدید است و یک بار استفراغ کرده است. آزمایشش، تعداد لکوسیت حدود یازده هزار عدد در میکرولیتر را نشان می‌دهد. سونوگرافی شکم درخواست می‌کنید که می‌گوید به علت درد بیمار، نمای خوبی برای بررسی از نظر سنگ و آپاندیسیت،

اینترنیست-یک | مقدمهٔ هوش مصنوعی و پزشکی

در فاصلهٔ عجیبِ سیزده ساله‌ای که بین ویرایش چهارم (سال ۱۹۶۲) و پنجم (سال ۱۹۷۵) کتاب اصول طب داخلی هاریسون (Harrison’s Principles of Internal Medicine) وجود داشت، اینترنیست-یک (INTERNIST-1) متولد شد. آن زمان که بزرگانی همچون تینسلی هاریسون، مکسول وینتروب و ریموند آدامز مشغول نوشتن پنجمین ویرایش کتاب بودند، در دانشگاه پیتسبورگ، جک مایرز و

به بالا بروید