اقتصاد سلامت ایران در عصر AI

فصل تجارت - احسان حسینی* پیش از بررسی نحوه عملکرد احتمالی هوش مصنوعی در بخش‌های مختلف سلامت، باید به پرسشی اساسی پاسخ داد؛ استفاده از این فناوری در کدام بخش‌های نظام درمانی ایران می‌تواند بیشترین ارزش اقتصادی را ایجاد کند و همزمان موجب بهبود قابل‌اندازه‌گیری دسترسی، کیفیت و بهره‌وری شود؟ برای پاسخ، تنها دقت الگوریتم کافی نیست؛ حجم خدمات، هزینه فعلی، کیفیت داده‌ها، هزینه اجرا و امکان سنجش نتایج نیز اهمیت دارد. براساس برآورد فدراسیون بین‌المللی دیابت (ویرایش یازدهم اطلس دیابت IDF، 2024)، در سال2024 حدود 5.45میلیون بزرگسال ایرانی به دیابت مبتلا بوده‌اند. سازمان جهانی بهداشت نیز برآورد کرده است که در سال2021 حدود 291هزار و 700نفر در ایران بر اثر بیماری‌های غیرواگیر جان باخته‌اند؛ معادل 57درصد کل مرگ‌های کشور در آن سال. مرگ‌های ناشی از تصادفات و سایر آسیب‌ها در این رقم محاسبه نشده‌اند.

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 سال1400، شبکه بهداشت کشور حدود 5هزار و881مرکز جامع سلامت، 5هزار و 535پایگاه سلامت و 17هزار و 821خانه 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 2024) با عنوان «بار اقتصادی دیابت نوع دو در ایران در سال2022» منتشر شده، بار اقتصادی این بیماری و عوارض آن در ایران در آن سال حدود 2.9میلیارد دلار برآورد شده است؛ حدود 1.9میلیارد دلار آن هزینه مستقیم پزشکی و نزدیک به 12درصد مخارج سلامت کشور بوده؛ رقمی که به گفته نویسندگان همان مطالعه، بالاتر از میانگین جهانی (نزدیک به 10 درصد) است.
امور اداری، مستندسازی و مدیریت ظرفیت بیمارستان
براساس سالنامه بیمارستانی1400، بیمارستان‌های ایران در آن سال حدود 82.8میلیون مراجعه سرپایی و 9.2میلیون 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 603پزشک که در نشریه (JAMA Network Open 2025) منتشر شد، استفاده از ابزار هوشمند مستندسازی (اسکرایب هوشمند) به‌طور متوسط حدود 2.4دقیقه (نزدیک به 8.5درصد) از زمان کار با پرونده الکترونیک در هر ویزیت کاست. استفاده از آن در فقط 10درصد مراجعات ایران می‌تواند سالانه حدود 331هزار ساعت ظرفیت بالینی آزاد کند؛ معادل زمان کاری تقریبی 184نیروی تمام‌وقت، با فرض 1800ساعت 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 سال2023، حدود 11‌میلیون بستری و 34.5میلیون تخت‌روز در 1066 بیمارستان ثبت شده است. اگر پیش‌بینی هوشمند زمان ترخیص و تقاضای تخت در 10درصد بستری‌ها اجرا شود و متوسط مدت اقامت را فقط 0.1روز، معادل 2.4ساعت، کاهش دهد، حدود 110هزار تخت‌روز در سال آزاد می‌شود؛ ظرفیتی تقریبا معادل 300تخت بیمارستانی در تمام سال. نسخه‌های الکترونیک نیز امکان شناسایی نسخه‌های تکراری و الگوهای نامتناسب را فراهم می‌کنند. براساس ارقام اعلام‌شده، در سال1403 حدود 42‌میلیون نسخه در تامین اجتماعی و 46‌میلیون نسخه در بیمه سلامت ثبت شده است. از مجموع 88‌میلیون نسخه، حتی علامت‌گذاری 0.5درصد موارد، حدود 440هزار 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 سال1400 حدود 47.5میلیون مراجعه اورژانسی در ایران ثبت شده است؛ یعنی بیش از 130هزار مراجعه در روز. اگر مدیریت هوشمند صف در 10درصد مراجعات اجرا شود و فقط 5دقیقه از زمان انتظار یا فرآیند اداری هر بیمار بکاهد، حدود 396هزار ساعت از وقت بیماران در سال صرفه‌جویی می‌شود. جلوگیری از تنها یک‌درصد مراجعات غیرضروری در همین جمعیت تحت پوشش نیز حدود 47هزار و 500مراجعه 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 988دستگاه سی‌تی‌اسکن و 435دستگاه 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 5درصد افزایش دهد، ظرفیت ایجادشده از نظر نظری معادل حدود 49دستگاه سی‌تی‌اسکن و 22دستگاه ام‌آر‌آی خواهد بود.
برای محاسبه ارزش مالی، تعداد واقعی تصاویر، هزینه هر بررسی و میزان استفاده از تجهیزات باید مشخص شود. در سال2023، از میان حدود 11‌میلیون بستری، 170هزار و 948عفونت 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 5درصد موارد ثبت‌شده را کاهش دهد، سالانه از حدود 8500عفونت جلوگیری می‌شود.
زنجیره تامین دارو
زنجیره تامین دارو احتمالا یکی از مقرون‌به‌صرفه‌ترین نقاط شروع برای ایران است. در نیمه نخست1404 حدود 28‌میلیارد واحد دارویی به ارزش تقریبی 156همت (هزار‌میلیارد تومان)، از طریق 299 شرکت تامین‌کننده و 90شرکت 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 1.56همت (حدود 1560‌میلیارد تومان) در 6ماه و از نظر تعداد معادل 280‌میلیون 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 5شاخص 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