هدف:
تشخیص دقیق بیماری‌ها و برنامه‌ریزی برای توانبخشی شخصی‌سازی‌شده از اولویت‌های اصلی پزشکی مدرن به شمار می‌آیند؛ با این وجود، چالش‌هایی نظیر حفظ امنیت داده‌ ها، یکپارچه‌ سازی سوابق بیمار و تبادل امن اطلاعات میان مراکز درمانی همواره مطرح است. این مطالعه با هدف بررسی هم‌افزایی میان «هوش مصنوعی» (Artificial Intelligence; AI) و «فناوری دفتر کل توزیع ‌شده» (Distributed Ledger Technology; DLT)، در بهبود فرآیندهای تشخیص بیماری‌ها و توانبخشی، با تأکید بر ظرفیت این فناوری‌ها در ارتقای دقت و کارایی تحلیل‌های بالینی، تسهیل مدیریت و تبادل داده‌های سلامت و تقویت سازوکارهای حفاظت از حریم خصوصی است.
روش بررسی:
این پژوهش به ‌صورت مطالعه مروری انجام شد. برای شناسایی مطالعات مرتبط، پایگاه‌های اطلاعاتی PubMed، Scopus، Web of Science و IEEE Xplore در بازه زمانی ۲۰۲۳ تا تاریخ آخرین جست‌وجو در سال ۲۰۲۶ بررسی شدند. راهبرد جست‌وجو بر ترکیبی از کلیدواژه‌های مرتبط با هوش مصنوعی، یادگیری ماشین (Machine Learning; ML) و یادگیری عمیق (Deep Learning; DL)، DLT، بلاکچین (Blockchain)، تشخیص بیماری‌ها و توانبخشی استوار بود. مطالعات مرتبط با کاربرد الگوریتم‌های هوش مصنوعی در تشخیص و پیش‌بینی بیماری ‌ها و ارزیابی روند بهبودی، همچنین پژوهش ‌های بررسی‌کننده نقش DLT در مدیریت، ذخیره‌سازی و تبادل داده‌ های سلامت، بر اساس معیارهای ورود و خروج انتخاب شدند. پس از حذف مقالات تکراری، غربالگری اولیه و ارزیابی متن کامل مطالعات، ۱۵ مقاله برای تحلیل کیفی انتخاب شدند. همچنین، در این پژوهش نقش فناوری‌هایی نظیر یادگیری فدرال (Federated Learning) و قراردادهای هوشمند (Smart Contracts) در چارچوب‌های امنیت و حاکمیت داده به عنوان مؤلفه‌های کلیدی این هم‌افزایی مورد بررسی قرار گرفت.
یافته‌ها:
یافته‌های حاصل از بررسی مطالعات منتخب نشان داد که هوش مصنوعی ظرفیت قابل‌توجهی در تحلیل داده‌های بالینی، پشتیبانی از تشخیص بیماری ‌ها و پیش‌بینی روند بهبودی بیماران دارد. در مقابل، DLT می‌تواند از طریق ثبت قابل‌ردیابی رویدادهای مرتبط با داده‌ها، مدیریت دسترسی و تسهیل تبادل اطلاعات میان مراکز درمانی، به بهبود یکپارچگی و مدیریت امن داده ‌های سلامت کمک کند. همچنین، ترکیب این فناوری ‌ها با رویکردهایی نظیر یادگیری فدرال و قراردادهای هوشمند، زمینه توسعه سامانه‌ های هوشمند برای تبادل داده و ارائه خدمات تشخیصی و توانبخشی از راه دور را فراهم می‌کند. با این‌حال، تحقق این ظرفیت‌ها به کیفیت داده ‌ها، معماری سامانه، الزامات حفاظت از حریم خصوصی و اعتبارسنجی عملکرد در محیط‌های بالینی وابسته است.
نتیجه‌گیری:
هم‌گرایی AI و DLT می‌تواند رویکردی نوآورانه برای توسعه سامانه ‌های هوشمند تشخیص بیماری ‌ها و توانبخشی و بهبود مدیریت داده‌ های سلامت فراهم آورد. با وجود این، چالش ‌هایی همچون مقیاس‌پذیری، هزینه‌ های پیاده‌ سازی، تعامل‌پذیری سامانه‌ ها، ملاحظات حقوقی و حفاظت از حریم خصوصی همچنان نیازمند بررسی هستند. از این‌رو، بهره‌گیری مؤثر از این هم‌افزایی مستلزم تدوین چارچوب ‌های استاندارد برای حاکمیت داده، ارزیابی امنیت و اعتبارسنجی بالینی است. ارزیابی تجربی این راهکارها در محیط‌های واقعی مراقبت سلامت نیز برای تعیین میزان اثربخشی، قابلیت اجرا و پیامدهای بالینی آن‌ها ضروری است.