هوش مصنوعی به طور فزاینده‌ای توسط متخصصان رادیولوژی برای تشخیص زودهنگام بیماری‌ها و کاهش خطاهای تشخیصی استفاده می‌شود.[10] این فناوری می‌تواند اسکن‌های مغزی را برای تشخیص سکته مغزی با دقتی “دو برابر” بیشتر از متخصصان انسانی تفسیر کند و حتی زمان وقوع سکته را مشخص کند که برای تعیین صلاحیت درمان حیاتی است.[5] هوش مصنوعی همچنین می‌تواند شکستگی‌های استخوان را بهتر از انسان‌ها تشخیص دهد و به طور بالقوه از اشعه ایکس غیرضروری و شکستگی‌های از دست رفته جلوگیری کند.[5] در پاتولوژی و تشخیص بیماری، هوش مصنوعی نتایج امیدوارکننده‌ای در تشخیص زودهنگام بیماری‌هایی مانند سرطان سینه و پوست، بیماری‌های چشمی و ذات‌الریه نشان داده است.[10] یک مدل یادگیری ماشین جدید هوش مصنوعی می‌تواند بیماری‌هایی مانند آلزایمر، بیماری مزمن انسدادی ریه (COPD) و بیماری کلیوی را سال‌ها قبل از ظهور علائم پیش‌بینی کند.[5] ابزارهای هوش مصنوعی با موفقیت ۶۴ درصد از ضایعات مغزی صرع را که قبلاً توسط رادیولوژیست‌ها نادیده گرفته شده بودند، شناسایی کرده‌اند.[5] علاوه بر این، هوش مصنوعی در تحلیل نمودارهای ECG و اکوکاردیوگرافی برای متخصصان قلب [10]، پیش‌بینی شروع دیابت [10]، و تحلیل الگوهای گفتاری برای پیش‌بینی رخدادهای روان‌پریشی یا تشخیص ویژگی‌های بیماری‌های عصبی مانند پارکینسون [10] کاربرد دارد.

هوش مصنوعی با تحلیل مجموعه داده‌های عظیم برای شناسایی درمان‌های بالقوه، فرآیند کشف و توسعه دارو را تسریع می‌کند و به طور قابل توجهی زمان و هزینه را کاهش می‌دهد.[3, 9, 10, 13] آژانس‌های داروسازی از هوش مصنوعی برای ساده‌سازی توسعه دارو، شناسایی کاندیداهای مناسب برای آزمایش‌های بالینی و توسعه مدل‌های دقیق از فرآیندهای بیولوژیکی استفاده می‌کنند.[10] هوش مصنوعی می‌تواند اهداف دارویی حیاتی برای رگرسیون بیماری را شناسایی کند، مجموعه داده‌های بیولوژیکی و ژنتیکی وسیع را ارزیابی کند و اهداف جدیدی برای درمان‌ها آشکار سازد.[10, 13] هوش مصنوعی مولد می‌تواند داده‌های مصنوعی برای بهبود مجموعه داده‌ها و افزایش تنوع در تحقیقات بالینی ایجاد کند.[10] همچنین، هوش مصنوعی برای غربالگری دارو، استفاده از الگوریتم‌های مختلف برای غربالگری مجازی، و در توسعه واکسن برای شناسایی اجزایی که احتمالاً پاسخ ایمنی قوی ایجاد می‌کنند، به کار می‌رود.[10]

هوش مصنوعی و یادگیری ماشین، همراه با فناوری پوشیدنی، نظارت و مدیریت مجازی بیمار را ممکن می‌سازند و به بخشی از مراقبت استاندارد برای بیماری‌های مزمن مانند دیابت، فشار خون بالا و آپنه خواب تبدیل شده‌اند.[10] طراحی‌های RPM (نظارت از راه دور بیمار) مبتنی بر هوش مصنوعی، نظارت بر مراقبت‌های بهداشتی را برای تشخیص زودهنگام وخامت حال بیمار، جذب الگوهای رفتاری بیمار و شخصی‌سازی نظارت، متحول کرده‌اند.[10] چت‌بات‌ها و دستیاران مجازی مبتنی بر هوش مصنوعی، پشتیبانی ۲۴ ساعته از بیمار را فراهم می‌کنند، به پرسش‌های پزشکی پاسخ می‌دهند، در تریاژ علائم کمک می‌کنند و یادآوری‌های دارویی ارائه می‌دهند، که به طور بالقوه بازدیدهای غیرضروری از بیمارستان را کاهش می‌دهد.[3, 10, 14] برخی مطالعات حتی نشان می‌دهند که بیماران تعاملات مبتنی بر هوش مصنوعی را همدلانه‌تر از مکالمات عجولانه با ارائه‌دهندگان انسانی درک می‌کنند.[14] هوش مصنوعی همچنین می‌تواند از سلامت عاطفی از طریق برنامه‌های سلامت روان مبتنی بر هوش مصنوعی که تمرینات ذهن‌آگاهی یا مداخلات درمانی شناختی رفتاری (CBT) را ارائه می‌دهند، حمایت کند و از طریق دستگاه‌های پوشیدنی، سلامت را نظارت کند.[14]

هوش مصنوعی به طور قابل توجهی بار کارهای اداری، برنامه‌ریزی قرار ملاقات‌ها، کدگذاری پزشکی و صورتحساب را کاهش می‌دهد و به متخصصان مراقبت‌های بهداشتی اجازه می‌دهد تا بیشتر بر مراقبت از بیمار تمرکز کنند.[3, 8, 14, 15, 16] پزشکان، کاهش بارهای اداری از طریق خودکارسازی را به عنوان بزرگترین فرصت برای هوش مصنوعی (۵۷ درصد در سال ۲۰۲۴) شناسایی کرده‌اند.[8] هوش مصنوعی می‌تواند فرآیند صورتحساب پزشکی را با تأیید صلاحیت بیمار، مزایای بیمه، ارسال ادعاها و پیگیری پیشرفت آنها ساده کند.[15] در کدگذاری پزشکی، هوش مصنوعی داده‌های گذشته و سوابق بیمار را تحلیل می‌کند تا دقیق‌ترین کدها را برای رویه‌ها و تشخیص‌ها پیشنهاد دهد.[15]

مدل‌های هوش مصنوعی، به ویژه مدل‌های زبان بزرگ (LLMs)، با “رفت و برگشت اساسی و مکالمات طبیعی پزشک و بیمار” مشکل دارند، با وجود اینکه در امتحانات هیئت پزشکی عالی عمل می‌کنند.[18] ماهیت پویا و بدون ساختار مکالمات پزشکی، که نیازمند پرسیدن سؤالات صحیح در زمان مناسب، کنار هم قرار دادن اطلاعات پراکنده و استدلال از طریق علائم است، چالش‌های منحصر به فردی را ایجاد می‌کند که فراتر از پاسخ دادن به سؤالات چند گزینه‌ای است.[18] دقت تشخیصی هوش مصنوعی به طور قابل توجهی هنگام تغییر از آزمون‌های استاندارد به مکالمات طبیعی کاهش می‌یابد.[18] ابزارهای هوش مصنوعی فعلی در “موارد چالش‌برانگیز” با علائم غیرمعمول، مانند ذات‌الریه بدون تب، عملکرد ضعیفی دارند، که نشان می‌دهد داده‌های آموزشی آنها ممکن است چنین ارائه‌های غیرمعمولی را به اندازه کافی پوشش ندهند.[19] پزشکان انسانی همچنان در مواردی که سؤالات چند گزینه‌ای ساده نیستند، از هوش مصنوعی (GPT-4) بهتر عمل می‌کنند، که محدودیت هوش مصنوعی را در رسیدگی به پیچیدگی‌ها و ظرافت‌های ارائه‌های واقعی بیمار برجسته می‌کند.[12] هوش مصنوعی توانایی درک زمینه پزشکی و تفکر انتقادی را به روشی که یک متخصص انسانی می‌تواند، ندارد.[15] این فناوری در “تفکر سیستمی ۲” (استدلال آهسته، عمدی و تحلیلی) و تفسیر قابل اعتماد زمینه بالینی مشکل دارد.[12]

این وضعیت یک شکاف عمیق در توانایی هوش مصنوعی را نشان می‌دهد: هوش مصنوعی در پردازش و استدلال با اطلاعات بسیار بدون ساختار، مبهم و پویا که ویژگی‌های ذاتی برخوردهای بالینی در دنیای واقعی هستند، دچار مشکل می‌شود. این تفاوت اساسی با قدرت آن در تحلیل داده‌های ساختاریافته است. روش‌های طراحی و آموزش هوش مصنوعی فعلی، که عمدتاً بر اساس مجموعه داده‌های بزرگ و ایستا و مدل‌های پیش‌بینی‌کننده است، باعث می‌شود که این فناوری در مواجهه با ماهیت سیال و وابسته به زمینه مکالمات انسانی و ارائه‌های غیرمعمول، ناتوان باشد. عدم وجود درک واقعی از زمینه و استدلال تطبیقی، به کاهش دقت تشخیصی در سناریوهای پیچیده منجر می‌شود. این امر به این معناست که هوش مصنوعی در حال حاضر برای وظایفی مناسب‌تر است که می‌توانند رسمی شوند و در آنها پاسخ‌های “صحیح” از الگوهای موجود در مجموعه داده‌های بزرگ و بدون ابهام قابل استخراج هستند. این فناوری هنوز قادر به استدلال انعطاف‌پذیر، شهودی و تطبیقی نیست که پزشکان انسانی هنگام مواجهه با “استثنائات” ذاتی [12] و متغیرهای غیرقابل پیش‌بینی بیماران به کار می‌گیرند. این نشان می‌دهد که نقش‌هایی که نیازمند سطوح بالای درک متنی و حل مسئله تطبیقی هستند، در آینده قابل پیش‌بینی، انسان‌محور باقی خواهند ماند.

مدل‌های زبان بزرگ مانند GPT-4 مستعد همان سوگیری‌های شناختی هستند که بر استدلال انسانی تأثیر می‌گذارند و در برخی موارد، این سوگیری‌ها در ابزارهای هوش مصنوعی حتی برجسته‌تر هستند.[20] به عنوان مثال، “اثر قاب‌بندی” (Framing Effect) مشاهده شده است که هوش مصنوعی در صورت ارائه نرخ بقا به صورت مثبت در مقایسه با نرخ مرگ و میر به صورت منفی، بیشتر احتمال دارد جراحی سرطان ریه را توصیه کند. همچنین، “سوگیری پس‌نگری” (Hindsight Bias) باعث شده است که هوش مصنوعی بسته به نتیجه بیمار، به نتایج متفاوتی برسد، حتی زمانی که به آن دستور داده شده بود که نتیجه را نادیده بگیرد.[20] “اثر تقدم” (Primacy Effect) نیز بر اولویت‌های تشخیصی هوش مصنوعی بر اساس ترتیب ارائه علائم تأثیر می‌گذارد.[20] اتکای صرف به ابزارهای هوش مصنوعی بدون نظارت انتقادی می‌تواند خطاهای تصمیم‌گیری را تشدید کند، که پزشکان را ملزم به به چالش کشیدن نتایج هوش مصنوعی و بررسی دیدگاه‌های جایگزین می‌کند.[16, 20]

هوش مصنوعی بر مجموعه داده‌های بسیار بزرگ ساخته شده است، اما “مجموعه داده‌های استاندارد طلایی” حاوی تشخیص‌های صحیح/غلط تأیید شده به طور سیستماتیک اغلب وجود ندارند.[21] “مشکل داده‌های گم‌شده” زمانی به وجود می‌آید که تشخیص‌های نادرست به طور سیستماتیک در پرونده‌های الکترونیک سلامت (EHRs) ثبت نمی‌شوند. یک تشخیص تا زمانی که به صراحت بازنگری نشود، صحیح فرض می‌شود، که یک “اثر سقف مجموعه داده” ایجاد می‌کند؛ به این معنی که هوش مصنوعی آموزش‌دیده بر سوابق استاندارد، تنها به اندازه سیستم مراقبت‌های بهداشتی فعلی دقیق خواهد بود و نمی‌تواند آن را بهبود بخشد.[21] “شکست‌های خاموش” به تشخیص‌های نادرست ناشی از هوش مصنوعی اشاره دارد که می‌تواند برای سال‌ها بدون توجه باقی بماند، به خصوص اگر یک وضعیت جدی به اشتباه به عنوان خوش‌خیم طبقه‌بندی شود و بیمار دوباره مراجعه نکند. تشخیص این خطاها دشوارتر از خطاهای انسانی است و بدون نظارت مستمر انسانی، خطر قابل توجهی را به همراه دارد.[21] سوگیری در مجموعه داده‌های آموزشی و عدم تنوع در تیم‌های توسعه می‌تواند منجر به نابرابری‌های ناشی از هوش مصنوعی در مراقبت شود، به ویژه برای جمعیت‌های کمتر نمایندگی شده یا در کشورهای با درآمد پایین و متوسط که داده‌ها ممکن است کمیاب یا غیرنماینده باشند.[4, 22]

هوش مصنوعی نمی‌تواند همدلی واقعی انسانی را بازتولید کند یا واقعاً احساسات را تجربه کند.[14, 17] در حالی که هوش مصنوعی می‌تواند “پاسخ‌های شبیه به همدلی” ارائه دهد و نشانه‌های عاطفی را تشخیص دهد (همدلی شناختی)، نمی‌تواند احساسات فرد را واقعاً درک کند (همدلی عاطفی).[17] “لمس انسانی – گوش دادن، مراقبت کردن، درک کردن – که مراقبت‌های بهداشتی را واقعاً شفابخش می‌کند” جایگزین‌ناپذیر باقی می‌ماند.[14] روابط انسانی، به ویژه با بیماران و بین مربیان/فراگیران، باید یک ارزش اصلی و محرک تصمیم‌گیری در آموزش و عمل پزشکی باقی بماند.[23] بیماران همچنان خواهان نظر یک انسان مورد اعتماد هستند و هیچ کس نمی‌خواهد تشخیص سرطان را از یک چت‌بات دریافت کند.[12]

استفاده از هوش مصنوعی در مراقبت‌های بهداشتی با چالش‌های اخلاقی، حقوقی و نظارتی متعددی همراه است که به طور قابل توجهی بر اعتماد و پذیرش تأثیر می‌گذارد.

• حریم خصوصی و امنیت داده‌ها: سیستم‌های هوش مصنوعی به حجم عظیمی از داده‌های حساس بیمار متکی هستند، که نگرانی‌هایی را در مورد جمع‌آوری، ذخیره‌سازی، استفاده، دسترسی غیرمجاز، نقض داده‌ها و انطباق با مقرراتی مانند HIPAA و GDPR ایجاد می‌کند.[6, 7, 8, 11, 15, 22, 24, 25, 26, 27, 28, 29] نگرانی عمومی در مورد حریم خصوصی داده‌ها بالا است (۸۶ درصد در سال ۲۰۲۱، ۸۲ درصد در سال ۲۰۲۲).[28]
• مسئولیت‌پذیری و تعهد: تعیین مسئولیت در صورت بروز خطا در سیستم‌های هوش مصنوعی (مانند تشخیص نادرست یا شکست درمان) به دلیل دخالت چندین طرف در توسعه هوش مصنوعی، یک چالش پیچیده باقی می‌ماند.[6, 7, 24, 25, 26] استفاده از هوش مصنوعی ممکن است نیازمند بازتعریف استانداردهای مراقبت و تنظیم تعاریف قانونی سهل‌انگاری باشد.[26]
• شفافیت و مشکل “جعبه سیاه”: عدم شفافیت مدل‌های هوش مصنوعی، به ویژه سیستم‌های یادگیری عمیق، تصمیم‌گیری بالینی و مسئولیت‌پذیری را پیچیده می‌کند.[22, 24, 25, 26] مدل‌های هوش مصنوعی “جعبه سیاه” که هیچ توضیحی برای تشخیص‌های خود ارائه نمی‌دهند، در پزشکی خطرناک تلقی می‌شوند.[21] شفافیت برای ایجاد اعتماد بیمار حیاتی است.[22, 26, 30]
• رضایت آگاهانه: ارائه‌دهندگان مراقبت‌های بهداشتی باید بیماران را در مورد نقش هوش مصنوعی در مراقبتشان آگاه کنند، و بیماران باید حق رضایت یا انصراف را داشته باشند.[11, 24, 25, 26, 28]
• سوگیری الگوریتمی: سیستم‌های هوش مصنوعی می‌توانند به طور ناخواسته سوگیری‌های موجود را در صورت آموزش بر روی مجموعه داده‌های غیرمتنوع یا غیرنماینده، تداوم بخشند یا حتی تشدید کنند، که منجر به توصیه‌های درمانی یا نتایج تشخیصی سوگیرانه می‌شود و به طور نامتناسبی بر گروه‌های به حاشیه رانده شده تأثیر می‌گذارد.[2, 3, 4, 9, 22, 24, 25]
• عقب‌ماندگی نظارتی: مقررات مراقبت‌های بهداشتی هنوز با پیشرفت‌های هوش مصنوعی همگام نشده‌اند، که منجر به عدم قطعیت در اجرا، مسئولیت‌پذیری و پاسخگویی می‌شود.[3, 6, 7, 8, 9, 26, 28, 29] چشم‌انداز نظارتی پراکنده در ایالات متحده پیچیدگی‌های انطباق را ایجاد می‌کند.[28]
• اتکای بیش از حد و کاهش مهارت: اتکای بیش از حد به ابزارهای هوش مصنوعی ممکن است مشارکت محققان و پزشکان را در تفکر انتقادی کاهش دهد، که به طور بالقوه عمق و دقت انتشارات را تضعیف کرده و منجر به کاهش مهارت نیروی کار می‌شود.[2, 26, 31] پزشکان باید از اتکای کورکورانه به توصیه‌های هوش مصنوعی خودداری کنند.[16]
• هزینه و دسترسی: سرمایه‌گذاری اولیه بالا برای ابزارهای پیشرفته هوش مصنوعی ممکن است برای سازمان‌های کوچکتر امکان‌پذیر نباشد، که یک شکاف دیجیتالی و سیستم مراقبت‌های بهداشتی پراکنده ایجاد می‌کند که در آن نهادهای ثروتمندتر هوش مصنوعی را سریع‌تر پذیرفته‌اند.[4, 31, 32]

این مجموعه چالش‌ها نشان‌دهنده یک تأخیر قابل توجه و رو به رشد بین پیشرفت سریع فناوری هوش مصنوعی در مراقبت‌های بهداشتی و توسعه چارچوب‌های اخلاقی، حقوقی و نظارتی قوی برای حکمرانی بر استقرار مسئولانه و عادلانه آن است. این “تأخیر اخلاقی-فنی” یک مانع اساسی برای اعتماد گسترده و پذیرش است. سرعت بی‌سابقه توسعه هوش مصنوعی [1] از چرخه‌های سنتی انتشار دانشگاهی و نظارتی پیشی می‌گیرد [1, 28] و خلأیی را در دستورالعمل‌های روشن برای ایمنی، مسئولیت‌پذیری و عدالت ایجاد می‌کند. این خلأ نظارتی، همراه با چالش‌های ذاتی در کیفیت و نمایندگی داده‌ها [21, 22]، منجر به مسائل حیاتی مانند سوگیری، نقض حریم خصوصی و عدم مسئولیت‌پذیری می‌شود که به نوبه خود اعتماد پزشکان و بیماران را از بین می‌برد.[7, 26, 27] بدون حکمرانی فعال و جامع، پتانسیل هوش مصنوعی برای تشدید نابرابری‌های بهداشتی موجود قابل توجه است.[4, 22] وضعیت فعلی نشان می‌دهد که “اغراق” در مورد ادغام فوری و بی‌عیب و نقص هوش مصنوعی در مراقبت‌های بهداشتی، عمدتاً به دلیل دست کم گرفتن چالش‌های غیرفنی و انسان‌محور است. غلبه بر این چالش‌ها نیازمند یک رویکرد چند ذینفعی شامل پزشکان، بیماران، متخصصان اخلاق و سیاست‌گذاران است، نه فقط فناوران، تا اطمینان حاصل شود که هوش مصنوعی به طور عادلانه و ایمن به همه جوامع خدمت می‌کند.

• پزشکان عمومی (GPs): پزشکان عمومی به دلیل نقش محوری خود در ایجاد روابط طولانی‌مدت با بیماران، ارزیابی علائم در بافت گسترده‌تری از سبک زندگی بیمار، محیط، سابقه سلامت، پیشینه فرهنگی و رفاه عاطفی، و اتخاذ تصمیمات بالینی اخلاقی و پیچیده که نیازمند لمس انسانی است، جایگزین‌ناپذیر هستند.[35] کار آنها شامل مهارت‌های تحلیل انتقادی همراه با جنبه‌های رابطه‌ای در طول عمر بیمار است.[35]
• جراحان (جراحان فک و صورت، ارتوپدی، کودکان و غیره): در حالی که هوش مصنوعی می‌تواند دقت جراحی رباتیک را افزایش دهد [3]، قضاوت ظریف، سازگاری با یافته‌های غیرمنتظره حین عمل، و تصمیم‌گیری اخلاقی در رویه‌های پیچیده، همچنان در حوزه انسانی باقی می‌مانند.[34]
• روانپزشکان و عصب‌روانشناسان: این نقش‌ها شامل درک عمیق از ذهن انسان، استدلال تشخیصی پیچیده، و برنامه‌های درمانی بسیار فردی‌سازی شده است که فراتر از تشخیص الگو است.[34]
• دندانپزشکان: دندانپزشکان عمومی و پروتزیست‌ها نیازمند مهارت‌های دستی، ارتباط با بیمار، و قضاوت ظریف برای مراقبت فردی‌سازی شده هستند.[34]

این نقش‌ها نیازمند ویژگی‌های ذاتی انسانی مانند مهارت‌های اجتماعی، هوش هیجانی، گوش دادن فعال و ایجاد اعتماد هستند که هوش مصنوعی نمی‌تواند به راحتی آنها را بازتولید کند.[34]

• پرستاران متخصص و دستیاران پزشک: این نقش‌ها نیازمند توانایی‌های متقاعدسازی، مذاکره، درک اجتماعی، همدلی و سازگاری در سناریوهای پزشکی متنوع هستند.[34]
• مشاوران سلامت روان، درمانگران خانواده و ازدواج، درمانگران هنر/موسیقی: این متخصصان به شدت به هوش هیجانی، گوش دادن فعال و ایجاد اعتماد برای درک ظریف احساسات انسانی و پشتیبانی شخصی‌سازی شده متکی هستند.[34] فرآیند درمانی بسیار فردی‌سازی شده است.[34]
• فیزیوتراپیست‌ها، کاردرمانگران، مربیان ورزشی، ارتوتیست‌ها و پروتزیست‌ها: این مشاغل شامل تعامل مستقیم انسانی، برنامه‌های درمانی شخصی‌سازی شده، ارتباط همدلانه و توانایی انگیزه دادن و هدایت بهبودی هستند که نیازمند درجه بالایی از تعامل انسانی و حل مسئله است.[34]
• مددکاران اجتماعی سلامت و سلامت روان/اعتیاد: این مددکاران اجتماعی پشتیبانی و حمایت حیاتی را برای افراد و خانواده‌هایی که با چالش‌های مختلف روبرو هستند، فراهم می‌کنند. کار آنها شامل پیمایش سیستم‌های اجتماعی پیچیده، ارائه حمایت عاطفی و حمایت از جمعیت‌های آسیب‌پذیر است، که همگی نیازمند همدلی و درک عمیق انسانی هستند.[34]
• مربیان و اساتید پرستاری: این نقش‌ها شامل آموزش و راهنمایی متخصصان آینده مراقبت‌های بهداشتی، انتقال اطلاعات پیچیده، الهام بخشیدن به دانشجویان و تطبیق روش‌های تدریس است که نیازمند خلاقیت انسانی و مهارت‌های بین فردی است.[34]

پزشکی اساساً در مورد مدیریت “استثنائات” (caveats) است – عوامل منحصر به فردی که مانع از پیروی از پروتکل‌های سفت و سخت و از پیش تعیین شده می‌شوند.[12] قضاوت حرفه‌ای انسانی برای اطمینان از تشخیص و درمان صحیح در اکثر موقعیت‌های بالینی ضروری است، زیرا همیشه عوامل منحصر به فردی وجود دارند که مانع از پیروی از یک پروتکل سفت و سخت می‌شوند.[12] هوش مصنوعی می‌تواند ابزاری ارزشمند *قبل* و *بعد* از اعمال قضاوت بالینی باشد، اما نمی‌تواند جایگزین آن شود، به ویژه زمانی که شرایط تغییر می‌کند و مراقبت باید مجدداً ارزیابی و با نیازهای خاص بیمار تطبیق یابد.[12] توانایی ترکیب اطلاعات متنوع، از جمله گزارش‌های ذهنی بیمار و نتایج آزمایش‌های عینی، برای تشکیل یک درک جامع از سلامت بیمار، شامل شهود و درک وضعیت انسانی، نمی‌تواند به طور کامل توسط الگوریتم‌ها بازتولید شود.[35]