هوش مصنوعی پزشکی؛ انقلاب تشخیص

هوش مصنوعی پزشکی دیگر فقط یک ایده آینده‌نگرانه نیست؛ این فناوری اکنون در تشخیص بیماری، تحلیل تصاویر پزشکی، کشف دارو، پایش بیماران و تصمیم‌گیری بالینی به کار می‌رود. ترکیب داده‌های سلامت با الگوریتم‌های یادگیری ماشین می‌تواند سرعت و دقت بسیاری از فرایندهای درمانی را افزایش دهد؛ البته به شرط آنکه در کنار تخصص پزشک، نظارت انسانی، امنیت داده و اعتبارسنجی علمی قرار بگیرد.

در این مقاله، مهم‌ترین کاربردهای هوش مصنوعی پزشکی، مزایا و محدودیت‌های آن، وضعیت استفاده در ایران و مسیر آینده این حوزه را بررسی می‌کنیم. هدف، ارائه تصویری واقع‌بینانه است: هوش مصنوعی قرار نیست جای پزشک را بگیرد، اما می‌تواند پزشکانی را که از آن درست استفاده می‌کنند، توانمندتر و تصمیم‌های درمانی را دقیق‌تر کند.

هوش مصنوعی پزشکی چیست؟

هوش مصنوعی پزشکی به مجموعه‌ای از مدل‌ها، نرم‌افزارها و سامانه‌های هوشمند گفته می‌شود که برای تحلیل داده‌های سلامت، پیش‌بینی خطر بیماری، پشتیبانی از تشخیص یا بهینه‌سازی درمان طراحی شده‌اند. این داده‌ها می‌توانند شامل پرونده الکترونیک سلامت، تصاویر رادیولوژی، نتایج آزمایشگاهی، علائم حیاتی، داده‌های ژنتیکی و حتی اطلاعات حاصل از ساعت‌های هوشمند باشند.

سه فناوری در این حوزه نقش اساسی دارند:

• یادگیری ماشین: الگوریتم از نمونه‌های قبلی یاد می‌گیرد و برای داده‌های جدید پیش‌بینی یا طبقه‌بندی انجام می‌دهد.
• یادگیری عمیق: شبکه‌های عصبی چندلایه، به‌ویژه در تحلیل تصویر، صوت و سیگنال‌های پزشکی کاربرد دارند.
• پردازش زبان طبیعی: متن پرونده‌ها، گزارش‌های پزشکی و گفت‌وگوی پزشک و بیمار را تحلیل یا خلاصه می‌کند.

نکته مهم این است که «دقت مدل» با «ایمنی بالینی» یکسان نیست. یک ابزار ممکن است در آزمون آزمایشگاهی عملکرد خوبی داشته باشد، اما در بیمارستانی با جمعیت، دستگاه‌ها یا الگوهای بیماری متفاوت، نتایج ضعیف‌تری تولید کند. بنابراین هر سامانه باید پیش از استفاده گسترده، در محیط واقعی و با نظارت متخصصان ارزیابی شود.

مهم‌ترین کاربردهای هوش مصنوعی پزشکی

۱. تشخیص زودهنگام بیماری‌ها

یکی از ارزشمندترین کاربردهای هوش مصنوعی، شناسایی الگوهای ظریف بیماری پیش از آشکار شدن علائم شدید است. مدل‌های هوشمند می‌توانند عوامل خطر، سابقه خانوادگی، نتایج آزمایش و علائم حیاتی را کنار هم قرار دهند و احتمال ابتلا به بیماری‌هایی مانند دیابت، بیماری قلبی، سکته مغزی یا برخی سرطان‌ها را برآورد کنند.

برای مثال، یک مدل پیش‌بینی خطر می‌تواند با بررسی سن، فشار خون، شاخص توده بدنی، سطح قند خون و سابقه مصرف دارو، بیمارانی را که نیازمند بررسی دقیق‌تر هستند مشخص کند. این خروجی تشخیص قطعی نیست؛ بلکه به پزشک کمک می‌کند منابع محدود را بر بیماران پرخطر متمرکز کند.

۲. تحلیل تصاویر پزشکی

رادیولوژی و پاتولوژی از نخستین حوزه‌هایی هستند که از هوش مصنوعی پزشکی بهره برده‌اند. الگوریتم‌های بینایی ماشین می‌توانند در تصاویر اشعه ایکس، سی‌تی‌اسکن، ام‌آر‌آی، ماموگرافی و اسلایدهای بافت‌شناسی، نواحی مشکوک را علامت‌گذاری کنند.

کاربردهای رایج عبارت‌اند از:

• تشخیص یا اولویت‌بندی موارد مشکوک به سرطان ریه در سی‌تی‌اسکن؛
• شناسایی خونریزی مغزی، سکته یا شکستگی در تصاویر اورژانسی؛
• تحلیل ماموگرافی برای یافتن نشانه‌های اولیه سرطان پستان؛
• بررسی تصاویر شبکیه برای غربالگری رتینوپاتی دیابتی؛
• اندازه‌گیری خودکار حجم تومور یا میزان پیشرفت بیماری.

بهترین الگو در اینجا استفاده از مدل به‌عنوان «دستیار دوم» است. سیستم می‌تواند موارد پرخطر را سریع‌تر نشان دهد، اما تفسیر نهایی باید با توجه به علائم، سوابق بیمار و قضاوت متخصص انجام شود.

۳. پزشکی شخصی‌سازی‌شده و درمان دقیق

پزشکی سنتی گاهی برای گروه بزرگی از بیماران، یک پروتکل مشابه پیشنهاد می‌کند؛ در حالی که پاسخ افراد به یک دارو یا روش درمانی می‌تواند متفاوت باشد. هوش مصنوعی با تحلیل داده‌های ژنتیکی، سبک زندگی، سوابق درمانی و پاسخ‌های قبلی بیمار، به انتخاب درمان متناسب‌تر کمک می‌کند.

در سرطان‌شناسی، مدل‌ها می‌توانند ویژگی‌های تومور را با بانک‌های اطلاعاتی داروها مقایسه کنند و گزینه‌های احتمالی درمان را پیشنهاد دهند. در بیماری‌های مزمن نیز تحلیل روند قند خون، فشار خون یا عملکرد کلیه می‌تواند به تنظیم زمان و مقدار مداخله کمک کند.

پیشنهاد الگوریتمی، نسخه پزشکی نیست. هر توصیه درمانی باید توسط پزشک مسئول، بر اساس شواهد معتبر و شرایط واقعی بیمار بررسی و تأیید شود.

۴. کشف و توسعه دارو

تولید یک داروی جدید معمولاً سال‌ها زمان می‌برد و هزینه زیادی دارد. هوش مصنوعی می‌تواند بخش‌هایی از این مسیر را کوتاه‌تر کند. مدل‌ها با بررسی ساختار مولکول‌ها، پایگاه‌های داده زیستی و نتایج آزمایش‌های قبلی، ترکیباتی را پیشنهاد می‌کنند که احتمال اثرگذاری یا ایمنی بیشتری دارند.

این فناوری در مراحل مختلف به کار می‌رود:

1. شناسایی هدف زیستی مرتبط با بیماری؛
2. طراحی یا غربالگری ترکیبات شیمیایی؛
3. پیش‌بینی سمیت و عوارض احتمالی؛
4. انتخاب بیماران مناسب برای کارآزمایی بالینی؛
5. تحلیل نتایج و پایش ایمنی پس از عرضه دارو.

با وجود این مزایا، مدل کامپیوتری نمی‌تواند جای آزمایش‌های سلولی، حیوانی و کارآزمایی انسانی را بگیرد. خروجی هوش مصنوعی فقط تعداد گزینه‌های قابل بررسی را کاهش می‌دهد و فرایند پژوهش را هدفمندتر می‌کند.

۵. جراحی رباتیک و کمک به پزشک

در جراحی رباتیک، سامانه‌های هوشمند می‌توانند تصاویر حین عمل، حرکت ابزارها و اطلاعات مربوط به وضعیت بیمار را تحلیل کنند. این قابلیت برای برنامه‌ریزی پیش از عمل، تعیین مسیر مناسب، اندازه‌گیری بافت و کاهش لرزش دست جراح مفید است.

در آینده، انتظار می‌رود سیستم‌های جراحی از مدل‌های پیش‌بینی‌کننده برای هشدار درباره نزدیک شدن ابزار به عروق یا بافت‌های حساس استفاده کنند. با این حال، خودکارسازی کامل جراحی از نظر فنی، حقوقی و اخلاقی بسیار حساس است. تصمیم نهایی و کنترل عملیات باید در اختیار تیم درمان باقی بماند.

۶. پایش از راه دور و سلامت همراه

ساعت‌های هوشمند، حسگرهای پوشیدنی و تجهیزات خانگی می‌توانند داده‌هایی مانند ضربان قلب، سطح اکسیژن، فشار خون، کیفیت خواب و فعالیت بدنی را ثبت کنند. الگوریتم‌های هوش مصنوعی این داده‌ها را به‌صورت پیوسته بررسی می‌کنند و در صورت مشاهده الگوی غیرعادی، هشدار می‌دهند.

این کاربرد برای بیماران مبتلا به نارسایی قلبی، دیابت، بیماری‌های تنفسی و سالمندان اهمیت زیادی دارد. پایش از راه دور می‌تواند مراجعه غیرضروری را کاهش دهد و نشانه‌های وخامت را زودتر آشکار کند. با این حال، هشدار بیش از حد ممکن است اضطراب بیمار و فشار کاری کادر درمان را افزایش دهد؛ بنابراین آستانه هشدار باید با داده‌های معتبر و نظر پزشک تنظیم شود.

۷. دستیارهای هوشمند برای پزشکان و پرستاران

بخش قابل‌توجهی از زمان کادر درمان صرف کارهای اداری، ثبت اطلاعات و جست‌وجوی سوابق می‌شود. مدل‌های زبانی می‌توانند مکالمه بالینی را به متن تبدیل کنند، خلاصه پرونده بسازند، فهرست داروها را استخراج کنند و پیش‌نویس نامه یا گزارش پزشکی تهیه کنند.

این ابزارها باید به پایگاه‌های علمی معتبر متصل باشند و قابلیت ردیابی منبع داشته باشند. مدل زبانی عمومی ممکن است دچار «توهم» شود؛ یعنی اطلاعاتی نادرست اما ظاهراً قانع‌کننده تولید کند. به همین دلیل، تمام متن تولیدشده باید پیش از ثبت در پرونده یا ارسال برای بیمار بازبینی شود.

برای مطالعه بیشتر درباره مدیریت اطلاعات حساس در ابزارهای هوش مصنوعی، مقاله اگر کل زندگی‌مان را برای ChatGPT تعریف کنیم چه اتفاقی می‌افتد؟ نیز می‌تواند مفید باشد.

۸. آموزش پزشکی و شبیه‌سازی بالینی

هوش مصنوعی می‌تواند برای دانشجویان پزشکی، سناریوهای تعاملی بیمار شبیه‌سازی‌شده ایجاد کند. دانشجو با یک بیمار مجازی گفت‌وگو می‌کند، شرح حال می‌گیرد، آزمایش مناسب را انتخاب می‌کند و سپس بازخورد دریافت می‌کند.

این روش امکان تمرین مکرر و کم‌خطر را فراهم می‌کند، اما جای کارآموزی واقعی و ارتباط انسانی را نمی‌گیرد. کیفیت آموزش نیز به تنوع سناریوها و جلوگیری از سوگیری داده‌های آموزشی وابسته است.

۹. مدیریت بیمارستان و تخصیص منابع

کاربرد هوش مصنوعی پزشکی فقط به اتاق معاینه محدود نیست. بیمارستان‌ها می‌توانند از مدل‌های پیش‌بینی برای برآورد تعداد مراجعه‌کنندگان، مدیریت تخت، برنامه‌ریزی شیفت، کنترل موجودی دارو و کاهش زمان انتظار استفاده کنند.

برای نمونه، پیش‌بینی افزایش مراجعه در فصل‌های خاص می‌تواند به بیمارستان کمک کند نیروی انسانی و تجهیزات را بهتر آماده کند. تحلیل فرایند پذیرش نیز گلوگاه‌هایی را نشان می‌دهد که باعث اتلاف زمان بیماران می‌شوند.

جدول خلاصه کاربردها و ارزش عملی

مزایای استفاده از هوش مصنوعی پزشکی

• افزایش سرعت: مدل می‌تواند هزاران تصویر یا رکورد را در زمانی کوتاه بررسی کند.
• کاهش خطاهای قابل پیشگیری: سیستم با یادآوری تداخل دارویی یا نشانه‌های خطر، به تیم درمان کمک می‌کند.
• دسترسی بهتر: ابزارهای تله‌مدیسین و غربالگری هوشمند می‌توانند خدمات را به مناطق کم‌برخوردار نزدیک‌تر کنند.
• کاهش بار اداری: خلاصه‌سازی و ثبت خودکار اطلاعات، زمان بیشتری برای ارتباط پزشک و بیمار ایجاد می‌کند.
• پشتیبانی از پژوهش: تحلیل مجموعه‌داده‌های بزرگ، یافتن الگوهای جدید و طراحی مطالعات را آسان‌تر می‌کند.

بر اساس گزارش‌های سازمان جهانی بهداشت، استفاده مسئولانه از هوش مصنوعی می‌تواند ظرفیت نظام‌های سلامت را افزایش دهد، اما این سازمان بر ضرورت ایمنی، شفافیت، پاسخ‌گویی، عدالت و حفاظت از داده‌ها تأکید کرده است. جزئیات اصول پیشنهادی را می‌توان در راهنمای سازمان جهانی بهداشت درباره اخلاق و حکمرانی هوش مصنوعی در سلامت مطالعه کرد.

چالش‌ها و خطرات هوش مصنوعی در پزشکی

حریم خصوصی و امنیت داده

پرونده پزشکی از حساس‌ترین انواع اطلاعات شخصی است. ارسال تصویر، نام، شماره ملی، نتیجه آزمایش یا شرح بیماری به یک ابزار عمومی می‌تواند خطر افشای اطلاعات را ایجاد کند. پیش از استفاده از هر سامانه، باید داده‌ها ناشناس‌سازی شوند و سیاست نگهداری، محل پردازش و سطح دسترسی به‌دقت بررسی شود.

در پروژه‌های سازمانی، رمزنگاری، کنترل دسترسی مبتنی بر نقش، ثبت رویدادها، پشتیبان‌گیری امن و آزمون نفوذ باید بخشی از طراحی سامانه باشد. در ایران نیز رعایت ضوابط محرمانگی پزشکی و دستورالعمل‌های داخلی مراکز درمانی اهمیت ویژه دارد.

سوگیری الگوریتمی

اگر داده آموزشی یک مدل عمدتاً از یک قومیت، جنسیت، گروه سنی یا کشور خاص تشکیل شده باشد، احتمال دارد مدل برای جمعیت دیگری عملکرد ضعیف‌تری داشته باشد. این مسئله در تشخیص پوستی، تصویربرداری و ارزیابی ریسک بیماری مشاهده‌پذیر است.

راهکارهای کاهش سوگیری شامل استفاده از داده متنوع، سنجش جداگانه عملکرد برای گروه‌های مختلف، ارزیابی مستقل و پایش مداوم پس از استقرار است. ادعای «بی‌طرف بودن» الگوریتم بدون ارائه داده و معیار قابل بررسی، قابل اعتماد نیست.

توضیح‌پذیری و مسئولیت حقوقی

پزشک باید بداند یک سامانه چرا بیمار را پرخطر تشخیص داده است. مدل‌های کاملاً جعبه‌سیاه، حتی اگر دقت بالایی داشته باشند، ممکن است اعتماد بالینی را کاهش دهند. ابزارهای توضیح‌پذیر، نمایش عوامل مؤثر و ارائه سطح اطمینان می‌توانند تصمیم‌گیری را شفاف‌تر کنند.

همچنین باید از ابتدا مشخص باشد مسئولیت خطا بر عهده چه کسی است: سازنده نرم‌افزار، مرکز درمانی یا پزشک استفاده‌کننده؟ پاسخ روشن به این پرسش نیازمند استانداردهای حرفه‌ای، قراردادهای دقیق و مقررات به‌روز است.

خطای داده و توهم مدل‌های زبانی

مدل هوش مصنوعی فقط به اندازه داده و فرایند اعتبارسنجی خود قابل اعتماد است. داده ناقص، کدگذاری نادرست، گزارش اسکن بی‌کیفیت یا ثبت اشتباه دارو می‌تواند خروجی نادرست بسازد. در مدل‌های زبانی نیز احتمال ساختن منبع جعلی، دوز اشتباه یا توصیه نامرتبط وجود دارد.

برای کاهش خطر، سامانه باید محدودیت‌های خود را نمایش دهد، در موارد خارج از دامنه پاسخ ندهد و امکان ارجاع به متخصص را فراهم کند. هیچ بیمار نباید بر اساس پاسخ خام یک چت‌بات، مصرف دارو را شروع یا متوقف کند.

مقایسه نقش پزشک و هوش مصنوعی

وضعیت و فرصت‌های هوش مصنوعی پزشکی در ایران

ایران از نظر تعداد پزشکان، مراکز دانشگاهی، شرکت‌های دانش‌بنیان و حجم داده‌های درمانی ظرفیت مناسبی برای توسعه این حوزه دارد. تصویربرداری پزشکی، آزمایشگاه‌های تشخیص، مدیریت نوبت‌دهی، تله‌مدیسین و تحلیل پرونده‌های الکترونیک از زمینه‌های عملی‌تر برای شروع هستند.

با این حال، چالش‌هایی مانند پراکندگی سامانه‌های اطلاعاتی، تفاوت قالب داده‌ها، کمبود مجموعه‌داده استاندارد و برچسب‌گذاری‌شده، محدودیت دسترسی پژوهشی به داده و نبود مسیر یکپارچه برای ارزیابی محصولات وجود دارد. توسعه موفق در ایران به همکاری وزارت بهداشت، دانشگاه‌ها، مراکز درمانی، شرکت‌های فناوری و انجمن‌های تخصصی نیازمند است.

برای یک پروژه ایرانی، ترجیحاً باید از داده‌های بومی و نماینده جمعیت هدف استفاده شود. مدلی که در یک کشور دیگر آموزش دیده، بدون آزمون روی بیماران ایرانی نباید مستقیماً وارد فرایند تشخیص یا درمان شود.

چگونه یک سامانه پزشکی مبتنی بر هوش مصنوعی را ارزیابی کنیم؟

1. کاربرد دقیق را تعریف کنید: آیا هدف غربالگری است، کمک‌تشخیصی، پیش‌بینی یا مدیریت اداری؟
2. منبع داده را بررسی کنید: داده باید معتبر، ناشناس، متنوع و متناسب با جمعیت هدف باشد.
3. معیارهای بالینی را بسنجید: دقت، حساسیت، ویژگی، ارزش اخباری مثبت و منفی را جداگانه بررسی کنید.
4. عملکرد گروه‌های مختلف را مقایسه کنید: مدل نباید برای یک گروه جمعیتی به‌طور معنادار ضعیف‌تر باشد.
5. آزمون واقعی انجام دهید: عملکرد در محیط بیمارستان با آزمون آزمایشگاهی یکسان نیست.
6. نظارت انسانی بگذارید: کاربر باید بتواند خروجی را رد، اصلاح و مستندسازی کند.
7. امنیت و انطباق را بسنجید: دسترسی‌ها، لاگ‌ها، محل ذخیره داده و فرایند اعلام رخداد امنیتی را مشخص کنید.

یک نمونه ساده از منطق تصمیم‌یار را می‌توان چنین تصور کرد؛ این کد صرفاً آموزشی است و برای تشخیص واقعی یا تصمیم درمانی کاربرد ندارد:

def triage_risk(age, oxygen, fever, symptoms):
    risk = 0
    if age >= 65:
        risk += 2
    if oxygen < 92:
        risk += 4
    if fever:
        risk += 1
    if symptoms in ["chest_pain", "severe_breathlessness"]:
        risk += 4

    if risk >= 5:
        return "ارجاع فوری به پزشک"
    return "ارزیابی معمول با نظارت بالینی"

آینده هوش مصنوعی پزشکی

روندهای آینده این حوزه به سمت مدل‌های چندوجهی پیش می‌رود؛ مدل‌هایی که می‌توانند متن پرونده، تصویر، آزمایش و سیگنال‌های حیاتی را هم‌زمان تحلیل کنند. همچنین مدل‌های کوچک‌تر و تخصصی‌تر برای اجرا در بیمارستان یا حتی روی دستگاه‌های محلی توسعه خواهند یافت تا وابستگی به ارسال داده به سرورهای عمومی کمتر شود.

روند مهم دیگر، استفاده از یادگیری فدرال است. در این روش، مدل می‌تواند در چند مرکز درمانی آموزش ببیند، بدون آنکه همه داده خام بیماران میان مراکز جابه‌جا شود. این رویکرد می‌تواند همکاری پژوهشی و حفاظت از حریم خصوصی را بهبود دهد؛ البته اجرای آن به زیرساخت فنی و استانداردهای مشترک نیاز دارد.

در سال‌های آینده، موفق‌ترین سامانه‌ها الزاماً پیچیده‌ترین مدل‌ها نخواهند بود؛ بلکه ابزارهایی برنده‌اند که در جریان کار واقعی پزشک جای می‌گیرند، نتیجه قابل توضیح ارائه می‌دهند، با زبان و داده بومی سازگارند و در صورت خطا امکان مداخله انسانی دارند.

برای تقویت دانش عمومی و تخصصی در این مسیر، مطالعه منابع آموزشی ساختاریافته اهمیت دارد. مجموعه ۱۰۰ دوره تخصصی هوش مصنوعی رایگان می‌تواند برای آشنایی با مبانی یادگیری ماشین، پردازش داده و کاربردهای عملی مفید باشد.

جمع‌بندی

هوش مصنوعی پزشکی از تشخیص تصاویر تا کشف دارو و مدیریت بیمارستان، ظرفیت تغییر بسیاری از فرایندهای سلامت را دارد. مهم‌ترین مزیت آن، پردازش سریع داده و کمک به کشف الگوهایی است که ممکن است در بررسی انسانی نادیده بمانند. در مقابل، حریم خصوصی، سوگیری، خطای داده، توضیح‌پذیری و مسئولیت حقوقی چالش‌هایی جدی هستند.

رویکرد درست، نه پذیرش هیجانی و نه رد کامل فناوری است. هر ابزار باید با داده مناسب، کارآزمایی معتبر، نظارت پزشک، امنیت قوی و معیارهای روشن ارزیابی شود. در چنین چارچوبی، هوش مصنوعی می‌تواند به‌جای تهدید، به یکی از مهم‌ترین دستیارهای نظام سلامت ایران تبدیل شود.

سوالات متداول

آیا هوش مصنوعی پزشکی جای پزشکان را می‌گیرد؟

در آینده نزدیک، جایگزینی کامل پزشک واقع‌بینانه نیست. هوش مصنوعی در تحلیل داده، تصویر و پیش‌بینی بسیار قدرتمند است، اما همدلی، معاینه، درک زمینه اجتماعی بیمار، تصمیم‌گیری اخلاقی و مسئولیت حرفه‌ای همچنان به انسان نیاز دارد. احتمالاً پزشکانی که از ابزارهای هوشمند استفاده می‌کنند، جایگزین پزشکانی می‌شوند که از این ابزارها استفاده نمی‌کنند.

آیا می‌توان به تشخیص یک اپلیکیشن هوش مصنوعی اعتماد کرد؟

اعتماد باید به سطح اعتبارسنجی و نوع کاربرد بستگی داشته باشد. اپلیکیشن‌های عمومی برای آموزش و ارائه اطلاعات اولیه مناسب‌اند، اما تشخیص بیماری یا تغییر درمان باید توسط پزشک انجام شود. ابزارهای تخصصی نیز باید مجوز، منبع داده، معیارهای عملکرد و محدودیت‌های مشخص داشته باشند.

مهم‌ترین خطر استفاده از هوش مصنوعی در پزشکی چیست؟

مهم‌ترین خطر، تصمیم‌گیری بر اساس خروجی نادرست بدون بررسی انسانی است. افشای اطلاعات پزشکی، سوگیری علیه برخی گروه‌ها و تولید پاسخ‌های ساختگی توسط مدل‌های زبانی نیز خطرهای مهمی هستند. ترکیب اعتبارسنجی بالینی، آموزش کاربران و حفاظت از داده، احتمال این آسیب‌ها را کاهش می‌دهد.

هوش مصنوعی در کدام بخش پزشکی سریع‌تر رشد می‌کند؟

تصویربرداری پزشکی، غربالگری، پایش از راه دور، دستیارهای اداری و کشف دارو از حوزه‌های دارای رشد سریع هستند؛ زیرا داده ساختاریافته بیشتری دارند و امکان اندازه‌گیری عملکرد در آن‌ها ساده‌تر است. با این حال، سرعت رشد در هر کشور به زیرساخت داده، مقررات و سرمایه‌گذاری پژوهشی بستگی دارد.