این چالش‌ها شامل آماده شدن برای همه‌گیری احتمالی بعدی، مقابله با افزایش بی‌وقفه بیماری‌های عفونی در حال مقاوم شدن به آنتی‌بیوتیک‌ها، معکوس کردن روال  چاقی فراگیر، فهمیدن و رسیدگی به بار فزاینده مشکلات سلامت روان و مراقبت از انسان‌هایی است که طول عمرشان در حال افزایش است اما زیاد تر سالم نیستند و از بیماری‌های گوناگون رنج می‌برند.

در این چنین شرایطی، تشکیل یک شبکه بین‌المللی متشکل از سیستم‌های بهداشتی نوآورانه می‌تواند به شدت جریان مقابله با چالش‌های سلامت عمومی را به سوی راهکاری مبتنی بر هوش مصنوعی سوق دهد.

یکی از مشکلات برای آموزش ابزارهای هوش مصنوعی پزشکی، ماهیت داده‌های بهداشتی حاضر است. برخلاف داده‌هاییی که از طریق دوربین‌ها و حسگرها جمع‌آوری شده و برای آموزش ابزارهای هوش مصنوعی مورد منفعت گیری در راندن ماشین منفعت گیری خواهد شد، داده‌های حاضر در اسبق پزشکی حاوی یک عکس کامل از سلامت افراد نیستند و نمی‌توان با منفعت گیری از آنها، مدل‌ها و ابزارهای هوش مصنوعی را جهت اراعه خدمات مراقبت‌ بهداشت و درمان آموزش داد. اسبق پزشکی حاضر یا بر بیماری‌های قبلی افراد و یا بر بیماری‌های جاری آنان تمرکز دارد و فقط شرایط یک فرد را در حالت بیماری نشان خواهند داد. این چنین در این داده‌ها، موارد عدم ثبت صحیح، نقص اطلاعات و خطای اندازه‌گیری به قدری زیاد است که آموزش مدل‌های هوش مصنوعی با آنها همانند آن خواهد می بود که از الگوریتم‌های هوش مصنوعی بخواهیم از بین شکاف‌های یک حصار و از پشت شیشه‌های مات، یک عکس واقعی از حالت سلامت بیماران به ما اراعه کنند.

متأسفانه اکنون، اطلاعات مبنایی و کامل‌ در رابطه چگونگی ابتلای افراد به بیماری و یا نیاز اشکار کردن آنان به مراجعه به پزشک وجود ندارد، در حالیکه دسترسی داشتن به این چنین اطلاعاتی برای یافتن راه‌های مؤثر در جهت پیشگیری از بیماری و پشتیبانی به خوب بودن حال مردم الزامی است. با دقت به افزایش هزینه‌های مراقبت از گروه‌های در حال رسیدن به سنین سالمندی، در روال اراعه مراقبت‌های بهداشت و درمان، پیشگیری نقش حیاتی خواهد داشت. خوشبختانه، هوش مصنوعی در حال تبدیل شدن به بخشی از زندگی روزمره مردم است و همین نوشته علتثبت داده‌های تازه و افزایش تعامل های کاربران با ابزارهای هوش مصنوعی می‌شود که این داده‌ها نیز به نوبه خود می‌توانند در پشتیبانی به خوب نگه داشتن حال مردم و پیشگیری از بیمار شدن آنان مورد منفعت گیری قرار گیرد.

اکنون، برنامه‌ها و ابزارهای هوش‌مصنوعی زیاد تر بر بیماری‌ها و یا درمان‌های اختصاصی هر بیماری تمرکز دارند و مبتلایان به بیماری‌های حاد و جدی در برابر خود انواع گوناگون فناوری‌های گوناگون را می‌بینند. با این حال، ملزوم است که در گسترش ابزارهای هوش مصنوعی اختصاصی مراقبت‌های بهداشت و درمان به جای رویکرد مبتنی بر تشکیل بازار برنامه‌های پزشکی تخصصی، رویکرد گسترش توانایی‌های این ابزارها برای اراعه مراقبت‌های بهداشتی در قالب فناوری و همزاد دیجیتال برای بیماران در پیش گرفته شود، چرا که این تحول رویکرد در دستیابی به سیستم‌های اراعه مراقبت‌های بهداشتی در جهت پیش‌بینی، پیشگیری و شخصی‌سازی زیاد‌ حیاتی خواهد می بود.

به گفتن مثال، افرادی که باید برای ابتلا به بیماری‌های اعصاب و روان جدی، دارو مصرف ‌کنند، زیاد تر با خطر افزایش وزن، سختی خون بالا، دیابت، حملات قلبی و سکته مغزی روبه رو خواهد شد. وجود یک «همراه هوش مصنوعی» برای این چنین بیمارانی علاوه بر نظارت بر مصرف دارو، می‌تواند برای آنان در دیگر قسمت‌های برنامه‌ روزانه خود همانند غذا خوردن، ورزش کردن، تعامل های اجتماعی و دیگر فعالیت‌هایشان نقش یک پشتیبان مؤثر را بازی کند و از این طریق، با افت عوارض جانبی داروهایشان، به بهبود کیفیت زندگی و کارکرد روزانه آنها در شرایط گوناگون شامل منفعت‌وری در محل کار پشتیبانی کند.

برای گسترش یک همراه هوش مصنوعی باید آن را با منفعت گیری از «همزاد دیجیتال» بیماران و یا «آواتار سلامت» آموزش داد تا بتواند در سنجش حالت سلامت بیمار، بازدید شرایط اجتماعی، عادات و لزوم منفعت گیری (یا عدم منفعت گیری) از درمان‌ها را نسبت به اسبق پزشکی هر فرد یک کارکرد درست داشته باشد.

امکان دست یافتن به این چنین پیشرفتی در عرصه مراقبت‌های بهداشت و درمان مبتنی بر هوش مصنوعی با قابلیت‌های شخصی‌سازی برای افراد و پیشگیری از بیماری‌ها، نیاز به شکل‌گیری یک همکاری عمیق بین بیماران، اراعه دهندگان خدمات درمانی، پرداخت‌کنندگان هزینه‌های خدمات درمانی (یا مدیران منبع های سیستم سلامت اجتماعی)، کارشناسان حوزه سلامت و مهندسان هوش مصنوعی دارد. داده‌های مورد نیاز برای تحکیم «آواتار سلامت» بیماران، این چنین می‌تواند به بهبود کارکرد اراعه‌کنندگان خدمات بهداشتی و رفاهی نیز پشتیبانی کند.

همانطور که پیشگامان هوش مصنوعی همانند «دیپ‌سیک» (DeepSeek) از حجم و تنوع داده‌ و تعداد کاربران برای آموزش به الگوریتم‌های خود تغذیه می‌کنند، یک «همراه هوش مصنوعی” ایده‌آل برای بیماران و این چنین اراعه دهندگان مراقبت‌های بهداشتی و ارگان‌های مسئول مراقبت از سلامت جامعه نیز باید از یک شبکه جهانی متشکل از سیستم‌های بهداشت و درمان یادگیرنده (LHS) منفعت ببرند. چالش‌های مبرم پیش روی بهداشت و سلامت عمومی نظیر لزوم به حداقل رساندن مقاوم شدن بیماری‌ها به آنتی‌بیوتیک‌ها و منفعت‌گیری حداکثری از مراقبت‌های بهداشتی در جهت پیشگیری از ابتلای سالخوردگان به بیماری‌های متعدد و مزمن و منفعت گیری بهینه از منبع های درمانی حاضر برای رسیدگی به حالت این چنین بیمارانی، فراتر از مرزهای کشورها می باشند و سراسر جهان را دچار خواهند کرد. با دقت به این حقیقت و دیگر چالش‌هایی که جهان امروز با آنها روبه رو است، برای بهینه‌سازی ابزارها و الگوهای هوش مصنوعی سیستم‌های بهداشتی سراسر جهان در جهت پشتیبانی به سلامت انسان‌ها، باید همه کشورها همگام با یکدیگر تلاش کنند.