پاسخ کوتاه: هوش مصنوعی در سلامت مجموعه‌ای از فناوری‌هاست که داده‌های بالینی و عملیاتی را برای انجام وظایف محدود، کشف الگو، اولویت‌بندی، پیش‌بینی و پشتیبانی از تصمیم پردازش می‌کند. AI می‌تواند در تصویربرداری، مستندسازی، تصمیم‌یار بالینی، مدیریت نوبت و ظرفیت، ارتباط با بیمار و پژوهش مفید باشد؛ اما خروجی آن به کیفیت داده، اعتبارسنجی در محیط واقعی، شفافیت، حفاظت از داده و نظارت انسانی وابسته است. در حوزه سلامت، «مدل قوی» بدون فرایند ایمن و پاسخگو کافی نیست.

هوش مصنوعی در سلامت چیست؟

عبارت «هوش مصنوعی در سلامت» یا AI in Healthcare یک فناوری واحد را توصیف نمی‌کند. این عبارت خانواده‌ای از روش‌ها را در بر می‌گیرد: یادگیری ماشین برای پیش‌بینی، یادگیری عمیق برای تحلیل تصویر، پردازش زبان طبیعی برای استخراج اطلاعات از متن، مدل‌های زبانی برای تولید یا خلاصه‌سازی محتوا و سامانه‌های تصمیم‌یار که اطلاعات مرتبط را در زمان مناسب در اختیار کاربر حرفه‌ای قرار می‌دهند.

تفاوت مهم حوزه سلامت با بسیاری از کاربردهای عمومی AI این است که هزینه خطا می‌تواند بالا باشد. پیشنهاد اشتباه یک فیلم معمولاً پیامد محدودی دارد؛ اما خروجی اشتباه در تشخیص، دارو، اولویت‌بندی بیمار یا تصمیم درمانی ممکن است ایمنی بیمار را تحت تأثیر قرار دهد. به همین دلیل، سازمان جهانی بهداشت بر ایمنی، اخلاق، برابری، شفافیت، پاسخگویی و نظارت انسانی تأکید می‌کند و FDA نیز برای انواع مختلف نرم‌افزارهای تصمیم‌یار و نرم‌افزارهای پزشکی چارچوب‌های جداگانه دارد.

بنابراین بهتر است به جای سؤال کلی «AI در پزشکی خوب است یا بد؟» بپرسیم: مسئله دقیق چیست؟ کاربر نهایی چه کسی است؟ داده از کجا می‌آید؟ مدل در چه جمعیتی ارزیابی شده؟ اگر اشتباه کند چه اتفاقی می‌افتد؟ آیا انسان می‌تواند دلیل خروجی را بررسی کند؟ و چگونه عملکرد سیستم پس از استقرار پایش می‌شود؟

چرا هوش مصنوعی در سلامت اکنون اهمیت بیشتری پیدا کرده است؟

سیستم‌های سلامت هم‌زمان با چند فشار روبه‌رو هستند: حجم رو به رشد داده، کمبود نیروی متخصص در برخی محیط‌ها، افزایش بار مستندسازی، پیچیدگی تصمیم‌های چندعاملی، انتظار بیماران برای دسترسی سریع‌تر و نیاز مدیران به استفاده بهتر از ظرفیت محدود. AI می‌تواند در بعضی از این نقاط اصطکاک را کاهش دهد؛ به‌ویژه وقتی کار تکراری، داده‌محور و دارای معیار اندازه‌گیری روشن باشد.

در عین حال، فراگیر شدن مدل‌های زبانی باعث شده AI از بخش‌های تحقیق و فناوری اطلاعات وارد میز کار پزشک، پرستار، مدیر کلینیک و حتی بیمار شود. WHO در راهنمای مدل‌های چندوجهی بزرگ هشدار می‌دهد که این مدل‌ها علاوه بر فرصت، ریسک‌هایی مانند خروجی نادرست اما متقاعدکننده، سوگیری، مسائل حریم خصوصی و اتکای بیش از حد ایجاد می‌کنند. نتیجه این نیست که سازمان‌ها AI را کنار بگذارند؛ نتیجه این است که روش انتخاب و استقرار باید بالغ‌تر شود.

اصل کلیدی

مسئله قبل از مدل

در سلامت، پروژه خوب با انتخاب «بهترین مدل» شروع نمی‌شود. با تعریف یک مسئله واقعی، سنجه پایه، مرز تصمیم انسانی و معیار توقف شروع می‌شود.

کاربردهای بالینی هوش مصنوعی در سلامت

۱. تحلیل تصویر و تشخیص کمکی

یکی از شناخته‌شده‌ترین حوزه‌های AI سلامت، تحلیل تصاویر پزشکی است. مدل‌ها می‌توانند ساختارها یا نواحی مشکوک را روی رادیوگرافی، CT، MRI، تصاویر چشمی، پوست یا سایر داده‌های تصویری برجسته کنند. نقش حرفه‌ای سیستم معمولاً «تشخیص قطعی مستقل» نیست؛ بلکه کمک به یافتن نشانه، اندازه‌گیری، segment کردن ساختار یا اولویت‌بندی موارد برای بررسی انسان است.

ارزش بالینی واقعی وابسته به حساسیت و ویژگی مدل در جمعیت هدف، کیفیت تصویر، prevalence بیماری، نرخ false positive و false negative و نحوه قرار گرفتن خروجی در workflow است. الگوریتمی که در یک مجموعه داده پژوهشی عملکرد خوب دارد، لزوماً در بیمارستان یا کلینیک دیگری همان عملکرد را تکرار نمی‌کند.

۲. پیش‌بینی و طبقه‌بندی ریسک

مدل‌های پیش‌بینی می‌توانند از داده‌های تاریخی برای برآورد احتمال رخدادهایی مانند بستری مجدد، عارضه، نیاز به مراقبت بیشتر یا عدم حضور در نوبت استفاده کنند. مشکل زمانی ایجاد می‌شود که «احتمال» به «حکم» تبدیل شود. پیش‌بینی باید محرک بررسی یا مداخله متناسب باشد، نه جایگزین ارزیابی حرفه‌ای.

مثلاً اگر مدلی بیمار را در گروه پرریسک قرار می‌دهد، سیستم بهتر است عوامل قابل مشاهده را نیز نشان دهد: چه متغیرهایی زمینه هشدار را ساخته‌اند، داده چقدر تازه است و چه اقدامی مجاز است. این شفافیت برای جلوگیری از تصمیم‌های خودکار و نامتناسب ضروری است.

۳. پردازش زبان و مستندسازی

بخش بزرگی از داده سلامت به شکل متن آزاد است: شرح حال، یادداشت پزشک، گزارش تماس، نامه ارجاع و پیام بیمار. پردازش زبان می‌تواند برای خلاصه‌سازی، دسته‌بندی، استخراج کد یا آماده‌سازی پیش‌نویس استفاده شود. اما متن تولیدشده باید قابل بازبینی باشد؛ زیرا حذف یک جزئیات یا افزودن مطلبی که در منبع وجود نداشته، در پرونده سلامت قابل قبول نیست.

هوش مصنوعی در درمان چه نقشی دارد؟

«هوش مصنوعی در درمان» می‌تواند چند معنای متفاوت داشته باشد: پشتیبانی از انتخاب گزینه درمانی، پیش‌بینی پاسخ، شخصی‌سازی پیگیری، کمک به برنامه‌ریزی یا پایش روند درمان. برای جلوگیری از مبهم شدن این موضوع، iQlinic یک راهنمای جداگانه درباره هوش مصنوعی در درمان و تصمیم‌یار بالینی منتشر می‌کند.

اصل مهم این است که هرچه خروجی به تصمیم حساس بالینی نزدیک‌تر می‌شود، سطح شواهد و کنترل مورد نیاز بیشتر می‌شود. سیستم اداری که زمان خالی پزشک را پیشنهاد می‌دهد با سیستمی که نوع درمان را توصیه می‌کند در یک سطح ریسک نیست. FDA در راهنمای نهایی ۲۰۲۶ درباره Clinical Decision Support تفاوت میان انواع نرم‌افزارهای تصمیم‌یار و نرم‌افزارهایی را که ممکن است مشمول مقررات دستگاه پزشکی باشند توضیح می‌دهد. این تفکیک یادآوری می‌کند که «AI» به‌تنهایی طبقه ریسک را مشخص نمی‌کند؛ intended use تعیین‌کننده است.

یک طراحی مسئولانه باید به کاربر حرفه‌ای امکان دهد مبنای پیشنهاد را بفهمد، اطلاعات منبع را بررسی کند و بدون اصطکاک پیشنهاد را رد کند. در سناریوهای حساس، قابلیت رد کردن یک توصیه ویژگی جانبی نیست؛ بخشی از ایمنی سیستم است.

هوش مصنوعی در مدیریت بیمارستان و کلینیک

بخش مهمی از ارزش AI سلامت خارج از تصمیم بالینی مستقیم ایجاد می‌شود. برنامه‌ریزی نوبت، مدیریت ظرفیت، پیگیری بیماران، کاهش کار دستی، خلاصه‌سازی تماس‌ها، اولویت‌بندی صف‌ها، تشخیص داده ناقص و گزارش‌سازی مدیریتی نمونه‌هایی از «هوش مصنوعی عملیاتی» هستند.

در این کاربردها نیز خطر صفر نیست. برای مثال، الگوریتم نوبت‌دهی اگر صرفاً به حداکثر کردن پرشدن تقویم فکر کند ممکن است continuity بیمار با پزشک را خراب کند، زمان مناسب درمان را نادیده بگیرد یا گروهی از بیماران را دائماً به زمان‌های نامطلوب هدایت کند. بنابراین تابع هدف باید نماینده ارزش واقعی کلینیک باشد، نه یک KPI تک‌بعدی.

در دندانپزشکی این موضوع به شکل مشخص‌تری دیده می‌شود. یک سیستم نوبت‌دهی هوشمند دندانپزشکی باید مدت خدمت، برنامه پزشک، زمان‌های خالی، تداوم درمان، اولویت بالینی، ترجیح بیمار و بار کاری را کنار هم ببیند. همین منطق در ابعاد بزرگ‌تر برای کلینیک‌های چندتخصصی و مراکز درمانی نیز کاربرد دارد.

برای مدیران، صفحه هوش مصنوعی در مدیریت کلینیک دندانپزشکی به‌طور اختصاصی موضوعاتی مانند ظرفیت، no-show، پیگیری بیمار، KPI و Human-in-the-loop را بررسی می‌کند.

مدل‌های زبانی و هوش مصنوعی مولد در سلامت

مدل‌های زبانی بزرگ می‌توانند متن پزشکی را خلاصه کنند، توضیح ساده‌تری برای بیمار بسازند، پیش‌نویس پاسخ یا نامه تهیه کنند، داده ساختاریافته را به روایت تبدیل کنند و در بازیابی دانش کمک کنند. این توانایی‌ها باعث شده Generative AI به یکی از سریع‌ترین حوزه‌های پذیرش فناوری در سلامت تبدیل شود.

اما fluency با صحت یکسان نیست. یک مدل می‌تواند پاسخ روان و حرفه‌ای تولید کند ولی اطلاعاتی را اضافه کند که در منبع وجود ندارد. در حوزه سلامت این پدیده باید به‌عنوان failure mode طراحی شود، نه استثنایی که امیدوار باشیم رخ ندهد. راهکارهای کاهش ریسک شامل grounding روی منبع مشخص، نمایش citation، محدود کردن دامنه، بازبینی انسانی، ثبت prompt/output در کاربردهای سازمانی و تست سناریوهای دشوار است.

برای مثال، اگر LLM گزارش تماس بیمار را خلاصه می‌کند، نسخه قابل اعتماد باید به متن اصلی قابل ردیابی باشد. اگر پاسخ آموزشی تولید می‌کند، باید مرز بین اطلاعات عمومی و توصیه درمانی روشن باشد. اگر در یک workflow تصمیم‌یار استفاده می‌شود، مدل نباید به تنهایی action حساس را اجرا کند.

WHO در راهنمای مدل‌های چندوجهی بزرگ برای سلامت بر governance، شفافیت، ارزیابی و مسئولیت‌پذیری تأکید می‌کند. NIST نیز در AI RMF و پروفایل Generative AI رویکردی چرخه‌عمرمحور برای شناسایی و مدیریت ریسک ارائه می‌دهد.

چگونه بفهمیم یک سیستم AI سلامت واقعاً کار می‌کند؟

عبارت «دقت ۹۵ درصد» بدون زمینه تقریباً بی‌معناست. باید بدانیم دقت برای چه وظیفه‌ای، روی چه داده‌ای، با چه prevalence، در مقایسه با چه baseline و در چه محیطی اندازه‌گیری شده است. ممکن است مدلی در test set داخلی خوب باشد اما در داده بیمارستان دیگر افت کند. ممکن است metric انتخاب‌شده بخشی از خطاهای مهم را پنهان کند.

ارزیابی بهتر چند لایه دارد:

  • اعتبار فنی: آیا مدل روی داده خارج از آموزش ارزیابی شده است؟
  • اعتبار بالینی/عملیاتی: آیا خروجی در workflow واقعی مفید است یا فقط metric پژوهشی خوب دارد؟
  • ایمنی: بدترین خطاها چه هستند و چگونه دیده می‌شوند؟
  • تعمیم‌پذیری: عملکرد در جمعیت، دستگاه، مرکز یا زمان دیگر چگونه است؟
  • پایش: آیا پس از استقرار drift و تغییر رفتار قابل تشخیص است؟
  • انسان: آیا کاربر می‌فهمد چه زمانی نباید به سیستم اعتماد کند؟

در AI سلامت، ارزیابی یک رویداد پیش از launch نیست. فرایندی مستمر است. داده و workflow تغییر می‌کنند، کاربران راه‌های جدیدی برای استفاده پیدا می‌کنند و مدل‌های وابسته به سرویس‌های خارجی ممکن است به‌روزرسانی شوند. بنابراین monitoring و change control باید از ابتدا در طراحی باشند.

داده، حریم خصوصی و امنیت

AI بدون داده کار نمی‌کند؛ اما «داده بیشتر» همیشه بهتر نیست. در سلامت، اصل حداقل‌سازی داده اهمیت زیادی دارد: فقط داده‌ای جمع یا منتقل شود که برای کاربرد تعریف‌شده لازم است. اتصال یک مدل عمومی به پرونده کامل بیمار صرفاً چون «ممکن است مفید باشد» طراحی مسئولانه‌ای نیست.

سازمان باید بداند داده کجا ذخیره می‌شود، چه کسی دسترسی دارد، retention چقدر است، logها چه چیزی را ثبت می‌کنند، آیا provider از داده برای آموزش استفاده می‌کند و چگونه درخواست حذف یا اصلاح مدیریت می‌شود. برای هر اتصال AI، data flow باید قابل ترسیم باشد.

امنیت نیز فقط رمزنگاری نیست. کنترل دسترسی، جداسازی محیط، مدیریت کلیدها، audit trail، محدود کردن export، تشخیص فعالیت غیرعادی، disaster recovery و فرایند پاسخ به رخداد بخشی از معماری است. وقتی AI به ابزارهای اجرایی متصل می‌شود، اصل least privilege مهم‌تر می‌شود: مدلی که فقط باید داده را بخواند نباید مجوز تغییر پرونده یا ارسال پیام قطعی داشته باشد.

سوگیری، عدالت و نمایندگی داده

مدل‌ها از داده یاد می‌گیرند و داده سلامت بازتاب دسترسی نابرابر، الگوهای ثبت، تفاوت جمعیت‌ها و تصمیم‌های تاریخی است. اگر گروهی کمتر به خدمات دسترسی داشته باشد، کمتر در داده دیده می‌شود. اگر کیفیت ثبت در یک شعبه پایین‌تر باشد، مدل ممکن است آن شعبه را «کم‌ریسک» یا «کم‌فعال» تفسیر کند در حالی که مسئله کمبود داده است.

مدیریت bias فقط با حذف ویژگی‌های حساس حل نمی‌شود. proxyها ممکن است همان الگو را حمل کنند. لازم است عملکرد به تفکیک گروه‌های معنادار بررسی شود، علت تفاوت‌ها تحلیل شود و تصمیم گرفته شود آیا استفاده از مدل در همه گروه‌ها مناسب است یا نه. عدالت در AI سلامت یک metric واحد نیست؛ پرسشی درباره توزیع خطا، دسترسی، پیامد و حق اعتراض است.

حاکمیت و پاسخگویی؛ چه کسی مسئول است؟

یکی از خطرناک‌ترین جملات در یک سازمان این است: «سیستم این را گفته بود.» مسئولیت نباید در میان vendor، مدیر، تیم IT و کاربر بالینی گم شود. برای هر کاربرد باید مشخص باشد owner کسب‌وکاری، owner بالینی، مسئول داده و مسئول فنی چه کسانی هستند؛ چه کسی اجازه تغییر threshold دارد و در چه شرایطی سیستم خاموش یا محدود می‌شود.

NIST AI RMF چهار خانواده فعالیت Govern، Map، Measure و Manage را پیشنهاد می‌کند. این رویکرد برای کلینیک‌ها نیز مفید است: ابتدا نقش‌ها و سیاست‌ها را مشخص کنید، سپس زمینه و ریسک را نقشه کنید، عملکرد را اندازه بگیرید و در نهایت ریسک را مدیریت کنید. این فرایند می‌تواند بسیار ساده شروع شود، اما نباید حذف شود.

برای iQlinic، معماری مطلوب بر «تصمیم‌یار» بودن تأکید دارد: سیستم داده را مرتب می‌کند، دلیل پیشنهاد را نشان می‌دهد و انسان تصمیم نهایی را می‌گیرد. مقاله معماری هوش مصنوعی بالینی و عملیاتی کلینیک این الگو را با جزئیات بیشتری توضیح می‌دهد.

نقشه اجرای مسئولانه AI در یک مرکز درمانی

  1. یک مسئله محدود انتخاب کنید.
    «AI می‌خواهیم» مسئله نیست. «می‌خواهیم صف بیماران نیازمند پیگیری را بدون ارسال خودکار پیام اولویت‌بندی کنیم» مسئله قابل طراحی است.
  2. Baseline بسازید.
    قبل از AI بدانید امروز چه اتفاقی می‌افتد: زمان انجام کار، خطا، تأخیر، نرخ completion یا هر KPI مرتبط.
  3. داده را قبل از مدل بررسی کنید.
    فیلدهای ناقص، شناسه‌های تکراری، timestamps ناسازگار و تعریف‌های مبهم می‌توانند پروژه را از پایه منحرف کنند.
  4. intended use و مرز تصمیم را بنویسید.
    سیستم دقیقاً چه چیزی پیشنهاد می‌دهد و چه چیزی هرگز نباید خودکار شود؟
  5. ابتدا read-only اجرا کنید.
    خروجی را بدون اثر روی بیمار مشاهده کنید. موارد خطا را طبقه‌بندی کنید.
  6. Shadow mode را جدی بگیرید.
    پیشنهاد AI در کنار تصمیم واقعی تیم ثبت شود تا اختلاف‌ها قابل تحلیل باشند.
  7. Human-in-the-loop را طراحی کنید.
    صرفاً یک دکمه «تأیید» کافی نیست؛ کاربر باید زمینه لازم برای بررسی پیشنهاد را ببیند.
  8. سناریوی failure تعریف کنید.
    اگر داده قطع شد، مدل unavailable بود یا خروجی غیرعادی شد، workflow باید به حالت امن برگردد.
  9. پایش و بازبینی دوره‌ای داشته باشید.
    drift، تغییر الگوی استفاده، شکایت کاربران و تغییر workflow باید دیده شود.

چه پروژه‌هایی برای شروع کم‌ریسک‌ترند؟

به طور معمول، پروژه‌هایی که تصمیم نهایی را تغییر نمی‌دهند و خروجی قابل بازبینی تولید می‌کنند نقطه شروع مناسب‌تری هستند: خلاصه‌سازی تماس برای بازبینی، کشف داده ناقص، جست‌وجوی دانش داخلی، گزارش‌سازی، اولویت‌بندی صف کار یا پیشنهاد نوبت بدون رزرو خودکار. پروژه‌های مرتبط با تشخیص و درمان نیازمند سطح بالاتری از شواهد، validation و governance هستند.

همچنین باید «اتوماتیک کردن فرایند بد» را جدی گرفت. اگر workflow فعلی مبهم است، AI می‌تواند ابهام را سریع‌تر و در مقیاس بزرگ‌تر تکثیر کند. پیش از مدل، فرایند باید قابل توضیح باشد.

هوش مصنوعی در سلامت چه ارتباطی با دندانپزشکی دارد؟

دندانپزشکی بخشی از اکوسیستم سلامت است و بسیاری از مسائل AI در آن به شکل ملموس دیده می‌شود: تحلیل رادیوگرافی، برنامه‌ریزی درمان، مدیریت تصویر، نوبت‌دهی، تداوم درمان، مستندسازی و ارتباط بیمار. صفحه هوش مصنوعی در دندانپزشکی مرجع اصلی iQlinic برای کاربردهای بالینی و عملیاتی در این حوزه است.

در سال ۲۰۲۶، داده Health Policy Institute انجمن دندانپزشکی آمریکا نشان داد استفاده از AI در مطب‌های دندانپزشکی دیگر موضوعی حاشیه‌ای نیست و بخشی از پاسخ‌دهندگان از AI در فعالیت‌هایی مانند کارایی نوبت‌ها، تصویربرداری/تشخیص، توضیح یافته‌ها و verification بیمه استفاده می‌کنند. این داده، نیاز به استانداردهای ارزیابی و استفاده مسئولانه را بیشتر می‌کند؛ نه اینکه هر ابزار AI را به‌طور پیش‌فرض قابل اعتماد بدانیم.

تمرکز iQlinic در این میان روی «هوش بالینی و عملیاتی برای کلینیک دندانپزشکی» است: اتصال داده، patient context، scheduling intelligence و decision support با کنترل انسانی. این تعریف باید از «چت‌بات عمومی» یا «سیستم تشخیص خودکار» جدا بماند.

آینده هوش مصنوعی در سلامت

احتمالاً آینده AI سلامت از یک ابزار واحد تشکیل نمی‌شود. چند لایه در کنار هم کار خواهند کرد: مدل‌های تخصصی برای تصویر و پیش‌بینی، مدل‌های زبانی برای تعامل و خلاصه‌سازی، موتورهای rules/constraints برای اعمال سیاست، سیستم‌های retrieval برای دانش قابل استناد و لایه‌های audit برای ردیابی تصمیم‌ها.

مدل‌ها همچنین multimodalتر می‌شوند؛ یعنی متن، تصویر، صوت و داده ساختاریافته را هم‌زمان می‌بینند. این قابلیت می‌تواند context کامل‌تری بسازد، اما سطح ریسک را نیز افزایش می‌دهد؛ زیرا خطا می‌تواند از یک modality وارد دیگری شود. سازمان‌ها به جای تمرکز صرف بر benchmark مدل باید «سیستم کامل» را ارزیابی کنند.

برنده‌های بلندمدت الزاماً سازمان‌هایی نیستند که بیشترین AI را استفاده می‌کنند. سازمان‌هایی هستند که مسئله درست را انتخاب می‌کنند، داده قابل اعتماد دارند، عملکرد را می‌سنجند و می‌دانند چه زمانی نباید از AI استفاده کنند.

پرسش‌های متداول

آیا هوش مصنوعی می‌تواند بیماری را تشخیص دهد؟

برخی سامانه‌های AI برای تشخیص یا کمک به تشخیص توسعه یافته‌اند، اما سطح اعتبار و مقررات آن‌ها به intended use و محصول بستگی دارد. خروجی یک مدل عمومی یا چت‌بات نباید به‌عنوان تشخیص پزشکی تلقی شود.

AI در سلامت بیشتر بالینی است یا مدیریتی؟

هر دو. کاربردهای بالینی شامل تحلیل تصویر و تصمیم‌یار است؛ کاربردهای عملیاتی شامل نوبت، ظرفیت، مستندسازی، پیگیری و گزارش‌سازی است. این دو باید از نظر ریسک و governance از هم تفکیک شوند.

آیا LLM برای پرونده بیمار مناسب است؟

تنها در صورت طراحی سازمانی مناسب، قرارداد و سیاست داده روشن، حداقل‌سازی اطلاعات، کنترل دسترسی و بازبینی خروجی. ارسال داده حساس به ابزار عمومی بدون ارزیابی privacy/security رویکرد قابل دفاعی نیست.

چطور یک ابزار AI سلامت را ارزیابی کنیم؟

از vendor درباره intended use، داده validation، جمعیت هدف، خطاهای شناخته‌شده، security، retention، change management، امکان audit و نحوه human oversight سؤال کنید. سپس در داده و workflow خودتان آن را به شکل محدود آزمایش کنید.

منابع و مطالعه بیشتر

یادداشت تحریریه: این مطلب برای آموزش و طراحی مسئولانه فناوری است و جایگزین ارزیابی، تشخیص یا تصمیم درمانی متخصص سلامت نیست. iQlinic درباره نتایج بالینی یا مالی ادعای تضمینی مطرح نمی‌کند.