نقش هوش مصنوعی در پزشکی و سلامت
هوش‌مصنوعی در پزشکی (در اشکال گوناگون)، دهه‌هاست که مورد استفاده قرار گرفته است. کارشناسان پیش‌بینی می‌کنند که پذیرش مدل های زبانی بزرگ، پزشکی را دگرگون خواهد کرد. برخی حتی این تأثیر بالقوه را با رمزگشایی ژنوم انسان یا حتی ظهور اینترنت مقایسه می‌کنند. انتظار می‌رود این تحول در تعاملات پزشک و بیمار، حجم مدارک اداری پزشکان، مدیریت بیمارستان‌ها و مطب‌ها، تحقیقات پزشکی و آموزش پزشکی خود را نشان دهد.
بسیاری از این تأثیرات احتمالاً مثبت خواهند بود؛ از جمله افزایش کارایی، کاهش خطاها، کاهش کمبود نیرو در مراقبت‌های اولیه در سطح ملی، به‌کارگیری کامل‌تر داده‌ها در تصمیم‌گیری، کاهش بار اداری و ایجاد فضایی برای تعاملات عمیق‌تر و طولانی‌تر بین افراد.
تاریخچه هوش مصنوعی در حوزه پزشکی
پیشرفت‌های چشمگیری در استفاده از سیستم‌های هوشمند مصنوعی برای تشخیص بیماران حاصل شده است.
به عنوان مثال، در تخصص‌های مبتنی بر بینایی مانند درماتولوژی، محققانی همچون استوا و همکاران و هکلر و همکاران از داده‌های تصویربرداری بالینی برای توسعه مدل‌های طبقه‌بندی به منظور کمک به پزشکان در تشخیص سرطان پوست، ضایعات پوستی و پسوریازیس استفاده کرده‌اند.
به طور خاص، استوا و همکاران یک مدل شبکه عصبی کانولوشنی عمیق (DCNN) را با استفاده از 129,450 تصویر آموزش دادند تا تصاویر را در یکی از دو دسته (که به عنوان مسئله طبقه‌بندی دودویی در یادگیری ماشین نیز شناخته می‌شود) طبقه‌بندی کنند: کارسینوم کراتینوسیت یا کراتوز سبورئیک؛ و ملانوم بدخیم یا خال خوش‌خیم.
“آنها ثابت کردند که مدل DCNN به عملکردی معادل 21 متخصص پوست دارای بورد تخصصی دست یافته است.”
کارهای زیادی نیز در زمینه هوش مصنوعی در پزشکی برای پیش‌آگهی بیماران انجام شده است.
به عنوان مثال، محققان گوگل یک مدل DCNN را با استفاده از 128,175 تصویر فوندوس شبکیه توسعه داده و آموزش دادند تا تصاویر را برای بزرگسالان مبتلا به دیابت به عنوان رتینوپاتی دیابتی و ادم ماکولا طبقه‌بندی کنند. مزایای متعددی برای وجود چنین مدل هوش مصنوعی وجود دارد، از جمله:
- درجه‌بندی خودکار رتینوپاتی دیابتی که منجر به افزایش کارایی در تشخیص تعداد زیادی از بیماران در زمان کوتاه‌تر می‌شود؛
- خدمت به عنوان نظر دوم برای چشم پزشکان؛
- تشخیص رتینوپاتی دیابتی در مراحل اولیه به دلیل توانایی مدل در مطالعه تصاویر در سطح دانه‌بندی – چیزی که برای چشم‌پزشکان انسانی غیرممکن است؛
- پوشش گسترده برنامه‌های غربالگری که موانع دسترسی را کاهش می‌دهد.
پیشرفت‌های بزرگی در کاربرد سیستم‌های هوش مصنوعی در کشف دارو و ارائه گزینه‌های درمان شخصی‌شده حاصل شده است. شرکت‌هایی مانند Verge Genomics بر کاربرد الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های ژنومی انسان و شناسایی داروها برای مبارزه با بیماری‌های عصبی مانند پارکینسون، آلزایمر و اسکلروز جانبی آمیوتروفیک (ALS) به روشی مقرون‌به‌صرفه تمرکز دارند.
سیستم‌های هوشمند مصنوعی همچنین در بخش بهداشت و درمان برای بهبود تجربه بیمار، مراقبت از بیمار و ارائه پشتیبانی به پزشکان از طریق استفاده از دستیاران هوش مصنوعی به کار گرفته می‌شوند. شرکت‌هایی مانند BotMD سیستم‌هایی ساخته‌اند که می‌توانند 24 ساعته به مسائل بالینی مربوطه کمک کنند، از جمله:
- یافتن فوری پزشکان حاضر در شیفت و برنامه‌ریزی برای اولین قرار ملاقات موجود؛ سیستم هوش مصنوعی همچنین می‌تواند در چندین سیستم برنامه‌ریزی در بیمارستان‌های مختلف جستجو کند.
- پاسخ به سوالات مربوط به نسخه، مانند موجودی دارو و داروهای جایگزین مقرون‌به‌صرفه.
- کمک به پزشکان برای جستجوی پروتکل بیمارستان، فهرست ابزارهای بالینی موجود و داروهای موجود از طریق استفاده از یک برنامه تلفن همراه، در نتیجه بهبود گردش کار در بیمارستان.
مروری بر هوش مصنوعی در پزشکی
هوش مصنوعی در حوزه پزشکی به شکل گسترده‌ای مورد استفاده قرار می‌گیرد که دامنه آن از زمان‌بندی نوبت‌دهی آنلاین، ثبت‌نام اینترنتی در مراکز درمانی، دیجیتالی‌سازی پرونده‌های پزشکی، تماس‌های یادآوری برای ویزیت‌های پیگیری و تاریخ‌های واکسیناسیون کودکان و مادران باردار تا الگوریتم‌های محاسبه دوز دارو و هشدارهای عوارض جانبی در هنگام تجویز ترکیبات دارویی چندگانه را شامل می‌شود.
انقلابی در نظام سلامت: نقش هوش‌مصنوعی در عمل بالینی
ادغام هوش‌مصنوعی در پزشکی و نظام سلامت، پتانسیل فوق‌العاده‌ای برای بهبود تشخیص بیماری‌ها، انتخاب روش‌های درمانی و انجام آزمایش‌های بالینی دارد. ابزارهای هوش مصنوعی می‌توانند با استفاده از مجموعه‌داده‌های عظیم و شناسایی الگوها، در بسیاری از جنبه‌های مراقبت‌های بهداشتی از عملکرد انسان پیشی بگیرند. هوش‌مصنوعی دقت بالاتر، کاهش هزینه‌ها و صرفه‌جویی در زمان را به همراه دارد و در عین حال خطاهای انسانی را به حداقل می‌رساند.
این فناوری می‌تواند پزشکی شخصی‌شده را متحول کند، دوز داروها را بهینه سازد، مدیریت سلامت جمعیت را ارتقا دهد، دستورالعمل‌های بالینی تدوین کند، دستیاران سلامت مجازی ارائه دهد، از مراقبت‌های سلامت روان پشتیبانی کند، آموزش بیماران را بهبود بخشد و بر اعتماد بین بیمار و پزشک تأثیر بگذارد.
مزایای هوش مصنوعی در نظام سلامت
هوش مصنوعی چگونه صنعت بهداشت و درمان را متحول کرده است؟ هوش مصنوعی در حوزه سلامت، توانایی پردازش و تحلیل حجم عظیمی از داده‌های پزشکی را فراهم می‌کند که فراتر از ظرفیت انسانی است. این قابلیت در تشخیص بیماری‌ها، پیش‌بینی نتایج و توصیه‌های درمانی نقش کلیدی ایفا می‌کند.
“به عنوان مثال، الگوریتم‌های هوش مصنوعی می‌توانند تصاویر پزشکی مانند اشعه ایکس و MRI را با دقت و سرعتی بیشتر از رادیولوژیست‌های انسانی تحلیل کنند و اغلب بیماری‌هایی مانند سرطان را در مراحل اولیه شناسایی می‌کنند.”
مطالعه موردی- نمونه‌های موفق هوش مصنوعی در پزشکی
نمونه‌های هوش مصنوعی در پزشکی و حوزه سلامت متنوع و تأثیرگذار هستند. علاوه بر پروژه واتسون سلامت IBM، پروژه Deepmind سلامت گوگل نیز از دستاوردهای مهم محسوب می‌شود که توانست بیماری‌های چشمی را از طریق اسکن شبکیه با دقتی مشابه متخصصان انسانی تشخیص دهد. این پروژه‌های پیشگام، پتانسیل هوش مصنوعی در انقلابی کردن تشخیص بیماری‌ها و پزشکی شخصی‌سازی شده را به نمایش گذاشتند.
کاربردهای هوش مصنوعی در سلامت فراتر از تشخیص است. هوش مصنوعی مدیریت مراقبت از بیمار، کشف داروهای جدید و مدیریت اداری نظام سلامت را نیز متحول کرده است. در حوزه مراقبت از بیمار، انواع چت بات هوش مصنوعی و دستیاران مجازی سلامت مبتنی بر هوش مصنوعی، پشتیبانی و نظارت 24 ساعته ارائه می‌دهند که مشارکت بیماران و پایبندی به برنامه‌های درمانی را افزایش می‌دهد. در کشف دارو، هوش مصنوعی با پیش‌بینی واکنش داروها در بدن، فرآیند توسعه دارو را تسریع می‌کند و زمان و هزینه آزمایشات بالینی را به میزان قابل توجهی کاهش می‌دهد.
همچنین بخوانید: هوش مصنوعی در داروسازی؛ حوزه‌های کاربرد و مطالعه موردی
تحلیل پیش‌بینانه حوزه دیگری است که هوش مصنوعی در سلامت تأثیر چشمگیری داشته است. سیستم‌های هوش مصنوعی می‌توانند الگوهای موجود در سوابق پزشکی و داده‌های سلامت فعلی بیمار را تحلیل کنند تا خطرات احتمالی سلامت را پیش‌بینی نمایند. این قابلیت پیش‌بینانه به ارائه‌دهندگان خدمات سلامت امکان می‌دهد مراقبت‌های پیشگیرانه و فعالانه ارائه دهند که در نهایت منجر به نتایج بهتر برای بیماران و کاهش هزینه‌های نظام سلامت می‌شود.
هوش مصنوعی فرآیندهای مختلف در مراکز درمانی را ساده‌سازی می‌کند. از زمان‌بندی و نوبت‌دهی ویزیت تا پردازش قراردادهای بیمه، اتوماسیون اداری مبتنی بر هوش مصنوعی بار اداری را کاهش می‌دهد و به ارائه‌دهندگان خدمات سلامت اجازه می‌دهد بیشتر بر مراقبت از بیمار متمرکز شوند. این امر نه تنها کارایی عملیاتی را بهبود می‌بخشد، بلکه تجربه کلی بیماران را نیز ارتقا می‌دهد.
شرکت‌های فعال در حوزه هوش مصنوعی در علوم پزشکی
جدول زیر تنها تعدادی از صدها شرکت فعال در حوزه فناوری، بهداشت و درمان و داروسازی را نشان می‌دهد که در زمینه سیستم‌های هوشمند مصنوعی و کاربردهای آن در صنعت سلامت تحقیق می‌کنند. همچنین، کاربردهای سیستم‌های هوشمند مصنوعی در سلامت را می‌توان به طور کلی به سه دسته تقسیم کرد (برای شرکت‌های موجود در جدول زیر، نوع سیستم هوش مصنوعی نیز ذکر شده است):
برخی از شرکت‌های بزرگ جهانی که از هوش مصنوعی در علوم پزشکی استفاده می‌کنند:
|
شرکت |
هدف |
وبسایت |
|
| AiCure (نیویورک) | بیمارمحور | استفاده از داده‌های ویدئویی، صوتی و رفتاری برای درک بهتر ارتباط بین بیماران، بیماری و درمان | https://aicure.com |
| Aidence (آمستردام، هلند) | پزشک‌محور | هوش مصنوعی برای رادیولوژیست‌ها: بهبود تشخیص برای درمان سرطان ریه | https://www.aidence.com |
| Aiva Health (لس آنجلس) | اداری و عملیاتی | اولین دستیار مراقبت صوتی: ارتباط بیماران با پزشک مناسب برای مشاوره | https://aivahealth.com |
| Babylon Health (لندن) | اداری و عملیاتی | استفاده از NLP و هوش مصنوعی برای ایجاد سیستم سلامت مقرون‌به‌صرفه و در دسترس جهانی | https://www.babylonhealth.com |
| Bot MD (سنگاپور) | پزشک‌محور | دستیار هوشمند: پاسخ به سوالات بالینی، تبدیل گفتار به متن و سازماندهی خودکار تصاویر و پرونده‌ها | https://www.botmd.io/en/ |
| Suki (سانفرانسیسکو) | پزشک‌محور | دستیار دیجیتال صوتی برای پزشکان | https://www.suki.ai |
| Insitro (سانفرانسیسکو) | بیمارمحور | استفاده از یادگیری ماشین پیشرفته با ژنومیک محاسباتی برای کاهش زمان و هزینه کشف دارو | http://insitro.com/ |
حوزه های کاربردی هوش مصنوعی در پزشکی و سلامت
یاری‌رسانی هوش مصنوعی در درمان
- پزشکی دقیق و پشتیبانی از تصمیم‌گیری بالینی
- بهینه‌سازی دوز و پایش داروهای درمانی
- هوش مصنوعی در پزشکی ژنومیک
کمک هوش مصنوعی در تشخیص بیماری‌ها
- دقت تشخیصی
- مدیریت سلامت جمعیت با کمک هوش مصنوعی
تحلیل‌های پیش‌بینانه و ارزیابی ریسک
- تشکیل گروه‌های کاری، تدوین دستورالعمل‌ها و چارچوب‌ها
- هوش مصنوعی در اطلاعات دارویی و مشاوره درمانی
مراقبت از بیمار با فناوری هوش مصنوعی
- دستیاران مجازی سلامت مبتنی بر هوش مصنوعی
- پشتیبانی هوش مصنوعی در سلامت روان
بهبود آموزش بیماران و کاهش فرسودگی شغلی ارائه‌دهندگان خدمات سلامت
- کاربردهای هوش مصنوعی در ارتقای آموزش بیماران
- راهکارهای هوش مصنوعی برای کاهش استرس شغلی کادر درمان
مزایای انواع هوش مصنوعی در صنعت بهداشت و درمان
بیایید نگاهی به برخی از انواع مختلف هوش مصنوعی و مزایای آن برای صنعت بهداشت و درمان بیندازیم که از کاربرد آنها حاصل می‌شود.
یادگیری ماشین
یادگیری ماشین (Machine learning)، به عنوان یکی از اجزای کلیدی هوش مصنوعی در پزشکی، تحول چشمگیری در صنعت بهداشت و درمان ایجاد کرده است. این فناوری با پردازش حجم عظیمی از داده‌های بالینی، قادر به شناسایی الگوها و پیش‌بینی نتایج پزشکی با دقتی بی‌سابقه است. الگوریتم‌های یادگیری ماشین در تحلیل پرونده‌های بیماران، تصویربرداری پزشکی و کشف روش‌های درمانی جدید به کار می‌روند و به این ترتیب به متخصصان حوزه سلامت در بهبود روش‌های درمانی و کاهش هزینه‌ها کمک می‌کنند.
این فناوری امکان تشخیص دقیق بیماری‌ها، ارائه درمان‌های شخصی‌شده و شناسایی تغییرات ظریف در علائم حیاتی که ممکن است نشان‌دهنده مشکلات سلامت بالقوه باشند را فراهم می‌آورد. پزشکی دقیق (precision medicine) که رایج‌ترین کاربرد یادگیری ماشین محسوب می‌شود، با استفاده از یادگیری نظارت‌شده، روش‌های درمانی مؤثر را بر اساس داده‌های خاص هر بیمار پیش‌بینی می‌کند.
علاوه بر این، یادگیری عمیق (deep learning) به عنوان زیرمجموعه‌ای از هوش مصنوعی، در حوزه سلامت برای انجام وظایفی مانند تشخیص گفتار از طریق پردازش زبان طبیعی مورد استفاده قرار می‌گیرد. با پیشرفت روزافزون یادگیری عمیق، درک و به‌کارگیری آن در محیط‌های بالینی برای متخصصان مراقبت‌های بهداشتی اهمیت فزاینده‌ای پیدا خواهد کرد.
پردازش زبان طبیعی
پردازش زبان طبیعی (NLP) شکلی از هوش مصنوعی است که به رایانه‌ها امکان درک و استفاده از زبان انسان را می‌دهد. این شکل از هوش مصنوعی در سلامت، در حال دگرگونی صنعت بهداشت و درمان است. NLP در طیف گسترده‌ای از کاربردهای داده‌های سلامت به کار می‌رود، از جمله بهبود مراقبت از بیماران از طریق افزایش دقت تشخیص، ساده‌سازی فرآیندهای بالینی و ارائه خدمات شخصی‌شده.
برای مثال، NLP می‌تواند روی پرونده‌های پزشکی اعمال شود تا با استخراج اطلاعات مفید از داده‌های سلامت، بیماری‌ها را با دقت تشخیص دهد. علاوه بر این، می‌تواند برای شناسایی درمان‌ها و داروهای مرتبط برای هر بیمار یا حتی پیش‌بینی خطرات احتمالی سلامت بر اساس داده‌های گذشته مورد استفاده قرار گیرد. همچنین، NLP ابزارهای قدرتمندی در اختیار پزشکان قرار می‌دهد تا حجم عظیمی از داده‌های پیچیده را مدیریت کنند – کاری که در حالت عادی به زمان بسیار بیشتری نیاز دارد.
پردازش زبان طبیعی به ابزاری ارزشمند در حوزه سلامت تبدیل شده است. این فناوری به متخصصان پزشکی اجازه می‌دهد تا از هوش مصنوعی برای تشخیص دقیق‌تر بیماری‌ها و ارائه درمان‌های شخصی‌شده استفاده کنند. این شکل از هوش مصنوعی در سلامت به سرعت به یک ضرورت در صنعت بهداشت و درمان مدرن تبدیل شده و احتمالاً در آینده پیشرفته‌تر شده و در طیف وسیع‌تری از کاربردها مورد استفاده قرار خواهد گرفت.
سیستم‌های خبره مبتنی بر قوانین
سیستم‌های خبره (expert system) مبتنی بر انواع قوانین «if-then» در دهه 80 و پس از آن، فناوری غالب هوش مصنوعی در حوزه سلامت بودند. کاربرد هوش مصنوعی در سلامت برای پشتیبانی از تصمیم‌گیری‌های بالینی تا به امروز به‌صورت گسترده استفاده می‌شود. بسیاری از سیستم‌های الکترونیک پرونده سلامت (EHRs) در حال حاضر مجموعه‌ای از قوانین را همراه با نرم‌افزارهای خود ارائه می‌دهند.
سیستم‌های خبره معمولاً نیازمند حضور متخصصان انسانی و مهندسان برای ایجاد مجموعه‌ای گسترده از قوانین در یک حوزه دانش خاص هستند. این سیستم‌ها تا حد مشخصی به خوبی عمل می‌کنند و پیگیری و پردازش آنها آسان است. اما زمانی که تعداد قوانین بیش از حد زیاد شود (معمولاً بیش از چند هزار قانون)، ممکن است قوانین با یکدیگر در تضاد قرار گرفته و کارایی خود را از دست بدهند. همچنین، در صورت ایجاد تغییرات اساسی در حوزه دانش، اصلاح قوانین می‌تواند فرآیندی دشوار و زمان‌بر باشد.
کاربردهای تشخیص و درمان
تشخیص و درمان بیماری‌ها طی ۵۰ سال گذشته در هسته مرکزی کاربرد هوش مصنوعی در پزشکی قرار داشته است. سیستم‌های اولیه مبتنی بر قوانین، اگرچه پتانسیل تشخیص و درمان دقیق بیماری‌ها را داشتند، اما هرگز به طور کامل در عمل بالینی پذیرفته نشدند. این سیستم‌ها در تشخیص برتری محسوسی نسبت به انسان‌ها نداشتند و همچنین هماهنگی کمی با گردش کار بالینی و سیستم‌های ثبت سلامت داشتند.
چه سیستم‌های مبتنی بر قوانین و چه الگوریتمی، استفاده از هوش مصنوعی در سلامت برای برنامه‌های تشخیص و درمان اغلب با چالش‌هایی در ادغام با گردش کار بالینی و سیستم‌های پرونده الکترونیک سلامت (EHR) مواجه است. در مقایسه با دقت پیشنهادات، مسائل مربوط به ادغام در سازمان‌های بهداشتی مانع بزرگتری در پذیرش گسترده هوش مصنوعی در حوزه سلامت محسوب می‌شود. بسیاری از قابلیت‌های هوش مصنوعی در سلامت برای تشخیص، درمان و آزمایشات بالینی که توسط فروشندگان نرم‌افزارهای پزشکی ارائه می‌شود، به صورت مستقل عمل کرده و فقط حوزه خاصی از مراقبت را پوشش می‌دهد.
برخی از فروشندگان نرم‌افزارهای EHR شروع به توسعه قابلیت‌های تحلیلی محدود سلامت با بهره‌گیری از هوش مصنوعی در محصولات خود کرده‌اند، اما این تلاش‌ها در مراحل ابتدایی قرار دارد. برای بهره‌برداری کامل از هوش مصنوعی در سلامت با استفاده از سیستم‌های EHR مستقل، ارائه‌دهندگان خدمات یا باید پروژه‌های ادغام گسترده‌ای را خودشان انجام دهند، یا از قابلیت‌های فروشندگان شخص ثالثی که دارای توانایی‌های هوش مصنوعی بوده و می‌توانند با سیستم EHR آنها ادغام شوند، استفاده کنند.
کاربردهای اداری
هوش مصنوعی در حال دگرگونی بسیاری از جنبه‌های اداری مراقبت‌های پزشکی است. با خودکارسازی وظایف معمولی مانند ورود داده‌ها، پردازش مطالبات و زمان‌بندی قرار ملاقات‌ها، هوش مصنوعی در سلامت می‌تواند زمان بیشتری را در اختیار ارائه‌دهندگان خدمات و سازمان‌های بهداشتی قرار دهد تا بر مراقبت از بیمار و مدیریت چرخه درآمد متمرکز شوند. علاوه بر این، هوش مصنوعی پتانسیل کاهش خطای انسانی را از طریق ارائه روشی سریع‌تر برای بررسی پرونده‌های سلامت، تصویربرداری پزشکی، پردازش مطالبات و نتایج آزمایشات دارد.
با افزایش خودمختاری متخصصان پزشکی در فرآیند گردش کار به لطف هوش مصنوعی، آنها قادر خواهند بود ضمن حفظ کارایی بودجه، مراقبت باکیفیت‌تری به بیماران ارائه دهند. توانایی هوش مصنوعی در سلامت برای تحلیل سوابق پزشکی بیمار و ارائه نتایج بهتر و سریع‌تر، در حال تغییر شیوه ارائه خدمات توسط مراکز درمانی است و به آنها امکان می‌دهد زمان و منابع بیشتری را به بیماران اختصاص دهند. با پیشتازی هوش مصنوعی در بهبود مراقبت از بیمار، متخصصان پزشکی می‌توانند با اطمینان بر ارائه مراقبت باکیفیت متمرکز شوند، در حالی که همزمان از صرفه‌جویی در زمان و هزینه از طریق وظایف اداری هوشمند بهره می‌برند.
در نهایت، هوش مصنوعی در سلامت راهی پیشرفته برای ارائه‌دهندگان مراقبت‌های بهداشتی فراهم می‌کند تا خدمات بهتر و سریع‌تری به بیماران ارائه دهند. با خودکارسازی وظایف اداری معمول، هوش مصنوعی می‌تواند به متخصصان پزشکی کمک کند تا در زمان و هزینه صرفه‌جویی کنند، در حالی که کنترل بیشتری بر فرآیند گردش کار خود دارند.
جمع بندی
ظهور هوش مصنوعی در سلامت روندی تدریجی اما پایدار بوده که با پیشرفت‌های فناوری و افزایش تقاضا برای ارتقای خدمات درمانی شتاب گرفته است. ادغام هوش مصنوعی در پزشکی، تغییر پارادایمی ایجاد کرده که سلامت را کارآمدتر، دقیق‌تر و شخصی‌سازی شده‌تر نموده است. با ادامه تکامل فناوری هوش مصنوعی، نقش آن در نظام سلامت اهمیت بیشتری خواهد یافت و جایگاه آن را به عنوان ابزاری ضروری در پزشکی مدرن تثبیت خواهد کرد. این سفر هوش مصنوعی از یک مفهوم نوظهور به بخشی اساسی از نظام سلامت، نمونه‌ای از انقلاب فناورانه است که وعده نتایج سلامت بهتر برای همه را در خود دارد.
