این پروتکل یک چارچوب استانداردشده ارائه می‌دهد که مشخص می‌کند سامانه‌های هوش مصنوعی چگونه و با چه ضوابطی به‌صورت امن به منابع دانشی معتبر، ابزارها و گردش‌کارها متصل شوند. به FHIR برای هوش مصنوعی فکر کنید!

با گسترش سریع کاربردهای هوش مصنوعی در حوزه سلامت، پروتکل زمینه مدل Model Context ProtocolیاMCP به‌عنوان یک استاندارد نوظهور صنعتی مطرح شده است که تعیین می‌کند سامانه‌های هوش مصنوعی، مدل‌های زبانی بزرگ و برنامه‌های مبتنی بر عامل (Agent-based) چگونه به منابع دانشی قابل اعتماد متصل شوند.

به گفته دکتر چارلز توچیندا، معاون اجرایی و مدیر عملیات Hearst Health و رئیس اجراییFirst Databank ، پذیرش MCP به سازمان‌های ارائه‌دهنده خدمات سلامت این امکان را می‌دهد که ابزارهای هوش مصنوعی عامل‌محور یا اصطلاحاً Agentic AI را سریع‌تر، ایمن‌تر، سازگارتر و مقیاس‌پذیرتر مستقر کنند.

«پروتکل زمینه مدل، حلقه اتصال گمشده‌ای است که هوش مصنوعی در سلامت را ایمن، کاربردی و مقیاس‌پذیر می‌کند.»

او ادامه می‌دهد:

«موج بعدی هوش مصنوعی بالینی از مدل‌های بزرگ‌تر حاصل نخواهد شد، بلکه از اتصال هوشمندانه‌تر مدل‌ها به منابع حقیقتِ معتبر و حکمرانی‌شده (trusted, governed sources of truth) و گردش‌کارهای اثبات‌شده از نظر بالینی مانند نسخه‌نویسی، تطبیق دارویی و تأیید دارو ناشی می‌شود. سامانه‌های هوش مصنوعی فقط به اندازه زمینه‌ای که می‌توانند به‌صورت امن به آن دسترسی داشته باشند، خوب هستند.»

در حال حاضر، هر اتصال بین یک سامانه هوش مصنوعی و یک منبع داده (مانند پایگاه داده دارویی، فرمولاری یا ابزار پشتیبان تصمیم‌گیری) به‌صورت سفارشی پیاده‌سازی می‌شود که این امر باعث تنوع، تأخیر و افزایش ریسک می‌گردد. MCP این وضعیت را با تعریف یک زبان استاندارد برای کشف، مجوزدهی و تعامل تغییر می‌دهد.

درک خودکار منابع (Automatic understanding)

با MCP، یک عامل هوش مصنوعی می‌تواند به‌صورت خودکار بفهمد:

• هر منبع چه چیزی ارائه می‌دهد
• چگونه باید از آن به‌صورت ایمن استفاده کند
• و در چه شرایطی فراخوانی آن منبع مجاز است

همه این‌ها در چارچوبی امن، قابل ممیزی و حکمرانی‌شده انجام می‌شود.

به‌بیان ساده، MCP  مانند FHIR برای هوش مصنوعی است. همان‌طور که FHIR نحوه تبادل داده میان سامانه‌های سلامت را استاندارد کرد. MCP نحوه تعامل هوش مصنوعی با این سامانه‌ها را استاندارد می‌کند.

MCP یک لایه بومیِ هوش مصنوعی برای آگاهی از زمینه (Context Awareness) و حکمرانی ایجاد می‌کند که به سازمان‌ها اجازه می‌دهد دقیقاً کنترل کنند یک عامل هوش مصنوعی چه چیزی را می‌بیند و چه کاری می‌تواند انجام دهد؛ به‌گونه‌ای که هر توصیه‌ای قابل توضیح، قابل ردیابی و همسو با استانداردهای بالینی باشد.

«حوزه سلامت به هوش قابل راستی‌آزمایی و پاسخ‌گو نیاز دارد. MCP  تضمین می‌کند که هوش مصنوعی مولد چیزی را جعل نکند، بلکه فقط در چارچوب محتوای معتبر و بالینی تأییدشده عمل کند.»

MCP چه مشکلی را حل می‌کند؟

هر سامانه سلامت با یک چالش مشترک روبه‌روست: ادغام هوش مصنوعی در گردش‌کارهای بالینی مستلزم ماه‌ها توسعه سفارشی، اعتبارسنجی تکراری و بازبینی دستی است. MCP  با ارائه یک چارچوب استاندارد مشخص می‌کند که سامانه‌های هوش مصنوعی چگونه باید به منابع دانشی معتبر و تأییدشده، ابزارها و گردش‌کارهای بالینی به‌صورت امن متصل شوند.

MCP چه دستاوردهایی دارد؟

با MCP، هر عامل هوش مصنوعی سازگار می‌تواند به‌صورت خودکار بفهمد که یک منبع (مثلاً First Databank) چه خدماتی ارائه می‌دهد؛ از دانش دارویی گرفته تا ابزارهای پشتیبان تصمیم‌گیری و گردش‌کار نسخه‌نویسی.

نتایج این رویکرد:

• سرعت: استقرارهایی که ماه‌ها زمان می‌برد، اکنون در چند هفته انجام می‌شود
• ایمنی و یکنواختی: تصمیم‌های مبتنی بر داده‌های بالینی معتبر و قابل ممیزی
• مقیاس‌پذیری: استفاده مجدد از دانش و خدمات بدون نیاز به بازمهندسی

مثال بالینی

در وضعیت فعلی، اگر پزشکی بگوید: «آملودیپین ۵ میلی‌گرم روزی یک‌بار برای فشار خون شروع کنیم.» این جمله باعث زنجیره‌ای از اقدامات دستی، زمان‌بر و پرریسک می‌شود؛ اما در دنیای مجهز به MCP:

• دستیار هوش مصنوعی نیت نسخه‌نویسی را تشخیص می‌دهد
• به منابع دارویی معتبر متصل می‌شود
• نسخه ساختاریافته تولید می‌کند

و در چند ثانیه:

• دوز مناسب را بررسی می‌کند
• تداخل‌ها و منع مصرف‌ها را می‌سنجد
• گزینه‌های جایگزین را پیشنهاد می‌دهد
• نسخه را از طریق شبکه نسخه‌نویسی الکترونیک ارسال می‌کند

همه این اقدامات دارای مجوز، حکمرانی‌شده و قابل ممیزی هستند. «این همان ارزش واقعی MCP است»، او توضیح داد.
«MCP مجموعه‌ای از مراحل پراکنده و دستی را به یک گردش‌کار واحد، هوشمند و حکمرانی‌شده تبدیل می‌کند؛ گردش‌کاری که دانش عمیق بالینی را با چابکی هوش مصنوعی مدرن در کنار هم قرار می‌دهد.»

برداشت فنی تحلیلی دبیر فنی ارگانمهر که برای معماری سلامت دیجیتال در کشور ما هم حائز اهمیت است:

MCP را می‌توان این‌گونه تفسیر کرد که اگرFHIR  استاندارد تبادل داده باشد و سرویس‌های ترمینولوژی حاکمیت معنا را تضمین کنند، در این میان موتور قواعد، کنترل منطق تصمیم را ایجاب می کند وMCP   حاکمیت «زمینه تصمیم‌سازی AI» را فراهم می‌نماید.

در واقع MCP مکمل FHIR است، نه جایگزین آن؛ FHIR  می‌گوید: «داده چیست و چگونه منتقل می‌شود» و MCP می‌گوید: «AI  چه زمانی، با چه مجوزی، از کدام منبع، برای چه تصمیمی می‌تواند استفاده کند». این دقیقاً همان شکافی است که در معماری‌های ملی سلامت برای استفاده ایمن از AI وجود دارد. بخصوص در معماری‌های مبتنی بر AI Agent (و نه صرفاً LLM) Agent  بدون MCP رفتار غیرقابل پیش‌بینی خواهد داشت حال آنکه با MCP، رفتار سیاست‌محور، قابل ممیزی و قانونی را از Agent انتظار داریم و این برای نسخه‌نویسی، تصمیمات بالینی و توصیه‌های حساس
کاملاً حیاتی است

نکته دیگر اینکه MCP پایه تنظیم‌گری هوش مصنوعی در سلامت است؛ در سطح رگولاتوری،MCP  می‌تواند مشخص کند AI به چه «منابع حقیقت» دسترسی دارد، سیاست‌های مجوزدهی را enforce کند و ردپای کامل تصمیمات AI را نگه دارد که برای مسئولیت حقوقی، ایمنی بیمار و انطباق با قوانین ضروری است.