بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
بلغت دقة نظام ذكاء اصطناعي جديد في تشخيص نوع محدد من قصور القلب 96.3% بعد أن كانت 89.5% قبل تطبيقه — وهو فارق يُترجم بحرفية إلى أرواح بشرية في بيئة سريرية حقيقية. (وفقاً للبحث المنشور على arXiv)
المشكلة التي يعالجها النظام ليست طبية بالدرجة الأولى، بل هندسية: 39 إلى 45% من وقت علماء البيانات العاملين في المجال السريري يُهدَر في ما يُعرف بـ”هندسة الميزات” — أي تحويل بيانات السجلات الطبية الإلكترونية الخام إلى متغيرات قابلة للتحليل بالذكاء الاصطناعي. (وفقاً لـ arXiv) وعند حديثنا عن قصور القلب تحديداً — الذي يُصيب 6.7 مليون بالغ في الولايات المتحدة وحدها — يزداد التعقيد، لأن البيانات مجزأة عبر جداول مختلفة ويتطلب تفسيرها معرفة إكلينيكية متخصصة لا تستطيع الأنظمة العامة محاكاتها بموثوقية.
الحل الذي اقترحه فريق من 13 باحثاً بقيادة Soorya Ram Shimgekar يحمل اسم Nimblemind Multi-Agent System، أو اختصاراً nMAS. لا يعمل النظام كنموذج لغوي واحد يُطلب منه “تلخيص ملفات المريض”، بل كخط أنابيب متعدد الوكلاء يمزج بين القواعد السريرية المستندة إلى الأدلة وقدرات LLM مُقيَّدة بصرامة، مع ربط كل ميزة مُستخرجة بمصدرها الطبي الأصلي قابلاً للمراجعة والتدقيق.
اختُبر النظام على 500 سجل طبي افتراضي مستخرجة من 9 جداول بيانات مختلفة ضمن منظومة السجلات الطبية الإلكترونية. أنتج nMAS 132 ميزة بنيوية منظمة و70 ميزة إجمالية مُقيَّمة وفق مقاييس محددة، مع التحقق من سلامتها البنيوية واستيفائها للمعايير وقابلية تتبع مصادرها، ثم مراجعتها عبر نموذج LLM مُقيَّد الصلاحيات.
- ارتفع معدل AUROC لتشخيص HFrEF (قصور القلب مع انخفاض الكسر الطردي) من 0.895 إلى 0.963 بعد إضافة الميزات الإجمالية المُولَّدة بالنظام.
- ارتفع معدل AUROC لتشخيص HFpEF (قصور القلب مع الحفاظ على الكسر الطردي) من 0.870 إلى 0.910 في السيناريو ذاته.
- حصلت الميزات المُولَّدة على تقييم مستقل من نموذج LLM خارجي بلغ 81.5% من الدرجة القصوى من حيث جودة الأدلة الداعمة والسلامة المنهجية.
- يُتيح النظام تتبع أثر كل ميزة مُستخرجة حتى مصدرها في الأدلة السريرية أو الإرشادات الطبية المعتمدة — وهي الخاصية التي تفتقر إليها معظم حلول LLM العامة وتجعلها غير مقبولة في البيئات الطبية الخاضعة للتدقيق.
- يختلف nMAS عن الأنظمة القائمة على القواعد المبرمجة يدوياً في أنه قابل للصيانة والتحديث تلقائياً حين تتغير الإرشادات السريرية، بدلاً من الحاجة إلى إعادة برمجة يدوية مكلفة.
ما يجعل هذا النهج مختلفاً جوهرياً عن تطبيقات LLM السائدة في الرعاية الصحية هو ما يُسميه الباحثون “الربط بالأدلة” — أي أن كل قرار يتخذه النظام مرتبط صراحةً بمصدر طبي معتمد، مما يجعله قابلاً للمراجعة من أطباء حقيقيين بدلاً من أن يكون صندوقاً أسود. هذا ليس رفاهية في السياق السريري؛ إنه شرط لازم للقبول القانوني والأخلاقي في أي منظومة صحية جادة.
بيد أن الباحثين أنفسهم يُسجّلون تحفظاً جوهرياً: التقييم اقتصر على مؤسسة واحدة وسجلات افتراضية، وهو ما يعني أن الأرقام — مهما بدت مبهرة — تحتاج إلى تحقق خارجي على بيانات حقيقية من مستشفيات متعددة قبل أن يمكن الاحتجاج بها في قرارات سريرية فعلية. التحدي التقني تجاوزه النظام بامتياز؛ تحدي الثقة المؤسسية لا يزال أمامه.
أسهم في البحث باحثون من مؤسسات متعددة من بينهم Roy Ka-Wei Lee وKoustuv Saha وChristian Poellabauer وZeeshan Ahmed وNavin Kumar ضمن فريق ثلاثة عشر مؤلفاً. إن تحقق النظام من صحة نتائجه خارجياً، فإن الـ39-45% من وقت علماء البيانات التي تُهدَر اليوم في تحضير البيانات اليدوي قد تتحول إلى وقود للتحليل الفعلي والاكتشاف السريري.
